Meningkatkan Ketersediaan Aset dengan Machine Learning Canggih – Sukses Industri Terbukti
Machine learning (ML) telah berkembang dari alat niche untuk perusahaan besar menjadi solusi pemantauan aset yang siap diterapkan. Hari ini, uji coba jangka pendek dan platform cloud memungkinkan produsen untuk mengintegrasikan ML tanpa biaya awal berat dari satu dekade yang lalu.
Machine Learning untuk Meningkatkan Ketersediaan Peralatan Manufaktur
Model ML mengidentifikasi penunjuk kegagalan pada tahap paling awal, mencerminkan logika kurva PF klasik: semakin cepat kesalahan terdeteksi, semakin sedikit waktu henti dan pemeliharaan yang ditimbulkan. Proses dimulai dengan model aset komprehensif yang menangkap semua parameter proses dan peralatan yang relevan—biasanya 10–30 variabel, terkadang mendekati 100. Misalnya, model pompa mungkin mencakup tekanan hisap, tekanan ujung, posisi klep, suhu bearing, dan getaran.
Data historis, biasanya satu tahun penuh untuk menangkap variasi musiman, membentuk dataset pelatihan. Seorang engineer yang berwenang menandai periode operasi “baik” untuk dimasukkan, dan operasi “buruk” untuk dikecualikan, memastikan model belajar dari data yang akurat dan berkualitas tinggi. Model yang telah dilatih menghasilkan matriks operasi yang mendefinisikan rentang parameter yang diharapkan untuk setiap kondisi operasi.
Setelah diterapkan, matriks secara kontinu memantau data waktu nyata. Jika parameter menyimpang melebihi ambang yang ditetapkan, sistem memicu peringatan. Peringatan tersebut ditriage sebagai: 1) valid—sumber daya pabrik menangani masalah; 2) tidak konklusif—lanjutkan pemantauan dan kumpulkan lebih banyak data; 3) false positive—latih ulang model dengan data yang diperbarui.
Mengelola model-model ini memerlukan keahlian khusus. Sumber daya penuh waktu biasanya mengalokasikan 40% waktu untuk pemeliharaan model, 40% untuk resolusi insiden dengan tim pabrik, dan 20% untuk evaluasi return on investment dari program ML.
Hasil Machine Learning
Aplikasi ML mengungkap pergeseran halus yang tidak terlihat oleh operator manusia. Berikut adalah contoh nyata yang menggambarkan bagaimana peringatan dini mencegah waktu henti yang mahal.
Figure 1. Peningkatan getaran bearing kipas
Dalam kasus ini, kenaikan getaran bearing mengindikasikan kebocoran oli tersembunyi. Pemeriksaan segera mengidentifikasi kebocoran di sambungan cap bearing, memungkinkan tindakan korektif sebelum kerusakan bearing terjadi.
Figure 2. Kesegaran hidrogen generator
Penurunan bertahap selama sebulan dalam kesegaran hidrogen terdeteksi dini, memberi kru waktu untuk menangani masalah tanpa shutdown.
Figure 3. Saringan pompa EHC
Kenaikan tekanan diferensial di saringan pompa EHC memicu penukaran pompa, mencegah potensi trip turbine.
Figure 4. Suhu oli pulverizer
Kenaikan suhu pada sistem pelumasan mengarah pada penggantian klep pendingin air yang gagal, mengembalikan operasi normal.
Contoh tambahan dari platform ML kedua menunjukkan akurasi prediktif yang konsisten di seluruh jenis peralatan yang beragam. Dalam setiap kasus, perangkat lunak mengidentifikasi penyimpangan, menghasilkan peringatan, dan memfasilitasi respons pabrik yang tepat waktu, mengonfirmasi nilai tinggi dari komunikasi setelah deteksi.
Figure 5. Aliran sprey tekanan tinggi
Ketika aliran sprey menyimpang dari model pada 1.000 lb/hr, peringatan memungkinkan operator untuk menyelidiki dan memperbaiki masalah sebelum alarm terjadi.
Figure 6. Getaran turbin combustor
Selama startup, sensor getaran yang longgar memicu alarm dalam satu skenario, mengilustrasikan bagaimana perubahan mekanik kecil dapat ditandai dengan cepat.
Figure 7. Tekanan drum HRSG
Dalam skenario startup lain, penurunan tekanan mengarah pada alarm. Pabrik mengambil unit offline untuk perbaikan klep, setelahnya model dan nilai aktual kembali selaras.
Aplikasi Masa Depan Machine Learning
Kami mengantisipasi ML menjadi komponen standar dari Distributed Control Systems (DCS). DCS akan menghasilkan prediksi parameter, membandingkannya dengan data aktual, dan memberikan peringatan yang dapat ditindaklanjuti kepada operator. Seiring sistem belajar tindakan korektif, keterlibatan operator akan berkurang, menuju pabrik self-optimizing—visi yang sudah terwujud dalam kendaraan otonom seperti autopilot Tesla.
Menerapkan ML di lingkungan industri saat ini memerlukan keterampilan khusus, namun ambang masuk yang lebih rendah dan biaya yang menurun mendorong adopsi yang lebih luas. Dalam beberapa tahun mendatang, solusi ML tingkat konsumen mungkin memasuki lantai pabrik, memperdemokrasikan analitik canggih lebih lanjut.
