Sebuah konsep pemeliharaan prediktif yang digunakan dalam merawat sebuah mesin untuk menjadi lebih efektif dan optimal.
Konsep pemeliharaan prediktif atau predictive maintenance berbeda dengan preventive dan condition-based maintenance, yaitu kegiatan perawatan yang dilakukan secara rutin dalam jangka waktu tertentu atau pada saat mesin dalam kondisi tertentu.
Menurut Keith R Mobley dalam bukunya An Introduction to Predictive Maintenance, definisi predictive maintenance adalah teknik yang dirancang untuk membantu menentukan kondisi peralatan dalam layanan untuk memperkirakan kapan pemeliharaan harus dilakukan. Pendekatan ini menjanjikan penghematan biaya dibandingkan pemeliharaan preventive rutin atau berbasis waktu, karena pemeliharaan akan dilakukan hanya jika diperlukan.
Predictive maintenance secara berkala memantau mesin berdasarkan analisis data yang dikumpulkan melalui proses monitoring. Salah satu tujuan predictive maintenance adalah untuk memverifikasi kondisi mesin untuk mengantisipasi masalah yang dapat menyebabkan biaya yang lebih tinggi.
Dengan menggunakan predictive maintenance, industri bisa mendapatkan proyeksi waktu breakdown aset, memperpanjang periode waktu antar maintenance, serta dapat mempersiapkan kebutuhan sparepart aset dan juga resources lain yang diperlukan sehingga waktu downtime selama periode maintenance dapat dioptimalkan dengan baik.
Downtime dalam manufaktur merupakan periode saat mesin tidak melakukan produksi. Jumlah total downtime yang dialami pabrik termasuk penghentian selama produksi dapat menyebabkan hilangnya pendapatan bagi perusahaan. Dengan mengetahui waktu downtime dan tipe kegagalan, pelaku usaha dapat melakukan pengaturan inventory sesuai dengan part yang dibutuhkan untuk menghindari panjangnya waktu pengadaan part tersebut, yang berakibat semakin lamanya downtime dari lini produksi.
Predictive maintenance menggunakan machine learning
Setiap mesin memiliki sejumlah besar data historis, termasuk misalnya pola kegagalan mesin. Dengan menggunakan Machine Learning, industri sekarang mampu memprediksi kegagalan berikutnya. Setidaknya ada 3 tahapan yang harus kita lalui untuk dapat menerapkan metode Machine Learning dalam predictive maintenance:
- Data cleaning & wrangling
Tahap awal sekaligus tahap krusial untuk menentukan, apakah kita bisa melakukan perawatan prediktif menggunakan Machine Learning atau tidak? Kita harus memastikan dulu memiliki cukup data untuk melakukan pemodelan. Data diambil dari sensor yang ada di mesin. Dengan menggabungkan data historis saat mesin berjalan normal dan saat mesin mengalami kegagalan, algoritma dapat mempelajari pola data dari setiap kejadian pada mesin, sehingga kita dapat membangun model pembelajaran mesin yang mampu memprediksi hal yang akan terjadi di masa depan dengan lebih akurat.
Setelah memastikan kita memiliki data yang cukup, proses selanjutnya adalah menghilangkan noise pada data menggunakan beberapa transformasi dan pendekatan statistik.
- Feature engineering
Model Machine Learning yang baik, bergantung terhadap data yang dimiliki. Oleh karena itu, kita harus fokus pada pengumpulan data yang optimal untuk dapat memaksimalkan kepadatan informasi data. Feature Engineering adalah metode yang digunakan untuk mencapai tujuan ini. Tergantung pada jenis algoritma yang digunakan, ada banyak transformasi yang dapat dilakukan pada proses ini.
- Data modelling
Tahap terakhir adalah pembuatan model. Dalam proses ini, data yang telah dibersihkan pada langkah sebelumnya, “dilatih” dengan menggunakan beberapa algoritma seperti ML-Based atau DL-Based. Pada tahap ini juga perlu dilakukan hyper-parameter tuning untuk menemukan model terbaik dan memilih performance metrics untuk menilai kualitas model yang telah kita buat. Setelah kita mendapatkan model terbaik maka model tersebut disimpan untuk di-deploy ke produksi.
Pembangunan modeling semacam ini dapat dilakukan lewat DMAA AnalytiX Platform dari ZebraX. Solusi ini dapat membantu perusahaan/industri dari memuat dataset, melakukan beberapa rekayasa dan seleksi fitur, memilih algoritma dan akhirnya melakukan beberapa penyetelan hyper-parameter.
Namun sebelum memulai mengaplikasikan predictive maintenance dalam perusahaan atau industri, ada beberapa hal yang harus kita perhatikan:
- Tentukan use case yang akan digunakan
- Gunakan data yang ada atau mengumpulkan dataset yang sesuai dengan use case di perusahaan/industri
- Gunakan teknik eksplorasi data sederhana
Mungkin banyak dari pelaku industri yang ingin menerapkan predictive maintenance namun ada kendala dengan ketersediaan data. Untuk itu, ZebraX juga memiliki satu solusi yang disebut Condition-based Maintenance (CbM). CbM adalah teknik menggabungkan preventive dan predictive maintenance dan merupakan satu langkah untuk mengumpulkan data sebelum berpindah 100 persen ke predictive maintenance. Kami juga memiliki Internet of things (IoT) Platform untuk menampilkan data dari alat IoT yang baru dipasang, yang dengan mudah terintegrasi dengan sistem predictive maintenance kedepannya.
CbM dapat dilakukan selama beberapa periode MTTF (Mean time to failure) untuk mengumpulkan data yang cukup, sambil memberi alerting terhadap beberapa parameter, sehingga tidak perlu menunggu mesin benar-benar rusak. Pada tahap ini, alerting dapat diberikan dalam bentuk logika sederhana, sesuai dengan input dari SME (Subject Matter Expert) yang ada di perusahaan masing-masing.
Setelah akhir periode CbM, semua data yang ada di sistem dapat diintegrasikan secara langsung untuk melakukan predictive maintenance tanpa perlu downtime. Jika Anda sudah memiliki semua hal yang diperlukan, baik data maupun resource lain, ini pertanda bahwa Anda sudah siap untuk membuat model Machine Learning.
Namun, tidak semua strategi cocok digunakan di semua perusahaan atau industri. Setiap proyek perlu ditangani sesuai dengan situasi serta kondisi perusahaan. Langkah pertama yang harus dilakukan adalah memahami sistem, masalah, kondisi yang tersedia di sekitar mesin atau sistem, dan kemudian membuat model sesuai dengan hasil yang diinginkan.
Saat ini, ZebraX menawarkan uji coba gratis untuk perusahaan dan industri yang ingin mengimplementasikan solusi predictive maintenance. Silakan hubungi tim ZebraX melalui email: [email protected].