Tingkatkan Keandalan Aset: Manfaatkan Machine Learning untuk Kinerja Aset Proaktif
Para pemimpin industri sekarang beralih ke Industrial Internet of Things (IIoT) dan machine learning untuk membuka keandalan dan nilai lebih tinggi dari aset mereka.
Waktu henti yang tidak terduakan saat ini merosot sekitar 15 % margin kotor, sementara pemain terbaik mempertahankan kerugian sekitar 5 %. Menutup kesenjangan ini membutuhkan partner baru antara pemeliharaan dan produksi.
Rekayasa keandalan tradisional membangun model first-principles yang di-tune dengan data real-time, menerapkan faktor koreksi, dan menandai anomali statistik. Namun, model-model ini hanya melihat aset itu sendiri dan sering kali melewatkan pengemang proses upstream yang menyebabkan degradasi.
Selama empat dekade, insinyur telah bergantung pada persamaan, statistik, dan mesin aturan. Meskipun efektif dalam beberapa konteks, teknik-teknik ini masih memberikan sinyal masalah hanya setelah kerusakan terlihat.
Model first-principles membutuhkan keahlian yang dalam dan kalibrasi yang tepat. Mereka unggul dalam meramalkan perilaku yang diharapkan dalam kondisi ideal, tetapi kesulitan dengan variabilitas produksi nyata.
Lingkungan produksi adalah dinamis: ribuan variasi bersamaan membuat sulit bagi model deterministik untuk mengantusiasme pola mana yang akan memicu waktu henti.
Dalam kontras, machine learning belajar dari data operasional aktual—fluktuasi musiman, throughput yang bervariasi, siklus mulai-hentikan, dan pola aus yang berkembang—menyediakan prediksi yang mencerminkan kenyataan.
Dengan menambang data proses dan aset, machine learning mengungkap pola peringatan dini yang menunjukkan penyebab akurat degradasi sebelum gejala menjadi terlihat.
Ketika digabungkan dengan analisis risiko, algoritma ini dapat meramalkan kegagalan mingguan atau bahkan bulanan ke depan, memberi tim pemeliharaan bandwidth untuk merencanakan daripada bereaksi.
Berbeda dengan model tradisional, “signature” machine learning mengukur mode kegagalan langsung dari aliran sensor, mengabaikan tipe industri atau mesin, dan fokus sepenuhnya pada hubungan yang didorong data.
Bahkan dengan sumber daya insinyur yang terbatas, pipeline machine learning yang dikonfigurasi dengan baik dapat menerapkan signature prediktif di ribuan aset unik dalam hitungan menit, memberikan wawasan yang dapat ditindaklanjuti dalam hitungan detik.
Jika Anda masih bergantung sepenuhnya pada model first-principles, saatnya untuk memodernisasi. Menggabungkan model rekayasa dengan signature machine learning menawarkan cara paling kuat untuk mendeteksi dan mencegah kondisi operasi yang berisiko.
Pendekatan hybrid ini memberikan status yang akurat dan real-time sambil menyederhanakan kalibrasi, memberdayakan pemeliharaan dan operasi untuk berkolaborasi untuk performa puncak.
Baca lebih lanjut: Overall Equipment Effectiveness
Tentang Penulis
Michael Brooks adalah konsultan advisory senior dalam manajemen kinerja aset di AspenTech.
