Bagaimana pembelajaran mesin dapat diterapkan pada pemeliharaan prediktif?

Dengan menggunakan data yang dikumpulkan dari perangkat Internet of Things (iiot) industri, kami dapat memecahkan berbagai masalah pemeliharaan, sehingga mencapai tujuan akhir penggunaan pembelajaran mesin (ML) untuk mencapai situasi pencegahan. Penggunaan pembelajaran mesin, dikombinasikan dengan data yang dikumpulkan dari perangkat Internet of Things (iiot) industri, dapat meningkatkan proses, mengurangi biaya, dan meningkatkan efisiensi. Pemeliharaan prediktif menerapkan data dan model untuk memprediksi kapan peralatan atau aset rusak. Pendekatan ini dapat membantu perusahaan secara proaktif mengatasi situasi yang dapat menyebabkan downtime atau gangguan yang merugikan dengan memprediksi kegagalan. Cara lain adalah dengan menerapkan metode "perbaikan penutupan", yang dalam banyak hal merugikan perusahaan. Setelah mesin rusak, diperlukan banyak sumber daya untuk memulihkan mesin ke normal dibandingkan dengan mengetahui dan menghindari masalah terlebih dahulu.Jenis pemeliharaan Ada tiga metode perawatan: 1. Pasif Perawatan pasif berarti kita hanya mengganti komponen jika rusak. Cara ini dapat menimbulkan akibat yang serius dan mahal, bahkan mungkin berbahaya tergantung pada jenis mesin yang kita bicarakan. Misalnya, jika mesin yang dimaksud adalah mesin jet, kegagalannya dapat membahayakan nyawa ratusan orang dan dapat merusak reputasi suatu perusahaan. 2. Pencegahan Pemeliharaan yang direncanakan sebelumnya merupakan metode yang sedikit lebih baik karena permasalahan diklasifikasi dan ditangani secara teratur. Namun, Anda dapat mengubah atau mempertahankan suatu operasi sebelum benar-benar perlu dilakukan, sehingga akan menyia-nyiakan sumber daya perusahaan. Anda tidak tahu kapan kegagalan akan terjadi, jadi Anda perlu mengambil pendekatan konservatif untuk menghindari biaya yang tidak perlu. Misalnya, ketika Anda melakukan perawatan mesin terlebih dahulu, Anda sebenarnya menyia-nyiakan masa pakai mesin tersebut, menggunakan sumber daya perawatan secara tidak efisien, dan biasanya meningkatkan biaya bisnis Anda. 3. Prediktabilitas Sangat ideal untuk dapat memprediksi kapan mesin akan gagal, namun sulit untuk memprediksi secara akurat. Dalam kasus terbaik, Anda akan tahu kapan mesin akan rusak. Anda juga akan mengetahui komponen mana yang akan gagal, sehingga Anda dapat mengurangi waktu yang dihabiskan untuk mendiagnosis masalah dan mengurangi pemborosan serta risiko dalam prosesnya. Ketika kegagalan mesin ditandai oleh sistem prediksi, rencana pemeliharaan harus sedekat mungkin dengan kejadian tersebut agar dapat memanfaatkan sisa masa pakainya secara maksimal. Masalah yang dapat dipecahkan oleh pemeliharaan prediktif Dengan menggunakan data yang dikumpulkan dari perangkat Internet of Things (iiot) industri, kita dapat memecahkan berbagai masalah pemeliharaan. Tujuan utamanya adalah menggunakan pembelajaran mesin (ML) untuk mencapai situasi pencegahan.Permasalahan yang dapat diselesaikan antara lain: ▲ deteksi kesalahan dini. Dalam hal ini, kita dapat mendeteksi kesalahan sebelum kesalahan terjadi dengan menerapkan data sensor ke algoritma pembelajaran mesin. ▲ memaksimalkan sisa masa pakai. Dengan memperkirakan interval waktu antar kegagalan komponen, kita dapat melakukan perawatan atau penggantian komponen pada waktu yang tepat. ▲ mendeteksi titik kesalahan. Konsep ini mencakup prediksi kapan suatu komponen akan gagal dan membantu memprediksi dengan lebih baik tahap komponen atau mesin mana yang akan gagal dalam siklus hidupnya. Semakin akurat kita dapat memprediksi kapan suatu komponen atau mesin akan mengalami kegagalan, semakin mudah untuk mencapai produktivitas dan efisiensi tertinggi di seluruh organisasi. Bidang-bidang perbaikan yang akan Anda lihat mencakup: ▲ pengurangan risiko ▲ meningkatkan keselamatan di tempat kerja ▲ penggunaan tenaga