Capai Zero-Downtime dengan Prediktif Pemeliharaan Berbasis AI
Pada pertengahan tahun 2000-an, sistem udara terkompresi di pabrik Toyota North America di Georgetown, KY, runtuh rata-rata lebih dari sekali setahun. Hal itu memunculkan pertanyaan di kalangan beberapa orang di pabrik apakah pemanfaatan machine learning dan AI dapat mengatasi masalah ini dengan menyediakan deteksi anomali, identifikasi kegagalan, dan yang terpenting, prediksi kegagalan yang akan terjadi sebelum terjadi.
Downtime tidak terencana dari sistem udara terkompresi tentu saja berarti seluruh pabrik mengalami masalah. Pabrik cat menggunakan udara terkompresi untuk menyemproti cat pada kendaraan baru. Sistem tersebut mengaktifkan alat udara, dan tidak ada yang banding dengan udara terkompresi untuk membersihkan pasir dan sisa lainnya.
Dengan kendaraan jadi keluar dari salah satu tiga garis di pabrik setiap 25 detik selama dua shift, konsekuensinya signifikan jika utilitas udara terkompresi gagal.
"Biaya, jika garis produksi berhenti, sangat besar," kata Mark Rucker, manajer proyek dan ahli subjek listrik di pabrik. "Jadi, ada insentif yang baik untuk memiliki utilitas yang baik, handal, dan stabil."
Sistem udara terkompresi bernilai jutaan dolar terdiri dari selusin kompresor sentrifugal Ingersoll Rand, masing-masing berukuran truk semi kecil. Bling akhir setiap kompresor berputar pada 20.000 rpm dengan jarak satu inci dari pernaknya. Jika bling beroperasi sedikit di luar spesifikasi dan menyentuh pernak, itu hancur. Seluruh mesin harus dibangun ulang dengan biaya sekitar $100.000.
Getaran bling bukanlah penyebab tabrakan, melainkan hasilnya.
Tabrakan—alias surge atau aliran balik—terjadi ketika sesuatu menyebabkan aliran udara normal dari kompresor ke pipa mencoba membalikkan diri dan udara di pipa mendorong kembali.
Frekuensi, biaya, dan konsekuensi tabrakan memicu Toyota untuk meminta bantuan Jay Lee, pendiri direktur Intelligent Maintenance Systems.
Jay Lee di depan kurva Industri 4.0
Pada awal milenium baru, sebelum panggilan dari Toyota, Lee adalah profesor teknik di University of Cincinnati yang mem envision semua mesin di pabrik terhubung dan menyediakan data untuk pemeliharaan cerdas. Pada waktu itu, meskipun, sebagian besar teknologi yang diperlukan untuk mewujudkan visi Lee belum ada.
"Dua puluh tahun yang lalu, sangat sedikit orang yang percaya itu mungkin," kata Lee, yang sedang cuti dari mengajar dan saat ini wakil chairman serta anggota dewan Foxconn Technology Group di Wisconsin.
Dalam visi industriannya, mesin seperti pasien dan data yang dikumpulkan dari sensor yang memantau mesin memberikan informasi tentang kesehatan mereka. Ahli menurunkan progno dengan menafsirkan data yang mereka kumpulkan dan analisis.
"Saya berkata, 'Mengapa tidak mencoba darah mesin?' Dan apa itu darah mesin?" kata Lee. "Data. Pertanyaannya adalah, 'Data apa yang Anda inginkan?' Tergantung pada apa yang ingin Anda analisis. Kami perlu memahami konteks dan konten, dan lebih lanjut merumuskan model hubungan antara tak terlihat yang tidak diketahui."
Tersembunyi di dalam data adalah arti tentang perilaku deviasi dari mesin atau proses. Membuka kunci arti tersebut menghasilkan prediksi kualitas, menentukan stabilitas mesin atau proses, dan mencegah kegagalan potensial. "Itu tepatnya tentang apa yang Industri 4.0 bahas saat ini," kata Lee.
Istilah "Industri 4.0," tentu saja, tidak dipopulerkan sampai sekitar waktu inisiatif pemerintah Jerman pada 2013.
