Menerapkan Prediktif Pemeliharaan Tanpa Keahlian Machine Learning
Di kalangan insinyur, semakin banyak persepsi bahwa pemeliharaan prediktif kini merupakan domain eksklusif teknik AI, sehingga memaksa mereka menguasai keterampilan machine learning. Padahal, para ahli MathWorks menunjukkan bahwa pemeliharaan prediktif yang andal dapat dibangun tanpa pengetahuan ML yang mendalam.
Dalam wawancara terbaru dengan EDN, senior product marketing manager Aditya Baru menjelaskan alur kerja empat langkah dan menyoroti alat khusus yang mencakup setiap tahap.
Gambar 1. Alur kerja pemeliharaan prediktif dasar terdiri dari empat langkah. Sumber: MathWorks
1. Pemrosesan Data
Bagi insinyur yang bukan ilmu data, menyaring sejumlah besar data sensor mentah yang dihasilkan oleh aset industri—turbin angin, generator, pompa, motor—dapat terasa menakutkan. Mesin jet atau pompa minyak dalam operasi eksplorasi dapat dengan mudah menghasilkan satu terabyte data per hari, membuat deteksi kesalahan dalam volume tersebut terlihat mustahil.
Baru menjelaskan bahwa insinyur dapat memulai dengan memantau aliran data masuk untuk perubahan halus, mengidentifikasi tanda awal degradasi, dan menentukan penyebab akar perilaku anormal. Misalnya, analisis spektral pada pompa yang terus berputar dapat mengungkapkan frekansi kesalahan yang membedakan operasi normal dari kegagalan mendatang.
Gambar 2. Insinyur dapat mendeteksi kebocoran dan penyumbatan pada pompa dengan melacak perubahan gesekan motor. Sumber: MathWorks
2. Indikator Kondisi
Saat menghadapi 100 sampel data time-series, tujuannya adalah menguranginya menjadi satu angka yang kaya informasi—indikator kondisi. Langkah pengurangan data ini menyederhanakan kumpulan data besar menjadi serangkaian fitur yang dapat dikelola namun masih menangkap semua dinamika yang relevan.
Dalam kolaborasi terbaru dengan Daimler Mercedes, alat MathWorks menyaring data time-series massal dari baris produksi menjadi satu set fitur kompak—pola, penundaan waktu, dan statistik lainnya—mengecilkan jejak data dengan faktor 250.
Gambar 3. Insinyur dapat mengekstrak fitur dari data sensor mentah dan membuat indikator kondisi menggunakan teknik berbasis waktu dan frekuensi. Sumber: MathWorks
3. Model Prediktif
Dengan kumpulan data yang disederhanakannya yang mewakili data asli dengan setia, insinyur dapat menggunakan berbagai teknik pemodelan klasik—time-series, statistik, atau berbasis probabilitas—tanpa memerlukan keahlian AI atau ML yang mendalam. Metode-metode ini telah terbukti di komunitas insinyur dan didukung oleh MATLAB’s Predictive Maintenance Toolbox.
Baru menyebutkan Safran, perusahaan penerbangan yang menggunakan teknik pengkondisian sinyal dalam MATLAB untuk meramalkan kegagalan komponen, membuktikan bahwa metode insinyur tradisional tetap sangat efektif.
Gambar 4. Predictive Maintenance Toolbox memungkinkan insinyur mengestimasi umur manfaat yang tersisa (RUL) dan memberikan interval kepercayaan yang terkait dengan prediksi. Sumber: MathWorks
4. Penerapan Algoritma
Langkah akhir dan paling krusial adalah menerapkan model prediktif ke produksi. Insinyur memiliki beberapa opsi: menyematkan model secara lokal pada mesin, menjalankannya pada komputer edge terdekat, atau mentransmisikan data ke layanan cloud ketika konektivitas memungkinkan.
Menerapkan pemeliharaan prediktif melalui alur kerja empat langkah ini memberdayakan insinyur untuk menyediakan layanan pemeliharaan yang menjaga mesin tetap operasional 90 persen dari waktu. Tersedia serangkaian alat khusus untuk mengelola setiap langkah secara efisien.
>> Artikel ini awalnya diterbitkan di situs saudara kami, EDN.
