Memanfaatkan Pembelajaran Mesin untuk Pemantauan Kondisi Tingkat Lanjut

Kami banyak mendengar tentang apa yang terjadi di ruang pemantauan kondisi terkait Industrial Internet of Things (IIoT) dan strategi transformasi digital lainnya. Hasil yang dijanjikan dari pemanfaatan pembelajaran mesin (ML) dan kecerdasan buatan (AI) sebagai bentuk pemantauan kondisi telah mendorong banyak organisasi di berbagai industri untuk menerapkan ilmu data bagi mereka.

Dengan cara ini, mereka berharap dapat meningkatkan efektivitas upaya pemeliharaan dan menjamin keberlangsungan kesehatan aset-aset penting mereka. Seperti halnya manusia, komputer dapat belajar dari pengalaman masa lalu untuk membuat prediksi yang tepat tentang potensi hasil di masa depan.

Namun apakah pemantauan kondisi sesederhana itu?

Jawabannya adalah tidak. 

Bayangkan memberi tahu organisasi Anda bahwa Anda dapat mengidentifikasi mode kegagalan tertentu jika mereka membiarkan mesin gagal setidaknya tiga kali, sehingga Anda dapat belajar dari data dan mengidentifikasi pola untuk mode kegagalan spesifik tersebut. Hal ini mungkin akan menyebabkan Anda digiring keluar dari lokasi dan teknologi Anda diejek. Oleh karena itu, masalah dengan pembelajaran mesin.

Pembelajaran Mesin

Teknologi data kecerdasan buatan yang meningkatkan kemampuan program perangkat lunak data untuk memprediksi hasil di masa depan, seperti kegagalan aset yang akan terjadi, dengan sedikit interaksi manusia di luar fase penyiapan awal.
Sumber:Pabrik Andal

Ada yang berpendapat bahwa kami tidak ingin melatih model untuk mengenali tingkat mode kegagalan individual dan kami hanya perlu diberi tahu ketika aset tertentu menyajikan data yang menyimpang dari standar yang ditetapkan. Pembelajaran mesin dapat melakukan pekerjaan luar biasa dalam hal ini. Namun, begitu juga dengan data tren, yang telah digunakan selama beberapa dekade dan tidak memerlukan investasi modal tambahan.

Nilai Pembelajaran Mesin dalam Pemantauan Kondisi

Jadi, apa manfaat sebenarnya dari pembuatan model pembelajaran mesin ini?

Tidak banyak, jika kita mengakhiri ceritanya di sini. Namun kami memiliki banyak sekali data yang tersedia untuk membantu dan mendukung kami; dengan cara ini, kita dapat melatih model pembelajaran mesin untuk memahami seperti apa kondisi yang dapat diterima dibandingkan dengan kondisi yang tidak dapat diterima.

Kami juga dapat menerapkan multi-teknologi dan memproses data pada strategi ini, dan dengan melakukan hal tersebut, kami dapat secara akurat mengidentifikasi bagian data atau sensor spesifik mana yang menghasilkan outlier. Hal ini kemudian dapat menjadi fokus sasaran tim analisis.

Namun apa manfaatnya melakukan hal ini?

Data historis menunjukkan bahwa sebagian besar fasilitas memiliki sekitar 80% asetnya dalam kondisi baik, yang berarti sekitar 20% asetnya memiliki cacat yang dapat diidentifikasi. Dengan memanfaatkan proses ini, kami dapat secara efektif menghilangkan hampir 80% waktu peninjauan data yang diperlukan oleh para analis.

Hal ini membebaskan jadwal mereka dan memungkinkan mereka untuk fokus pada data tingkat tinggi dan masalah yang lebih kompleks yang memerlukan kombinasi peralatan, proses, dan pengetahuan domain untuk menyelesaikannya. Dengan melakukan hal ini, mereka dapat meningkatkan persentase peralatan yang sehat dan mengurangi jumlah cacat yang dapat diidentifikasi.