Tidak ada tabrakan sejak 2006
Setelah di Toyota, Lee dan tim analis datanya bergabung dengan Rucker dan sekelompok pekerja pemeliharaan terampil serta insinyur pabrik untuk mengatasi masalah sistem udara terkompresi.
Kesederhanaan pertanyaan mereka menyelubungi kompleksitas tugas yang akan datang.
"Bisakah kami memprediksi masalah aliran balik sebelum menyebabkan tabrakan?" kata Rucker. "Bisakah kami melihat sesuatu yang berkembang dengan waktu untuk melakukan sesuatu tentang itu?"
Selama bertahun-tahun percobaan dan kesalahan pada 2005, tim mengumpulkan dan menganalisis data fidelitas tinggi dari salah satu kompresor dan mencari anomali. Kadang-kadang tim membuat surge atau kondisi mendekati surge sehingga mereka dapat memaksa mesin mulai menunjukkan perilaku deviasi dan melihat bagaimana itu terlihat dalam kumpulan data.
Akhirnya, kerja tim membuahkan hasil. Para anggotanya melihat prediktor terbaik dari kondisi surge yang akan terjadi terjadi pada tahap dua (dari empat tahap yang kompresor lewati yang berkembang dari tekanan normal hingga 120 pound tekanan per inci persegi, atau PSI).
"Apa fisika di belakangnya, mengapa ini adalah prediktor?" kata Rucker. "Tidak tahu, tidak peduli. Kami hanya melihat bahwa ini secara terpercaya memprediksi surge di masa depan, dan memprediksinya dengan peringatan dalam hitungan detik."
Langkah selanjutnya adalah memasang sensor diferensial pada setiap kompresor dan membuat algoritma machine learning untuk unit kontrol pusat. Tes mengonfirmasi bahwa begitu tahap dua mulai "goyang," kompresor akan mulai menurunkan beban.
Sementara proyek surge kompresor berhasil, proyek lain yang berfokus pada mencoba memprediksi umur bearing di raksasa udara terkompresi gagal. Tim tidak dapat menemukan cukup data pemeliharaan yang handal dan mencocokkannya dengan data operasional mesin untuk menarik korelasi yang berguna, kata Rucker.
"Itu mungkin campuran yang tepat dari penelitian dan pengembangan," katanya. "Anda mencoba sesuatu, dan Anda tidak tahu apakah itu akan berhasil atau tidak. Dan jika setengah waktu Anda mendapatkan uang kembali, itu adalah kemenangan. Dan sesekitori Anda menemukan satu yang membayar untuk semua yang lain—seperti kontrol surge."
Fleksibilitas adalah kunci
Selanjutnya Lee menerbitkan makalah tentang proyek Toyota dan, pada 2013, membantu mendirikan Predictronics dengan Patrick Brown, karyawan di Intelligent Maintenance Systems, dan dua mahasiswanya, David Siegel dan Edzel Lapira. Brown, Lapira dan Siegel membentuk suite C Predictronics.
Seperti Rucker dari Toyota yang memanggil Lee untuk bantuan AI, perusahaan datang ke Predictronics untuk bantuan dengan aspirasi zero-downtime mereka.
"Pelanggan berbeda biasanya berada pada tingkat kematangan yang berbeda," kata Lapira, yang adalah CEO. "Kami memiliki beberapa pelanggan yang sudah memiliki struktur pengumpulan data: Mereka memiliki data lake tetapi tidak tahu harus melakukan apa dengan data. Kami juga memiliki beberapa pelanggan yang harus memulai dari nol."
Pelanggan dengan aset berusia 50 atau 60 tahun harus memulai pada tahap yang lebih awal.
Seringkali, Predictronics dihubungi oleh pelanggan dengan mesin legacy. Lapira dan rekan-rekannya mengirim mereka membeli komponen seperti accelerometer dan transducer.
"Ini adalah berbagai konverter analog-ke-digital yang kami butuhkan untuk mengeluarkan data tersebut," katanya.
Sejak berdiri pada 2013, Predictronics telah membantu lebih dari 70 pabrik dengan solusi AI, banyak di antaranya perusahaan Fortune 500.
