Menerapkan pemeliharaan prediktif tanpa keterampilan pembelajaran mesin

Persepsi yang berkembang di antara para insinyur akhir-akhir ini adalah bahwa pemeliharaan prediktif sekarang menjadi domain yang hampir eksklusif dari teknik kecerdasan buatan (AI) dan bahwa mereka pertama-tama perlu mempelajari pembelajaran mesin (ML) dan rangkaian keterampilan jaringan saraf untuk mengimplementasikan aplikasi semacam itu. Menurut Aditya Baru, manajer pemasaran produk senior di MathWorks, para insinyur masih dapat menerapkan pemeliharaan prediktif tanpa mempelajari keahlian AI dan ML baru.

Dalam pembicaraan baru-baru ini dengan EDN , Baru menguraikan empat langkah dasar untuk menerapkan pemeliharaan prediktif dan menambahkan bahwa alat khusus tersedia untuk setiap langkah.

Gambar 1. Alur kerja pemeliharaan prediktif dasar terdiri dari empat langkah dasar. Sumber:MathWorks

1. Pemrosesan data

Untuk insinyur yang bukan ilmuwan data atau yang tidak memiliki latar belakang ML, melihat sejumlah besar data yang dihasilkan oleh sensor dan unit industri seperti turbin angin, generator, pompa, dan motor tidaklah mudah. Data yang ditangani oleh para insinyur terutama adalah data mentah; itu berantakan dan tidak bersih.

Mesin jet atau pompa oli dalam operasi eksplorasi dapat dengan mudah membuat satu terabyte data setiap hari; sekarang bayangkan mencari kondisi yang salah dalam satu terabyte data. Jadi, apa yang bisa dilakukan para insinyur? “Insinyur dapat melihat data yang datang dalam jumlah besar, mencari tahu apakah ada perubahan dalam data mentah, mengidentifikasi degradasi sistem, dan menentukan mengapa sistem berperilaku tidak normal,” kata Baru.

Misalnya, dalam pompa eksplorasi minyak, satu hal dengan data mentah yang dapat dilihat oleh para insinyur adalah analisis spektral untuk pompa yang terus berputar. Jadi, mereka dapat mengidentifikasi frekuensi di mana kesalahan muncul. “Sementara para insinyur sudah memahami mesin, apa yang harus mereka lakukan sekarang adalah mengidentifikasi apa yang paling berhasil.”

Gambar 2. Teknisi dapat mendeteksi kebocoran dan penyumbatan pada pompa dengan melacak perubahan gesekan motor. Sumber:MathWork

Itu membawa kita ke langkah dasar kedua, indikator kondisi, metode reduksi data.

2. Indikator kondisi

Jika seorang insinyur memiliki 100 sampel data deret waktu, ia harus mengatur untuk menguranginya menjadi satu nomor, dan nomor tunggal itu harus menangkap semua informasi yang relevan dalam 100 sampel tersebut. “Idenya adalah Anda mengambil kumpulan data yang besar dan menguranginya menjadi lebih sedikit fitur.”

Baru menyebutkan proyek baru-baru ini di mana MathWorks bekerja dengan Daimler Mercedes pada aplikasi deteksi anomali yang menganalisis sejumlah besar data deret waktu dan mencari tahu apakah jalur manufaktur memiliki beberapa anomali. Di sini, alat MathWorks mengurangi data dalam jumlah besar menjadi sekumpulan fitur yang lebih kecil—seperti pola dan waktu tunda—untuk mengurangi penanganan data hingga faktor 250.

Gambar 3. Insinyur dapat mengekstrak fitur dari data sensor mentah dan membuat indikator kondisi menggunakan teknik berbasis waktu dan frekuensi. Sumber:MathWork

Sekarang setelah engineer melihat lebih sedikit indikator kondisi, mereka dapat membangun model prediktif berdasarkan indikator kondisi ini.

3. Model prediktif

Dengan kumpulan data yang jauh lebih kecil, yang mewakili seluruh kumpulan data besar dan menangkap informasi unik, engineer dapat menggunakan alat yang sesuai untuk membuat model pembelajaran prediktif tanpa harus mempelajari kumpulan keterampilan AI dan ML.

Berbagai model—seperti model deret waktu, model statistik, dan model berbasis probabilitas—sama-sama dapat diterapkan untuk membangun model prediktif. “Ada banyak teknik rekayasa tradisional untuk membangun model prediktif,” kata Baru.

Gambar 4. Predictive Maintenance Toolbox memungkinkan para insinyur memperkirakan sisa masa manfaat (RUL) dan memberikan interval kepercayaan yang terkait dengan prediksi. Sumber:MathWorks

Insinyur juga dapat menggunakan kembali alat untuk aplikasi yang sedikit berbeda. Baru menyebut Safran, perusahaan dirgantara yang menggunakan teknik pengkondisian sinyal untuk memprediksi kapan suatu sistem bisa gagal. Pekerjaan dilakukan di MATLAB, lingkungan pemrograman untuk pengembangan algoritme, analisis data, visualisasi, dan komputasi numerik.

4. Penerapan algoritma

Langkah keempat mungkin yang paling penting:menerapkan algoritme untuk model prediktif dalam lingkungan produksi. Insinyur dapat menyebarkan algoritme dalam beberapa cara. Itu termasuk model prediktif yang disematkan secara lokal di mesin, komputer kecil yang berjalan secara lokal sebagai server lokal, atau data yang dialirkan ke layanan cloud saat konektivitas memungkinkan.

Pemeliharaan prediktif yang diterapkan dalam alur kerja empat langkah ini memungkinkan teknisi menerapkan layanan pemeliharaan yang dapat menjamin bahwa alat berat akan tetap beroperasi 90% sepanjang waktu. Dan alat tersedia untuk mengelola keempat langkah dasar ini secara efisien.

>> Artikel ini awalnya diterbitkan pada situs saudara kami, EDN.