Prediktif Maintenance: Pertumbuhan, Tantangan, dan Kunci Keberhasilan
Prediktif maintenance (PdM) adalah pendekatan proaktif untuk mengatasi kegagalan mesin sebelum menjadi masalah. Dengan menganalisis volume besar data mesin, PdM memungkinkan staf pemeliharaan untuk memahami kesehatan mesin dan mengoptimalkan aktivitas mereka sesuai dengan itu untuk mencegah downtime yang tidak terjadwal dan menghilangkan kegagalan tiba-tiba. Namun, meskipun manfaatnya yang jelas, sebagian besar implementasi PdM ditakdirkan untuk gagal. Dalam posting ini, kami akan melihat kemunculan PdM, dan mengapa begitu banyak vendor — dan pelanggan mereka — terus gagal melakukannya.
Prediktif maintenance - lalu dan sekarang
Prediktif maintenance telah ada lebih lama dari yang Anda kira. Selama Perang Dunia Kedua, ilmuwan CH Waddington mengamati bahwa tingkat kegagalan atau perbaikan pesawat cenderung tertinggi segera setelah sesi inspeksi atau pemeliharaan. Dikenal sebagai “efek Waddington”, fenomena ini menghasilkan penyesuaian proses pemeliharaan untuk mencocokkan kondisi fisik pesawat dan frekuensi penggunaannya, dengan siklus inspeksi yang disesuaikan berdasarkan analisis data yang dihasilkan. Singkatnya, itu adalah awal PdM.
Sebaiknya banyak telah berubah sejak itu. Revolusi Industri Keempat dan kemunculan Industry 4.0 telah melihat kemajuan teknologis yang terjadi dengan cepat sehingga mereka “mengganggu hampir setiap industri di setiap negara”. Kemajuan ini telah menyebabkan perbaikan signifikan dalam teknologi sensor, jaringan, akuisisi data, dan penyimpanan yang, bersama dengan akses ke kekuatan komputasi dan data yang melimpah yang tersedia oleh kemajuan terbaru dalam teknologi AI, telah membuat PdM semakin berlaku untuk industri yang lebih luas.
Saat ini, sama seperti hampir 80 tahun yang lalu, manfaat utama PdM tetap merupakan kapasitasnya untuk memberitakan keputusan. Profesional pemeliharaan yang bertanggung jawab atas banyak mesin di satu atau lebih lokasi adalah orang yang sangat sibuk. Dengan memberikan mereka pemahaman yang lebih baik tentang kesehatan berkelanjutan mesin mereka, solusi PdM dapat membantu mereka untuk memanfaatkan waktu dan sumber daya terbatas yang tersedia bagi mereka dengan lebih baik.
Jadi, mengingat warisannya dan keuntungan jelas yang ditawarkan, mengapa begitu sulit bagi banyak orang untuk mencapai keberhasilan dalam PdM?
Tiga Kesalahan Umum
Kenyataannya, banyak vendor telah melompat ke bandwagon PdM meskipun memiliki sedikit apresiasi terhadap apa yang pada dasarnya adalah domain yang sangat unik. Beberapa telah mencoba untuk “menggelegakan” alat pemantauan warisan, sementara yang lain telah menerapkan pendekatan data science konvensional pada ruang masalah yang jauh dari konvensional. Tanpa pemahaman yang diperlukan tentang apa itu sistem PdM, dan bagaimana cara kerjanya, banyak solusi baru tidak akan pernah sampai ke pasar. Akibatnya, sedikit bisnis yang akan mencapai keberhasilan nyata dalam skala besar.
Akhirnya, sebagian besar dari kurangnya pemahaman ini — dan keberhasilan PdM yang berikutnya — kembali pada tiga kesalahan fundamental yang vendor dan pelanggan mereka seringkali melakukan berulang kali.
- Seperti yang telah kita lihat, konsep PdM bukan hal baru. Teknik seperti pemantauan kondisi, kredit pemeliharaan, dan prognostic telah ada beberapa saat ini. Namun, kurangnya kemampuan untuk menskalakan teknik ini di luar mesin kritis berarti penerapannya sebagian besar terbatas pada mesin kritis saja.
- PdM bukan, seperti yang beberapa orang percaya, masalah Big Data di mana ada jutaan titik data dan label untuk melatih model. Lingkungan pabrik sangat dinamis dan bising, dengan berbagai variabel termasuk pemeliharaan mesin, kecepatan produksi yang berbeda, dan bahkan perilaku operator mesin yang berbeda. Dan, tentu saja, setiap mesin unik. Meskipun demikian, banyak organisasi masih akan mengambil pendekatan data science klasik untuk PdM.
- Penting untuk mengingat seberapa sibuk profesional pemeliharaan adalah. Jika pengalaman pengguna sistem PdM tidak mencerminkannya, ada risiko sistem tidak akan terlibat dengan pengguna targetnya. Semua informasi dan wawasan berharga yang dihasilkannya akan diabaikan, dan investasi organisasi dalam sistem itu sendiri akan sia-sia.
Senseye Memahami PdM
Senseye telah menghabiskan lebih dari 150 person-tahun waktu penelitian dan pengembangan secara eksklusif pada PdM. Itulah sebabnya kami memahami cara kerja PdM. Penting, kami memahami bagaimana PdM meningkatkan operasi sehari-hari insinyur pemeliharaan. Dan itulah karena pemahaman itu solusi PdM kami berhasil. Itulah sebabnya kami tahu cara menerapkannya dalam skala besar, itulah sebabnya kami tidak hanya melemparkan ilmuwan data padanya, dan itulah sebabnya pengalaman pengguna penting.
Posting kami berikutnya akan menjelaskan bagaimana kami telah menerapkan pelajaran yang telah kami pelajari ke segala sesuatu yang kami lakukan. Sampai saat itu, Anda dapat menemukan detail lebih lanjut tentang di mana PdM berasal dan mengapa vendor — dan beberapa pembeli — tidak melakukannya dengan benar dalam white paper kami “Senseye in Depth: Why is Predictive Maintenance so hard?”.
