TIBCO Menjelajahi Inovasi Manufaktur dalam Ekonomi Anomali
Cara kita menggunakan data untuk memantau dan mengontrol sistem manufaktur telah berubah. TIBCO’s director of digitalisation strategy Alessandro Chimera mengenakan overalls elektroniknya dan mengisi ulang pelumas digitalnya untuk menjelaskan bentuk ekonomi anomali yang mengelola kinerja operasional dan membahas segala sesuatu dari digital twin hingga AI, otomatisasi hingga pengawasan manusia.
Beberapa bagian dari industri manufaktur masih ada seperti saat awal tahun 1900-an. Kami masih memerlukan minyak, roda gigi dan mesin gerinda bersama dengan baju kerja dan istirahat teh. Dasar-dasar itu mungkin akan meluas jauh ke masa depan otomatis otonom karena manusia akan selalu memainkan peran dalam narasi dasar yang luas yang mengoperasikan fasilitas manufaktur apa pun.
Tetapi, tentu saja, kami tahu bahwa manufaktur telah berubah. Seperti yang kita lihat selama revolusi industri pertama, kedua dan sekarang ketiga, kami telah melihat percepatan berasap uap, mekanisasi dan sekarang otomatisasi yang diusulkan oleh IT yang diterapkan pada operasi manufaktur dengan cara yang pendahulu kami tidak pernah membayangkan mungkin.
Saat kita memasuki fasilitas manufaktur yang dikendalikan dengan sangat pada hari esat dengan digital twin dan data sekarang bergabung dengan mesin fisik dan pekerja manusia kita, kita harus bertanya bagaimana kita akan mendekati deteksi anomali. Cukup mudah untuk melihat penurunan atau lonjakan pada grafik yang melaporkan pengukuran signifikan, tetapi apa yang kita lakukan ketika ada degradasi kualitas atau kinerja yang lambat yang terjadi selama sebulan, atau mungkin lebih lama?
Pengawasan manusia yang buta
Fasilitas manufaktur modern sekarang beroperasi pada skala massal yang melebihi kemampuan satu orang (atau bahkan kelompok) untuk berada di setiap titik di lantai pabrik sekaligus. Dalam lingkungan ini, kita tidak dapat mempercayai observasi manusia untuk memberikan gambaran lengkap yang kita butuhkan. Di fasilitas modern hari ini, jarang hanya ada satu variabel untuk dilacak, lebih mungkin ratusan atau ribuan variabel.
Jika anomali produksi ‘merayap’ ke dalam operasi kita perlahan, itu mungkin tidak terlihat sampai terlambat dan kita tidak dapat melakukan apa-apa tentang itu. Kita perlu berbicara tentang cara kerja baru.
Jarum dalam tumpukan data manufaktur
Kami tahu bahwa dataset industri sangat besar dan sangat kompleks. Deteksi dan prediksi anomali oleh karena itu lebih sulit daripada mencari jarum dalam tumpukan jerami karena kita sering tidak tahu apa yang dicari. Namun, mendeteksi anomali berarti penghematan, yang berarti pengemasan produksi yang lebih tinggi, baik segera maupun di masa depan.
Banyak produsen tahu bahwa mereka memiliki dataset yang besar, tetapi terlalu sering toko data tersebut terisolasi dan terpencar di berbagai sistem. Dispersi dan divergensi data ini membuatnya sulit untuk memahami kapan anomali terkait dengan banyak sistem data, atau terkait dengan fase produksi fisik yang berbeda. Memang, terkadang perlu untuk mengambil data dari produk yang sudah ada di pasar yang telah menunjukkan masalah operasional atau fungsional. Bagaimanapun, langkah pertama adalah menyatukan semua sumber data Anda.
Kini kita bekerja di dunia di mana analitik menjadi bagian fundamental dari pabrik modern; tren yang ditekankan oleh pengembangan digital twin, di mana kita perlu menerapkan analitik yang akurat, cepat dan cerdas untuk mendapatkan wawasan prediktif yang dapat disediakan oleh mesin virtual ini.
