Pemeliharaan Prediktif – Apa yang perlu Anda ketahui

Ed Maguire dari Momenta Partners

Di sini, di Mitra Momenta , kami menghabiskan banyak waktu untuk berbicara dengan para inovator dan pengguna akhir tentang cara memanfaatkan data dari aset fisik untuk mengoptimalkan proses, mengurangi risiko, mengembangkan bisnis, dan bahkan memperkuat model bisnis baru, kata Ed Maguire, partner Insights.

Pemeliharaan Prediktif adalah hal yang paling diperhatikan, dengan perusahaan rintisan, perusahaan jasa profesional, dan perusahaan industri mapan mencari cara untuk mewujudkan manfaat dengan "memperbaiki sesuatu sebelum rusak" – yang berpotensi menghemat banyak waktu, uang, dan risiko reputasi.

Apa itu Pemeliharaan Prediktif?

Pemeliharaan Prediktif melibatkan kemampuan untuk memprediksi kapan mesin atau suku cadang kemungkinan besar akan gagal berdasarkan data dunia nyata, kemudian mampu mengambil tindakan untuk mencegah masalah apa pun. Ini adalah konsep yang sederhana, tetapi sulit untuk direalisasikan. Dalam industri seperti kedirgantaraan dan transportasi, mampu mencegah kegagalan dapat menyelamatkan nyawa.

Sementara Southwest Airlines . baru-baru ini kematian mungkin tidak dapat diduga, bagaimana jika data dari ledakan mesin dapat digunakan untuk mencegah ledakan berikutnya? Untuk dapat memprediksi potensi kegagalan, Anda harus mulai dengan data – data historis, terutama yang mengarah ke kegagalan – untuk membuat algoritme yang dapat menandai tanda-tanda masalah yang tertunda.

Jalur menuju Pemeliharaan Prediktif

Saat ini pemeliharaan industri sebagian besar bersifat "pencegahan". Mencegah Pemeliharaan dimulai dengan jadwal. Ketika perusahaan membeli aset industri atau lainnya, mereka biasanya mengikuti interval yang direkomendasikan untuk pemeliharaan. Pikirkan tentang rekomendasi untuk mengganti oli mobil setiap 3.000 mil. Di luar menjaga jadwal yang ditentukan, sebagian besar perbaikan besar terjadi ketika ada kerusakan peralatan, dan aset itu sendiri diganti ketika mereka mencapai usia tertentu. Menepati jadwal memang berguna, tetapi tidak memberikan gambaran tentang apa yang bisa terjadi di masa depan.

Dengan tambahan Pemantauan Kondisi, bisnis dapat terlibat dalam Pemeliharaan Proaktif. Pemantauan Kondisi melibatkan pelacakan data secara real-time – ini bisa berupa data dari sensor suhu atau getaran misalnya. Ini dapat membantu mengidentifikasi masalah saat terjadi, dan jika ada kondisi yang tidak biasa seperti getaran berlebih atau suhu yang terlalu tinggi, ini dapat menandakan perlunya pemeliharaan proaktif – misalnya penggantian suku cadang.

Pemeliharaan Pencegahan bekerja dari jadwal yang telah ditentukan, dan Pemeliharaan Proaktif biasanya menggunakan Pemantauan Kondisi, tetapi kedua pendekatan tersebut tidak akan membantu bisnis mengantisipasi kemungkinan kesalahan di masa mendatang.

Untuk dapat memprediksi kegagalan, Anda memerlukan data historis untuk mengembangkan algoritme prediktif, sebaiknya menyertakan periode yang mengarah ke dan termasuk kegagalan atau kerusakan. Ini melibatkan pengumpulan data dan melakukan analitik pada data, kemudian menguji, menyetel, dan memperbarui algoritme dengan data yang baru dikumpulkan. Di masa lalu ini adalah proses yang mahal, yang menuntut ahli statistik yang sangat terspesialisasi yang dapat mengembangkan model khusus.

Setelah solusi Pemeliharaan Prediktif diterapkan selama beberapa waktu, solusi tersebut dapat digabungkan dengan rekomendasi atau instruksi khusus bagi bisnis untuk memperbaiki masalah sebelum terjadi. Konsep ini, yang dikenal sebagai Predictive Maintenance, adalah gagasan bahwa analytics dapat mengidentifikasi masalah yang tertunda, memandu perbaikan, dan menjaga mesin tetap aktif dan berjalan dengan intervensi manusia yang minimal.

Sejak 1980-an, Predictive Maintenance telah menjadi provinsi organisasi terbesar dengan kantong terdalam di mana ada biaya kegagalan atau downtime yang tinggi seperti militer dan di luar angkasa. Saat ini dengan penurunan harga besar-besaran dalam penyimpanan, kekuatan pemrosesan, chip khusus seperti GPU yang cocok untuk Machine Learning, aksesibilitas Predictive Maintenance menjadi demokratis.

Kenyataan saat ini adalah banyak aset yang terlalu terpelihara, dengan pengeluaran perusahaan yang tidak perlu untuk mencegah kegagalan karena mereka tidak memiliki wawasan tentang kesehatan mesin yang sebenarnya. Ada peluang luar biasa untuk mengurangi biaya dari waktu henti dan gangguan, serta menghabiskan jauh lebih efisien untuk seberapa sering dan seberapa ekstensif mesin diperbaiki. Meskipun kita masih dalam tahap awal, dengan sebagian besar perusahaan industri beralih dari Preventive Maintenance ke Proactive Maintenance, ada banyak startup dan proyek yang sedang berjalan untuk mendemokratisasikan Predictive Maintenance.

Sangat penting untuk memulai dengan data, jadi kami merekomendasikan pendekatan terukur. Mulailah dengan Pemantauan Kondisi, dan pastikan kenyamanan dan keakuratan data dan proses. Setelah ada tugas Pemeliharaan Proaktif yang wajar, libatkan pakar data dan domain (baik ilmuwan data untuk melakukannya sendiri, atau spesialis di industri Anda dari perusahaan layanan profesional atau perangkat lunak baru).

Kembangkan algoritme, uji dalam kehidupan nyata, ukur, sesuaikan, dan tingkatkan, dan lanjutkan prosesnya. Pemeliharaan Prediktif adalah tujuan, tetapi ini lebih merupakan perjalanan daripada tujuan. Ada banyak sumber daya dan pakar yang tersedia untuk membantu, dan dengan ketekunan akan datang kesuksesan – penghematan biaya, penghapusan waktu henti yang tidak direncanakan, peningkatan keamanan, proses yang lebih efisien – dan pelanggan yang lebih bahagia di atas segalanya.

Untuk mengetahui lebih lanjut, sebaiknya baca Merealisasikan Peluang dalam Analisis Predictive Maintenance (PdM) .

Penulis blog ini adalah Ed Maguire, mitra Wawasan di Mitra Momenta

Tentang penulis:

Ed membawa lebih dari 17 tahun pengalaman Wall Street dalam penelitian ekuitas dan perbankan investasi ke Momenta, dengan keahlian domain yang mendalam dalam perangkat lunak perusahaan. Dia telah terbukti sukses mengidentifikasi peluang strategis dan mengartikulasikan wawasan yang dapat ditindaklanjuti berdasarkan analisis ketat teknologi, operasi, persaingan, dan pasar. Baru-baru ini dia adalah analis senior dan direktur pelaksana di CLSA Americas mencakup industri perangkat lunak, teknologi, dan inovasi.