Keberhasilan Prediktif Maintenance: Memberdayakan Pengguna Lebih dari Algoritma

Insinyur pemeliharaan yang berpengalaman memiliki gambaran mental yang detail tentang mesin yang mereka rawat. Mereka tahu kapan katup yang bergetar berarti kerusakan akan segera terjadi atau kapan aman untuk mengabaikannya hingga shutdown terjadwal berikutnya. Jika sistem prediktif maintenance otomatis dapat menembusi kumpulan pengetahuan ini, sistem dapat belajar untuk memberikan dukungan terbaik bagi pengguna yang harus memutuskan aktivitas pemeliharaan mana yang harus diprioritaskan.

Dalam pendekatan prediktif maintenance yang berpusat pada pengguna, tim pemeliharaan diberi peringatan hanya ketika sistem berpikir mereka akan menemukan informasi tersebut berguna, berdasarkan apa yang mereka temukan membantu di masa lalu.

Ini sedikit seperti saat penyedia konten digital seperti Netflix atau Amazon secara rutin menyimpan informasi tentang apa yang dipilih setiap pengguna untuk ditonton. Mereka dapat menggunakan itu untuk mendorong ‘recommendation engine’ yang menyempurnakan film yang ditampilkan kepada setiap pengguna secara berkelanjutan sebagai respons atas umpan balik mereka.

Ini adalah pendekatan yang kami lakukan di Senseye untuk memodelkan dan memahami perilaku pengguna selain apa yang terjadi dengan aset yang mereka pantau, untuk membantu mengarahkan perhatian mereka di tempat yang paling dibutuhkan.

Figure 1: Lingkungan yang kaya akan konteks dan data pemantauan kondisi berkualitas tinggi memungkinkan aset untuk dipantau dengan sempurna - seperti pendekatan Digital Twin. Sebagian besar lingkungan pabrik low-context dan sehingga model minat pengguna dapat meningkatkan efektivitas software prediktif maintenance 

Kekuatan (dan Keterbatasan) Prediksi

Setiap inisiatif prediktif maintenance — dari menggunakan batang besi yang ditekan ke mesin yang bergetar untuk memahami apakah gearbox perlu servis sebelum interval pemeliharaan terjadwal berikutnya hingga sistem pemantauan software otomatis yang canggih — bertujuan untuk membantu operator mengidentifikasi saat masalah sedang berkembang. Tujuan utamanya adalah menandai masalah cukup awal untuk mencegah kerusakan yang akan mengakibatkan downtime yang tidak terjadwal dan mahal. Seringkali ada manfaat lain juga, terkait dengan produktivitas dan perencanaan pemeliharaan yang ditingkatkan.

Konsep ‘digital twin’ sangat populer saat ini — namun pemasaran yang seringkali bingung dari pendekatan pemodelan matematika ini jarang menyebutkan pengguna yang dimaksudkan untuk berinteraksi dengan ‘kembar’ ini dan apa artinya bagi mereka. ‘Digital twin’ dari setiap aset juga membutuhkan pengguna untuk nyaman bekerja dalam lingkungan digital yang kompleks. Namun ada pendekatan lain yang sangat berfokus pada kebutuhan pengguna.

Banyak kegagalan meninggalkan sinyal atau ‘sidik jari’ yang berbeda dalam data mesin dan software prediktif maintenance terdepan di saat ini dapat belajar untuk mendeteksinya dengan menerima berbagai macam input — dari data pemantauan kondisi khusus hingga data pabrik yang lebih umum. Sistem ini dapat memahami pola atau sinyal karakteristik mana yang menunjukkan mungkin ada masalah. Dalam beberapa kasus dan dengan data yang cukup, mereka bahkan dapat menghitung umur manfaat tersisa (RUL) dari setiap aset — teknik yang dikenal sebagai prognostic.

Sebagian besar sistem prediktif maintenance ini bekerja dengan data yang terbatas dari lantai pabrik, memicu alarm ketika ambang batas yang ditetapkan dilanggar. Misalnya, mereka mungkin memberi tahu pengguna saat sesuatu menjadi panas atau bergetar, tetapi mereka kemungkinan tidak memiliki cukup informasi untuk membuat diagnosis yang detail.

Dalam kata lain, sistem dapat ‘menasihati’ dengan memicu alarm, tetapi hanya pengguna yang memiliki pengalaman dan pengetahuan ahli untuk memutuskan kapan bertindak. Pentingnya lagi, situasi menjadi jauh lebih sulit dikelola di lingkungan di mana banyak mesin dipantau sekaligus, karena pengguna dengan mudah dapat terganggu. Tantangan dengan prediktif maintenance bukan ‘apakah Anda dapat menemukan masalah dalam data’ tetapi ‘apakah Anda dapat menemukan apa yang menarik bagi pengguna?’

Siapa yang Peduli tentang Pengguna?

Kami merasa penting bahwa saat kami mengeluarkan peringatan, pengguna dapat menunjukkan dengan sentuhan tombol apakah peringatan tersebut berguna atau tidak. Seiring waktu, ini mengajarkan sistem untuk mengarahkan perhatian operator terhadap prioritas pemeliharaan yang paling mendesak. Ini dilakukan secara otomatis, jadi operator tidak perlu keahlian dalam analitik data.

Dalam kata lain, pendekatan Senseye yang berpusat pada pengguna terhadap analitik data mengarahkan perhatian dengan memodelkan respons pengguna. Loop umpan balik ini antara solusi Senseye dan pengguna berarti jumlah peringatan secara bertahap menurun hingga mencapai tingkat stabil di mana hampir semuanya yang diarahkan pengguna untuk dilihat adalah membantu.

Hasil Teruji dari Analitik Lanjutan — untuk Mesin dan Pemelihara

Analitik data tentang mencari pola dalam sejumlah besar data pabrik yang masuk. Misalnya, algoritma proprietary, atau pattern engine, di balik Senseye PdM dirancang untuk mendeteksi perilaku karakteristik yang mendahului potensi kerusakan dan memicu peringatan menggunakan Attention Index proprietary kami. Beberapa jenis pola dapat memicu peringatan Attention Index: anomali adalah periode data yang tidak stabil, tren adalah pergeseran gradual dari baseline, dan pelanggaran melebihi ambang atau aturan yang dapat ditentukan oleh pengguna.

Namun semua analisis data cerdas ini tidak berarti apa pun kecuali memberikan manfaat bisnis yang nyata bagi pengguna. Untungnya, Senseye PdM memiliki track record yang kuat dalam memenuhi janji produktivitasnya di berbagai industri. Pelanggan yang ada biasanya menikmati pengurangan downtime sebesar 50%, peningkatan produktivitas sebesar 55%, dan peningkatan akurasi pemeliharaan sebesar 85%.

Yang lebih baik lagi, Senseye PdM juga didukung oleh jaminan ROI Lock® Senseye: Jika penerapan Senseye PdM gagal mengurangi downtime yang tidak terjadwal sebagaimana disepakati sebelumnya, pelanggan dapat mengklaim pengembalian biaya langganan penuh mereka.

Jika Anda ingin mempelajari lebih lanjut tentang bagaimana kami memodelkan pengguna pemeliharaan serta aset yang mereka pantau, kami telah menyusun white paper detail tentang bagaimana Senseye PdM dapat membantu mengarahkan upaya pemeliharaan Anda ke tempat yang akan memberikan manfaat paling besar. Unduh white paper detail di bawah ini untuk informasi lebih lanjut atau hubungi untuk melihat demo dan mulai sekarang!