Predictronics bekerja dengan salah satu pelanggan, produsen semiconductor, untuk mendirikan solusi prediksi metrologi virtual yang dapat mempelajari hubungan antara variabel sensor dan pengukuran.
Proyek tersebut menantang karena ratusan sinyal yang diukur yang dihasilkan oleh peralatan semiconductor.
Namun, ada metode statistik yang dikenal untuk menyederhanakan jumlah kemungkinan, kata Siegel.
"Selain metode tersebut, selama beberapa tahun terakhir, lebih banyak dari komunitas machine learning yang mengembangkan metode yang mengintegrasikan algoritma regresi klasifikasi yang memiliki bagian pemilihan variabel bawaan," katanya. "Itu menyederhanakannya ke 10, atau 20 atau 30 variabel teratas. Kemudian Anda bekerja dengan pelanggan atau menggunakan pengetahuan Anda sendiri untuk menentukan apa yang paling masuk akal untuk dimasukkan ke dalam perangkat lunak dan model analisis."
Baik Predictronics menerapkan pengetahuan yang diperoleh dari pengalaman sebelumnya dalam pendekatan berbasis templat mereka, yang membantu menjaga biaya tetap rendah, atau solusi yang diformulasikan di satu bagian perusahaan yang kemudian dapat diskalakan secara internal, "menemukan solusi yang langsung menjawab masalah yang paling kritis tetapi juga cukup fleksibel untuk diterapkan pada masalah lain adalah kunci," kata Brown.
Due diligence AI
Pabrik yang sedang mencari penyedia solusi AI seperti yang Toyota lakukan untuk masalah udara terkompresi mereka harus melakukan due diligence untuk menemukan yang paling tepat.
Membantu untuk mengetahui pertanyaan yang benar untuk ditanyakan, kata para ahli di Predictronics:
Di mana layanan Anda telah digunakan sebelumnya?
Apakah solusi Anda telah menunjukkan peningkatan yang jelas pada operasi bisnis dalam hal penurunan downtime atau peningkatan kualitas?
Apakah solusi Anda telah digunakan di industri saya?
Apakah tim Anda memiliki pengetahuan domain industri?
Apakah solusi Anda bekerja dengan peralatan legacy?
Apakah solusi Anda bekerja dengan berbagai macam sensor?
Apakah solusi Anda menggunakan machine learning?
Berapa banyak data yang diperlukan untuk melatih model?
Apakah itu hanya memerlukan data dari mesin yang sehat atau juga data dari mesin yang rusak atau cacat untuk belajar?
Robot Juga Ingin AI
Sementara mesin perkakas di bengkel berkinerja lebih baik di bawah pengaruh AI, tidak ada alasan mengapa robot tidak dapat melakukan hal yang sama.
Fanuc America baru-baru ini menambahkan "AI Error Proofing" ke kontrol robotnya dan fungsi visi robot, iRVision, yang menggunakan machine learning (ML) untuk inspeksi bagian.
Dengan kemampuan error-proofing, operator menggunakan gambar untuk melatih ML untuk memeriksa dua situasi yang berbeda—misalnya apakah baut yang dipasang ada atau tidak—dan menerima atau menolak bagian.
Karena iRVision dapat mendukung hingga 27 kamera, fungsi error-proofing dapat bertindak di sebanyak banyak titik dalam proses manufaktur.
"Anda ingin mengidentifikasi penolakan atau kesalahan sebelum Anda terus menambahkan nilai pada bagian yang buruk," kata Josh Person, staf insinyur di grup visi mesin Fanuc.
"Seringkali, Anda dapat melihat kesalahan pada satu tahap dan tahap berikutnya akan menutupinya," katanya.
Selama setup, operator dapat menunjukkan beberapa contoh pekerjaan dan mengklasifikasikannya menjadi dua kategori—baik dan buruk. Jika contoh tidak termasuk ke salah satu kelas, itu akan mengeluarkan "undetermined." Contoh yang tidak dapat ditentukan kemudian dapat ditambahkan untuk meningkatkan model yang telah dipelajari.