Pembelajaran Mesin untuk Analisis

Kebanyakan insinyur dan analis tidak suka membolak-balik kumpulan data dengan harapan menemukan masalah. Dalam kebanyakan kasus, kegembiraan mereka yang sebenarnya datang dari mencari tahu penyebab masalahnya. Pembelajaran mesin dapat dimanfaatkan untuk memaksimalkan waktu analis, sehingga memungkinkan upaya pemeliharaan dan respons keandalan yang lebih besar serta memungkinkan perluasan program dengan menambahkan aset atau teknologi tambahan.

Tahukah Anda?

"Algoritme pembelajaran mesin dapat memprediksi kegagalan peralatan dengan akurasi 92%, sehingga meningkatkan keandalan aset dan kualitas produk."
Sumber:Konvergensi IT

Seperti disebutkan sebelumnya, algoritma dapat dihasilkan untuk mengidentifikasi anomali hingga tingkat mode kegagalan, namun algoritma tersebut harus disertai dengan pengetahuan domain yang kuat yang mencakup beberapa disiplin ilmu, seperti yang memprioritaskan peralatan mekanik, listrik, dan stasioner. Pakar di bidangnya harus memiliki pemahaman mendasar tentang peralatan dan perangkat pengukuran.

Proses ini bukan untuk orang yang lemah hati, dan meskipun memerlukan kolaborasi antara software engineer, ilmuwan data, dan pakar domain pemantauan kondisi untuk membangun model yang tepat ini, manfaatnya sangat besar.

Manfaat menghasilkan algoritma antara lain:

• Mengurangi waktu henti dengan memperluas model cakupan pemeliharaan berdasarkan kondisi.
• Mengurangi pengeluaran dengan menurunkan biaya per aset yang dipantau. 
• Mengurangi pengeluaran dengan menghilangkan PM berbasis waktu.
• Peningkatan produktivitas.
• Meningkatkan produktivitas karyawan.
• Peningkatan keandalan peralatan.
• Deteksi dini kesalahan dan kegagalan dengan menyempurnakan model dan ambang batas lokal.
• Peningkatan kualitas hidup seluruh pemangku kepentingan.

Saat kita mempertimbangkan analisis minyak, misalnya, algoritme harus berisi informasi dan pengetahuan tentang masing-masing komponen, bagian, dan metadata suatu aset.

Selain itu, pemetaan material sumber ke rangkaian pengujian tertentu adalah suatu keharusan, dan pengetahuan tentang nilai ambang batas yang tepat sangat penting untuk menciptakan model pembelajaran mesin yang tepat untuk analisis pelumasan.

Demikian pula, dalam analisis getaran, menentukan wilayah yang diinginkan dan menemukan pola dalam bentuk gelombang dan Fast Fourier Transform (FFT) hanyalah titik awal bagi tim Anda. Pengetahuan tingkat dasar ini mencakup pemahaman metadata dan penghitungan uniknya, yang terkait dengan mode kegagalan tertentu dan alasan kegagalan.

Tim Anda juga harus memiliki pengetahuan dan pemahaman mendasar tentang:

• Mode kegagalan yang melekat.
• Data apa yang dapat mengidentifikasi mode kegagalan bawaan.
• Sensor mana yang paling mumpuni dan tepat untuk digunakan.
• Dimana mode kegagalan diidentifikasi dalam data.

Hal ini sering kali hilang di sebagian besar, jika tidak semua, penawaran siap pakai yang tersedia saat ini. Ketika Anda menghilangkan pengetahuan mendasar ini dan hanya mengandalkan regresi linier sederhana, jumlah pembacaan yang tidak akurat, yang mencakup positif palsu dan negatif, akan bertambah pesat. Hal ini hanya akan memberikan reputasi buruk pada teknologi machine learning.

Kesimpulan

Meskipun peran analis pemantauan kondisi akan terus berkembang seiring berjalannya waktu, hal ini harus dilihat sebagai transisi yang positif; keterlibatan mereka dalam membuat dan memelihara aplikasi pembelajaran mesin ini, serta upaya mereka untuk terus memperbarui model, akan sangat berharga bagi organisasi.

Upaya pembuatan dan pemeliharaan database ini akan menjadi inti dari setiap program pemantauan kondisi, dan akurasi setiap pembelajaran mesin dan algoritma kecerdasan buatan akan bergantung pada keterampilan, keuletan, dan pengetahuan analis.