kerja yang lebih efektif ▲ tingkat produktivitas yang dapat diprediksi ▲ tingkat pendapatan produksi tertinggi ▲ menghilangkan tugas-tugas pemeliharaan yang tidak perlu ▲ lebih sedikit sumber daya yang diperlukan untuk memantau kinerja alat berat ▲ memaksimalkan layanan umur mesin dan komponennyaMetode pemeliharaan prediktif Agar pemeliharaan prediktif berhasil, ada tiga aspek utama. Pertama, dan mungkin yang paling penting, Anda memerlukan data berkualitas tinggi. Idealnya, data historis diharapkan memperhitungkan peristiwa kesalahan di masa lalu. Data kesalahan perlu disandingkan dengan karakteristik statis mesin itu sendiri (termasuk penggunaan rata-rata, atribut umum, dan kondisi pengoperasiannya). Tidak ada keraguan bahwa Anda akan mendapatkan banyak data, jadi penting untuk fokus pada data yang benar. Berfokus pada data yang tidak relevan hanya akan mengacaukan segalanya dan mengalihkan perhatian dari hal-hal yang paling penting. (dari rumah IOT) Anda harus bertanya pada diri sendiri, kegagalan seperti apa yang mungkin terjadi? Apa yang ingin Anda prediksi? Apa yang terjadi jika suatu proses gagal? Akankah hal ini terjadi dalam waktu dekat, atau perlahan-lahan akan rusak seiring berjalannya waktu? Terakhir, lihat lebih dekat sistem dan komponen terkait lainnya. Apakah ada komponen lain yang terkait dengan kesalahan? Bisakah kinerja mereka diukur? Terakhir, seberapa sering pengukuran ini dilakukan? Untuk memperoleh hasil terbaik, pengumpulan data memerlukan waktu yang lama. Data berkualitas tinggi dapat menghasilkan model prediksi yang lebih akurat. Kekurangan apa pun hanya akan mempersempit ruang lingkup kemungkinan dan tidak akan memberi Anda fakta yang meyakinkan. Analisis data yang tersedia dan tanyakan pada diri Anda apakah mungkin untuk membangun model prediktif berdasarkan wawasan ini. Secara umum, kami menggunakan dua metode pemodelan prediktif: Model regresi dapat memprediksi sisa masa pakai komponen. Ini memberi tahu kita berapa lama mesin akan rusak. Agar model regresi dapat berfungsi, data historis harus disediakan. Setiap peristiwa akan dilacak, dan idealnya, semua jenis kesalahan akan terwakili. Model regresi memberikan asumsi bahwa sisa siklus hidup sistem dapat diprediksi berdasarkan aspek bawaannya (statis) dan kinerjanya saat ini. Namun, jika sistem gagal dalam banyak hal, model terpisah harus dibuat untuk setiap kemungkinan. Model klasifikasi dapat memprediksi kegagalan mesin dalam waktu tertentu. Kita tidak perlu mengetahui terlebih dahulu bahwa mesin tersebut akan mengalami kegagalan, namun kita hanya perlu mengetahui bahwa kegagalan tersebut akan segera terjadi. Model klasifikasi dan regresi serupa dalam banyak aspek, namun berbeda dalam beberapa aspek. Pertama, klasifikasi berfokus pada jendela waktu dan bukan pada waktu yang tepat. Artinya data yang dibutuhkan tidak terlalu ketat.prinsip bekerja Setelah dimodelkan, pemeliharaan prediktif dapat dilakukan dengan cara berikut: Model pembelajaran mesin mengumpulkan data sensor dan mengidentifikasi kejadian sebelum terjadinya kesalahan berdasarkan data kesalahan historis. Kami mengatur parameter yang diperlukan untuk memicu alarm potensi kesalahan. Ketika data sensor melebihi ambang batas parameter ini, alarm akan dimulai. Fungsi pembelajaran mesin adalah untuk mendeteksi mode abnormal selain operasi sistem normal. Dengan bantuan data berkualitas tinggi, kami memiliki pemahaman yang lebih baik tentang anomali ini, dan kemampuan kami untuk memprediksi kesalahan akan meningkat pesat. Singkatnya, pembelajaran mesin mendukung analisis data dalam jumlah besar dengan intervensi manusia yang minimal. Penerapan pembelajaran mesin, dikombinasikan dengan data yang dikumpulkan dari perangkat IOT industri, dapat mengurangi biaya, meningkatkan proses, mengurangi waktu henti mesin, dan mengoptimalkan efisiensi karyawan - yang merupakan kunci keberhasilan organisasi.