Setelah data tersedia dan dapat diakses, advanced analytics ada untuk mulai menganalisis apa yang harus dicari. Teknik ilmu data modern membantu kita menemukan anomali tersembunyi yang tidak segera dipahami karena jumlah parameter yang besar yang dapat mempengaruhi kualitas produk.
Machine learning dan AI menelusuri anomali
Ini membawa kita ke hari ini. Kami sekarang berada pada titik di mana machine learning (ML) dan kecerdasan buatan (AI) mulai masuk ke dalam proses produksi juga.
Beberapa produsen awalnya menggunakan ML untuk mendapatkan pemahaman tentang inisiatif pemasaran mereka, segmen pelanggan dan memicu tindakan tertentu. Namun dalam beberapa tahun terakhir, produsen yang lebih progresif dan canggih telah mulai memahami manfaat dari penggunaan teknik ML dan AI untuk mendeteksi anomali.
Contohnya adalah penggunaan autoencoders untuk belajar dari data. Sebuah autoencoder adalah teknik kecerdasan buatan jaringan saraf yang digunakan dalam ML. Digunakan untuk coding dan feature-learning dari dataset yang tidak diberi label dalam apa yang biasanya kita sebut pembelajaran tanpa pengawasan.
Masa depan manufaktur yang efisien dan real-time kami
Dengan menerapkan model statistik yang telah dilatih ke data real-time, memungkinkan untuk memprediksi kapan anomali akan terjadi. Ini mendorong kita ke titik baru dari operasi yang efisien. Semuanya membawa kita ke titik di mana kita sekarang dapat beralih dari bereaksi terhadap anomali, ke memprediksi anomali dengan manfaat mencapai pengurangan biaya operasional yang substansial. Kami mengurangi biaya sebagai hasil langsung dari penurunan tingkat cacat dan sisa serta pencegahan waktu henti peralatan yang tidak terjadwal.
Hemlock Semiconductor (HSC) adalah salah satu produsen terkemuka yang menggunakan kontrol proses, predictive maintenance dan solusi deteksi anomali untuk menyederhanakan dan mengontrol manufaktur semikonduktor mereka.
Dengan memperkenalkan peringatan hampir real-time untuk setiap proses produksi individual, karyawan kini dapat secara otomatis membandingkan parameter kunci terhadap ambang batas yang ditentukan, aturan statistik dan pola optimal yang ditemukan melalui metode ML dan AI. HSC menerima peringatan yang dihasilkan secara otomatis segera sebuah proses jatuh di luar band parameter yang dapat diterima, memberitahu personil manufaktur bahwa sesuatu yang memerlukan perhatian mereka. Personil kemudian dapat dengan mudah mengakses data untuk melihat secara tepat variabel mana yang mungkin menyebabkan masalah. Setelah hubungan sebab-akibat ini diidentifikasi, tim mengambil tindakan untuk mencegah cacat proses terjadi lagi.
Semua kemajuan ini pada akhirnya membawa kita ke masa depan kita dan masa depan planet kita. Seiring penggunaan digital twin meluas seiring dengan aplikasi analitik data dan ML, setiap produsen menjadi pabrik berbasis data, berfokus pada deteksi anomali yang semakin tepat. Pada titik ini, produsen dapat bekerja lebih tajam dengan konsumsi energi yang dioptimalkan untuk kebaikan kita semua.
Produktivitas pabrik akan selalu menjadi prioritas utama dan karena masa depan pasti berbasis data, ini adalah jalur yang harus kita ambil secara logis. Akibatnya, kita akan dapat membawa produk ke pasar yang tidak hanya memberikan performa yang lebih baik, tetapi juga bekerja lebih baik dan bertahan lebih lama. Dampak apa yang akan ditimbulkan pada pasar barang boros murah – di mana kualitas diatur untuk ‘kadaluarsa’ setelah periode tertentu – adalah pertanyaan lain untuk hari lain.
Cara kita memproduksi barang dan layanan terkait kini dapat ditingkatkan melalui deteksi anomali dan mesin terkait yang mendapatkan kekuatannya dari analitik data dan kecerdasan. Jika itu bukan alasan untuk melepas baju kerja dan duduk untuk istirahat teh, maka tidak ada yang bisa.
