Penggunaan paling menarik dari Industri 4.0 adalah Prognostik

Industri 4.0 dan Internet of Things (atau Industrial Internet of Things jika Anda mau) sangat erat kaitannya sehingga kami juga dapat menggunakan istilah tersebut secara bergantian. Setiap hari sepertinya ada beberapa berita tentang Internet of Things dan bagaimana hal itu akan mengubah segalanya – mobil yang terhubung, orang yang terhubung, dan bahkan mesin cuci yang terhubung. Namun koneksi tersebut tidak berarti banyak tanpa kasus penggunaan yang nyata – ya, kulkas Anda sekarang dapat berbicara dengan ponsel Anda, tetapi itu menjawab pertanyaan yang tidak ditanyakan siapa pun, memecahkan masalah yang tidak dipedulikan siapa pun (walaupun saya siap untuk memakan kata-kata saya dalam waktu 5 tahun ketika kita semua berbagi statistik lemari es kami di jejaring sosial berbasis kulkas apa pun yang terpanas).

Sebagai sebuah industri, Manufaktur memiliki beberapa masalah yang didefinisikan dengan sangat baik - pelanggan menginginkan barang dengan cepat, dengan biaya lebih rendah dan dengan kualitas tinggi. Jika tuntutan ini tidak dipenuhi karena waktu henti yang tidak direncanakan, konsekuensinya mahal. Lebih mudah untuk membuat kasus untuk menggunakan teknologi IoT untuk memecahkan masalah ini; misalnya, pelacakan pasokan yang lebih baik menggunakan tag RFID dapat membantu mengurangi penundaan rantai pasokan dan meningkatkan kualitas. Tapi bukan itu yang sebenarnya menarik .

Dengan penyimpanan data yang murah, bandwidth yang terus meningkat dan biaya perangkat penginderaan terus turun sementara kemampuannya meningkat (mampu mendorong langsung ke cloud, dapat merasakan lebih dari satu hal pada satu waktu, dll.), melakukan hal-hal cerdas dengan data mesin, di luar analitik dasar semakin layak.

Jika bisnis manufaktur tidak berproduksi saat dibutuhkan, tidak memenuhi tujuannya – tidak menghasilkan uang. Dengan menerapkan teknik diagnostik dan prognostik ke data mesin, Anda dapat mengungkapkan bagaimana kinerja mesin saat ini (diagnostik) dan bagaimana kinerjanya di masa depan – akankah mereka dapat berproduksi saat dibutuhkan (prognostik)? Seperti yang telah kami sebutkan sebelumnya, pemeliharaan berbasis kalender preskriptif adalah cara yang bagus untuk menghabiskan uang yang tidak perlu – pemeliharaan prediktif adalah cara cerdas untuk menghemat uang.

Prognostik – ilmu memprediksi kapan sebuah mesin akan berhenti dapat melakukan fungsi yang dimaksudkan adalah enabler langsung dari pemeliharaan prediktif. Data dari mesin Anda, yang diproses oleh aplikasi yang tepat dapat memberi tahu Anda kapan mesin Anda akan gagal, sehingga Anda dapat mempertahankannya lebih awal dan menyelamatkan diri Anda dari waktu henti, mengecewakan pelanggan Anda, dan menghabiskan lebih banyak uang daripada yang seharusnya untuk menjaga kinerja mesin. . Pengetahuan tentang kapan mesin akan gagal dihitung sebagai Sisa Masa Pakai (RUL).

Dengan prediksi RUL yang akurat, pengelola lebih mampu memprioritaskan mesin mana yang perlu dirawat dan dalam jangka waktu berapa; secara signifikan mengurangi risiko kegagalan mesin dan menghindari biaya perawatan yang berlebihan. Anggap saja sebagai alat lain untuk membantu meningkatkan efektivitas pengelola.

Model prognostik yang memberikan RUL secara tradisional sulit untuk dihitung dan membutuhkan ilmuwan data berbakat untuk diterapkan secara efektif berdasarkan pesanan. Biaya tinggi dari pendekatan ini telah merusak adopsi yang meluas. Untungnya dengan munculnya pembelajaran mesin canggih dan komputasi awan yang murah, prognostik menjadi lebih mudah diakses dan pemeliharaan prediktif pada gilirannya mencapai skalabilitas.

Keamanan, kepatuhan, integrasi, kesadaran proses, dan peningkatan adalah semua hal penting yang dimungkinkan oleh Industri 4.0. Namun semua itu tidak penting tanpa mesin yang efektif, menghasilkan throughput yang andal dan dengan waktu henti yang minimal – semuanya dimungkinkan oleh prognostik.

Ceritakan lebih banyak!

Ingin mempelajari lebih lanjut tentang prognostik dan Sesnseye, produk kami yang mudah digunakan untuk perawatan prediktif? Pesan demo dan diskusi di sini: