Data is the new oil. Sepertinya Anda sudah bosan membaca analogi tersebut di mana-mana. Tapi memang kenyataannya demikian. Di era industri 4.0, smart factory butuh data untuk bisa bergerak dengan optimal.
Sama seperti minyak, data memiliki nilai yang sangat besar, tapi hanya jika disempurnakan untuk menyajikan informasi yang dimilikinya. Lalu, bagaimana perusahaan bisa memanfaatkan sejumlah besar data yang mereka punya? Caranya yaitu dengan membangun manufacturing data platform, sebuah platform untuk menyimpan, mengelola dan mengeksekusi data menjadi sebuah informasi
Untuk membangun manufacturing data platform, perusahaan memerlukan kombinasi antara Industrial Internet of Things (IIoT), Manufacturing Execution System (MES) modern, dan alat analitik canggih. Elemen utama untuk menciptakan manufacturing data platform yang sukses adalah pengembangan dari MES modern yang terdiri dari:
Edge solutions
Manufacturing data platform (MDP) menggabungkan solusi untuk memproses, menyimpan, dan menganalisis data dari berbagai sumber. Solusi edge beroperasi dekat dengan tempat data dihasilkan, dengan beberapa pemrosesan dan analisis lokal sebelum dikirim ke sistem pusat. Dengan demikian, perusahaan mampu mengurangi latensi, memungkinkan respons yang lebih cepat terhadap perubahan kondisi proses dan dapat mengurangi biaya pemrosesan dan analisis pusat.
Penyerapan data
Salah satu fungsi paling penting dari penyerapan data adalah registri metadata yang memungkinkan platform untuk memahami data apa yang sedang dikirim. Registri metadata mengacu pada skema. Berdasarkan ID skema, skema ditambahkan ke pesan sebelum mengirimnya. Nantinya, aplikasi dapat membaca skema dan mengetahui data apa yang ada di dalamnya.
Pemrosesan data
Pemrosesan data meliputi pemrosesan batch dan aliran. Pemrosesan batch memproses kelompok besar transaksi dalam satu proses yang melibatkan banyak operasi dan menangani beban data yang berat. Cara ini dapat digunakan untuk menjalankan laporan atau data agregat di gudang data. Pemrosesan aliran berkaitan dengan transformasi yang memerlukan penanganan yang sangat cepat, biasanya melibatkan lebih sedikit data.
Pengayaan data
Pengayaan data sangat berharga untuk manufaktur karena mampu menggabungkan data pihak ketiga dari sumber otoritatif eksternal dengan database data pelanggan pihak pertama yang ada. Contohnya profil suhu mesin. Jika sendiri, ada sedikit analisis yang bisa dilakukan. Namun, jika sistem memahami proses yang sedang dilakukan, maka pembacaan profil suhu historis, aktivitas pemeliharaan, dan lain-lain, dapat lebih mudah dipahami.
MES menyediakan data untuk pengayaan dan berisi semua informasi kontekstual yang diperlukan. Suatu peristiwa yang diterima ke dalam platform data memiliki nama, nilai, stempel waktu, dan objek MES. Semua itu ditulis ke dalam topik mentah, disimpan di data lake dan dikirim ke pemrosesan aliran. Pengaya data MES kemudian menambahkan data kontekstual ke pesan.
Analisis lanjutan
Analisis deskriptif, diagnostik, prediktif, dan preskriptif membantu kita memahami apa yang telah terjadi, mengapa hal itu terjadi, apa yang akan terjadi, dan tindakan apa yang harus diambil.
Salah satu penggunaan analitik prediktif yang paling umum adalah untuk perawatan mesin. Data dikumpulkan dari waktu ke waktu dari sensor dan tindakan mesin dan digabungkan dengan aktivitas pemeliharaan sebelumnya. Korelasi antara variabel dan hasil kemudian dapat dibuat untuk menentukan penyebab kegagalan mesin.
Analisis prediktif kemudian membuat model berbasis data untuk menghitung kemungkinan kegagalan mesin atau sisa masa pakai, sehingga mengantisipasi kebutuhan perawatan atau menunda perawatan rutin jika tidak diperlukan.
Machine learning (ML)
ML digunakan untuk menganalisis kumpulan data besar dan mempelajari pola untuk membantu membuat prediksi tentang kumpulan data baru. Dengan menggunakan big data, diperlukan platform data yang skalanya sesuai dan merupakan teknik yang paling menjanjikan untuk mendapatkan wawasan dan nilai tersembunyi dari data.
ML terdiri dari beberapa level analisis. “Deteksi anomali” untuk mengidentifikasi produk yang salah, memprediksi kebutuhan perawatan mesin, dan mendeteksi kemungkinan masalah keselamatan. “Klasifikasi” kemudian mengatur informasi dan melihat antar kategori untuk mengidentifikasi korelasi. Fungsi “probabilitas” menguji bagaimana perubahan pada variabel tertentu akan berdampak pada hasil dan “pengoptimalan” kemudian dapat dicapai dengan menghitung probabilitas berbagai hasil dan menyesuaikan parameter yang sesuai.
Dengan data yang cukup relevan, algoritma pembelajaran dapat mendekati hampir semua fungsi. Korelasi, bagaimanapun, tidak menyiratkan sebab-akibat. Hipotesis awal perlu diuji signifikansinya, dan yang lebih relevan secara statistik diselidiki lebih lanjut.
Blok terakhir dari MDP yaitu membuat output bisa tersedia untuk aplikasi seperti solusi pihak ketiga, alarm, atau alat visualisasi, melalui lapisan penyajian ke lapisan aplikasi.
Artikel ini menyadur dari tulisan Francisco Almada Lobo di IOT Now
