Mendorong keandalan dan meningkatkan hasil pemeliharaan dengan pembelajaran mesin
Mike Brooks dari AspenTech
Ada kebutuhan yang signifikan untuk melakukan pencegahan kegagalan menggunakan kebenaran berbasis data daripada perkiraan. Kombinasi kerusakan mekanis dan proses menyebabkan biaya hingga 10% dari pasar manufaktur senilai $1,4 triliun di seluruh dunia per laporan 2012 dari The McKinsey Global Institute .
Sementara perusahaan telah menghabiskan jutaan dolar untuk mencoba mengatasi masalah ini dan pada akhirnya menghindari waktu henti yang tidak direncanakan, sampai sekarang, mereka hanya mampu mengatasi keausan dan kegagalan berdasarkan usia. Teknik saat ini tidak dapat mendeteksi masalah cukup dini dan kurang memahami alasan di balik kegagalan yang tampaknya acak yang menyebabkan lebih dari 80% waktu henti yang tidak direncanakan. Di sinilah penggunaan perangkat lunak pembelajaran mesin untuk menyebarkan "jaring yang lebih luas" di sekitar mesin dapat menangkap kegagalan yang disebabkan oleh proses.
Untuk menghindari waktu henti yang tidak direncanakan, perusahaan harus mengidentifikasi dan merespons secara efektif indikator awal kegagalan yang akan datang. Praktik pemeliharaan tradisional tidak memprediksi kegagalan yang disebabkan oleh perjalanan proses, kata Mike Brooks, konsultan bisnis senior, AspenTech dan mantan Mtell presiden &chief operating officer.
Itu akan membutuhkan pendekatan teknologi unik yang menggabungkan mesin dan proses; terutama untuk industri padat aset seperti manufaktur dan transportasi. Dengan menerapkan teknologi yang tepat, organisasi dapat merasakan pola degradasi yang mengancam, dengan peringatan yang memadai untuk mencegah kegagalan dan mengubah hasil.
Memprediksi waktu henti dengan perangkat lunak pembelajaran mesin
Perangkat lunak pembelajaran mesin canggih telah menunjukkan keberhasilan luar biasa dalam identifikasi awal kegagalan peralatan. Perangkat lunak tersebut hampir otonom dan mempelajari pola perilaku dari aliran data digital yang dihasilkan oleh sensor pada dan di sekitar mesin dan proses.
Secara otomatis, dan membutuhkan sumber daya minimal, teknologi canggih ini terus-menerus belajar dan beradaptasi dengan pola sinyal baru saat kondisi pengoperasian berubah. Tanda tangan kegagalan yang dipelajari pada satu mesin "menyuntik" mesin itu sehingga kondisi yang sama tidak akan terulang kembali. Selain itu, tanda tangan yang dipelajari ditransfer ke mesin serupa untuk mencegahnya terpengaruh oleh kondisi penurunan yang sama.
Misalnya, sebuah perusahaan energi Amerika Utara merugi hingga satu juta dolar dalam perbaikan dan kehilangan pendapatan dari kerusakan berulang pada pompa submersible listrik. Aplikasi pembelajaran mesin canggih mempelajari perilaku 18 pompa. Perangkat lunak mendeteksi kebocoran casing awal pada satu pompa yang menyebabkan insiden lingkungan. Menerapkan tanda kegagalan ke seluruh pompa memberikan peringatan dini, memungkinkan tindakan dini untuk menghindari insiden berulang, sehingga mencegah masalah besar.
Dalam kasus lain, sebuah perusahaan angkutan kereta api terkemuka yang beroperasi di 23 negara bagian di AS menggunakan pembelajaran mesin untuk mengatasi kegagalan mesin lokomotif yang memakan biaya jutaan dalam perbaikan, denda, dan kehilangan pendapatan. Aplikasi pembelajaran mesin beroperasi in-line, secara real-time dan diterapkan pada armada lokomotif yang sangat besar yang memeriksa data minyak pelumas untuk indikator awal kerusakan mesin.
Aplikasi ini bahkan mendeteksi tanda degradasi saat mesin lulus uji tekanan rendah. Mengalihkan lokomotif untuk layanan segera “menghemat jutaan dolar perusahaan dalam waktu henti dan denda yang mahal”.
Saatnya mengimplementasikan perangkat lunak pembelajaran mesin sekarang
Perusahaan tidak bisa lagi hanya mengandalkan praktik pemeliharaan tradisional tetapi juga harus memasukkan perilaku operasional dalam menerapkan solusi berbasis data. Keharusan saat ini berarti mengekstraksi nilai tambahan dari aset yang ada dan menerapkan program pembelajaran mesin tingkat lanjut untuk memberikan peningkatan yang cepat.
Dengan solusi perangkat lunak yang tepat, teknologi prediktif akan mendeteksi kondisi yang membatasi efektivitas aset, sambil memberikan panduan preskriptif yang memastikan perusahaan tetap menguntungkan dan meningkatkan margin.
Penulis blog ini adalah Mike Brooks, konsultan bisnis senior, AspenTech dan Mantan presiden &chief operating officer Mtell
