Tingkatkan Keandalan dan Kurangi Waktu Henti: Machine Learning Mengubah Pemeliharaan
Mike Brooks dari AspenTech
Dalam lanskap yang intensif aset saat ini, pencegahan kegagalan berbasis data bukan lagi opsional—ia esensial. Laporan tahun 2012 dari The McKinsey Global Institute mengestimasi bahwa kerusakan yang diinduksi mekanik dan proses mengancam hingga 10% dari pasar manufaktur global senilai $1,4 triliun, atau sekitar $140 miliar per tahun.
Perusahaan telah berinvestasi banyak dalam mengurangi waktu henti tidak terduga, namun sebagian besar solusi masih menargetkan kegagalan yang diinduksi usia dan aus. Pendekatan ini melewati tanda peringatan dini masalah yang diinduksi proses, yang mencakup lebih dari 80% dari pemadaman tidak terduga. Machine learning (ML) menyelang kesenjangan itu dengan mencerna jaringan yang lebih luas di seluruh peralatan dan proses.
Untuk tetap di atas waktu henti, perusahaan harus mendeteksi dan bertindak pada precursori halus kegagalan. Model pemeliharaan tradisional tidak memiliki kedalaman prediktif yang diperlukan untuk proses excursions, kata Mike Brooks, senior business consultant di AspenTech dan mantan president & COO di Mtell.
ML menggabungkan data sensor dari mesin dan proses untuk mengungkapkan pola degradasi tersembunyi, memberikan peringatan yang dapat ditindaklanjuti jauh sebelum peristiwa yang merusak. Hasilnya adalah pemeliharaan proaktif yang melestarikan keandalan dan melindungi margin.
Memprediksi Waktu Henti dengan Perangkat Lunak Machine Learning
Platform ML canggih beroperasi hampir secara otonom, terus belajar dari stream sensor real-time. Mereka menyesuaikan dengan kondisi operasi yang berubah, memastikan tanda kegagalan berevolusi dengan aset.
Saat tanda teridentifikasi pada satu unit, ia ‘mengimunisasi’ mesin tersebut dari keberulangan dan ditransfer ke unit homolog, mencegah reaksi rantai kegagalan.
Dalam satu kasus di Amerika Utara, perusahaan energi menghadapi kerugian tahunan hingga $1 juta dari kegagalan berulang pompa submersibel listrik. Solusi ML memantau 18 pompa, mendeteksi kebocoran casing awal yang memicu insiden lingkungan. Dengan menerapkan tanda yang terdeteksi di seluruh armada, perusahaan menerima peringatan dini dan menghindari krisis berulang, menghemat biaya perbaikan yang signifikan dan melindungi lingkungan.
Contoh lain melibatkan operator kereta api freight AS besar dengan operasi di 23 negara bagian. Perusahaan menerapkan ML pada armada lokomotifnya, menganalisis data minyak pelumas secara real-time untuk menangkap degradasi mesin sebelum tes tekanan rendah gagal. Servis segera mencegah waktu henti yang mahal, denda, dan kerugian pendapatan, menghemat jutaan dolar untuk perusahaan.
Waktu untuk Menerapkan Machine Learning adalah Sekarang
Ketergantungan pada pemeliharaan legacy sendirinya tidak lagi viable. Operasi modern harus menyematkan wawasan berbasis data ke dalam manajemen aset, mengekstrak nilai maksimum dari peralatan yang ada. Alat prediktif yang didukung ML tidak hanya mendeteksi kondisi yang membatasi tetapi juga memberikan pedoman preskriptif yang menjaga perusahaan tetap menguntungkan dan meningkatkan margin.
Penulis: Mike Brooks, senior business consultant, AspenTech; mantan president & COO dari Mtell.
