Buka Nilai Bisnis Nyata dengan Data Science untuk Pemeliharaan Aset Industri

Mencegah kerusakan dengan memprediksi kondisi dan kebutuhan pemeliharaan aset industri adalah tantangan besar. Dunia data science penuh dengan model yang kesulitan memberikan hasil di lingkungan dunia nyata. Jadi, pendekatan terbaik apa?

Teori dan Praktik

Dalam teori, teori dan praktik sama. Dalam praktik, mereka tidak. Tidak ada tempat yang lebih benar ini daripada saat mencoba menerjemahkan model aset industri menjadi wawasan yang dapat ditindaklanjuti yang memberikan perbaikan di lantai pabrik. Karya akademis tentang data science mungkin mencakup analisis yang menunjukkan bagaimana algoritma tertentu dapat melebihi yang lain dengan beberapa poin persen, tetapi di lingkungan pabrik, menembus sinis bising untuk menemukan pola apa pun dapat menjadi tantangan.

Namun ini hanyalah tantangan besar pertama yang harus diatasi oleh pengembang model DIY jika mereka berharap upaya mereka akan memungkinkan Predictive Maintenance atau hasil bisnis lainnya. Mereka yang berhasil mengembangkan model yang andal yang dapat bekerja dalam kondisi dunia nyata segera menghadapi masalah besar berikutnya: model yang berguna harus di-deploy, bukan hanya dikembangkan.

Deployment secara alami berarti menjalankan model dalam skala besar. Tetapi itu juga berarti menyediakan antarmuka yang menyajikan hasil dengan cara yang ramah dan memuaskan pengguna dengan memungkinkan berbagai grup untuk memprioritaskan peringatan, mengumpulkan umpan balik, dan seterusnya. Jika Anda memiliki 20.000 robot yang bekerja di pabrik besar, bahkan deploying antarmuka pengguna untuk menampilkan grafik interaktif untuk semuanya tidaklah sederhana. Faktanya, pengembang model DIY biasanya menemukan bahwa apa yang mereka coba lakukan adalah mengembangkan aplikasi mereka sendiri. Ini dapat sangat memakan banyak sumber daya dan mahal.

Tanyakan kepada Ahli

Karena alasan itu hampir selalu lebih baik untuk bekerjasama dengan penyedia spesialis, lengkap dengan keahlian data science sendiri dan dukungan deployment yang diperlukan untuk memastikan pengguna lantai pabrik dapat dengan mudah mengakses informasi yang mereka butuhkan. Perusahaan mungkin berpikir bahwa model kustom mereka sendiri dapat berkinerja lebih baik daripada algoritma generik yang dihasilkan oleh pemasok. Namun, perbedaan apa pun seringkali marginal dan dapat jauh ditimpa oleh aspek negatif dari melakukan itu sendiri.

Sebagai contoh, model yang digunakan dalam solusi Predictive Maintenance Senseye, Senseye PdM, seringkali setara dengan model kustom dan dapat berkinerja bahkan lebih baik. Algoritma pembelajaran mesin uniknya mengubah data menjadi prediksi yang akurat dari Remaining Useful Life (RUL) aset manufaktur – teknik yang dikenal sebagai prognostics.

Salah satu alasan mengapa Senseye PdM rutin melampaui harapan adalah algoritma memperlakukan setiap mesin sebagai unik – bahkan jika mereka merek dan model yang sama. Mesin yang awalnya sama akan berperilaku dan aus berbeda seiring waktu karena mereka berada di lingkungan yang berbeda atau karena pekerjaan yang dilakukan. Mempelajari setiap aset sebagai individu dengan ‘sidik jari perilaku’ yang unik meningkatkan akurasi prognostics Senseye PdM secara signifikan dan lebih mendukung tim yang bertanggung jawab atas aset produksi untuk memaksimalkan uptime.

Selain memberikan performa teruji dari algoritma terpercaya, bekerjasama dengan Senseye menghilangkan semua sakit kepala yang menyertai performa yang andal, penskalaan, deployment, usability, dan keamanan.

Jika pengguna potensial sudah mengembangkan model kustom dan ingin menggunakannya, Senseye dapat mengintegrasikannya ke dalam sistem melalui API. Bahkan jika model kustom itu sendiri tidak diintegrasikan ke dalam Senseye PdM, solusi masih dapat menerima hasil dari model kustom sebagai input yang berguna.

Namun, masih lebih umum bagi Senseye untuk meng-deploy algoritma generik canggihnya sendiri. Ilmuwan data Senseye berfokus pada menangani dunia nyata sebagaimana adanya, bukan sebagaimana kita inginkan, jadi modelnya sangat andal bahkan di lingkungan data yang paling bising.

Di mana pengguna bertujuan untuk mengimplementasikan prognostics dan Predictive Maintenance, pendekatan yang andal ini sangat penting saat menangkap data dari kegagalan. Dalam momen yang dapat relatif kaotik, sangat penting untuk mengekstrak informasi yang bermakna di bawah bising sehingga sistem dapat mengidentifikasi kegagalan yang mendekat dan memberikan peringatan sebelum aset gagal lagi.

Bekerja Sama

Meski membawa keahlian luar adalah cara paling efisien sumber daya untuk meng-deploy model untuk pemantauan kondisi dan Predictive Maintenance, pengguna memainkan peran penting dalam mendapatkan hasil maksar dari model data generik.

Untuk memulai, selalu ada kurva pembelajaran saat deploying model generik. Sebagai contoh, Senseye PdM awalnya memakan waktu 14 hari untuk memberikan hasil, membangun ‘sidik jari’ perilaku unik setiap aset dalam kondisi operasi normal.

Keahlian dan pengalaman internal tim pelanggan kami termasuk spesialis pemantauan kondisi dan insinyur mekanis dikombinasikan dengan ahli teknologi kami dapat memberi masukan ke dalam proses ini, memungkinkan Senseye untuk mengonfigurasi sistem sejak awal untuk memprioritaskan beberapa data dan peristiwa yang paling diminati pengguna. Ini mempercepat proses pembelajaran awal untuk algoritma. Pada jangka panjang, sistem umpan balik reguler memungkinkan algoritma untuk membangun gambaran tentang peristiwa dan tren apa yang penting bagi pengguna dan mana yang tidak relevan. Ini berguna saat deploying model generik yang secara bertahap menyesuaikan diri untuk memprediksi perilaku setiap mesin dengan semakin akurat seiring waktu.

Hasil Dunia Nyata

Jika dilakukan dengan benar, manfaat bisnis sangat mengesankan. Senseye PdM biasanya mengurangi downtime mesin yang tidak terduga sebesar 50%, meningkatkan produktivitas staf pemeliharaan sebesar 55% dan meningkatkan akurasi peramalan downtime sebesar 85%.

Biasanya, manfaat ini sulit dicocokkan dengan algoritma kustom, oleh karena itu pendekatan yang luar biasa sangat direkomendasikan untuk mencapai hasil dunia nyata.

Pelajari lebih lanjut dengan membaca white paper kami "Harness The Power of Prediction" atau coba ROI Calculator kami untuk melihat bagaimana Anda dapat mendapat manfaat.