Di artikel sebelum ini telah dijelaskan secara singkat tentang pendekatan survival analysis dalam model predictive maintenance (PdM). Pendekatan survival analysis ini berkaitan erat dengan estimasi sisa masa manfaat sebuah komponen mesin. Jadi dengan bantuan pendekatan statistik ini, operator atau teknisi harus mampu mengoptimalkan jadwal maintenance sebelum terjadi kegagalan untuk mengurangi unplanned downtime serta preventive maintenance yang tidak perlu.
Peran data sebagai indikator untuk mengetahui kondisi mesin dan komponennya sangat penting dalam melakukan estimasi sisa manfaat, Maka dari itu perusahaan wajib memiliki data umur mesin yang rinci. Semakin banyak dan rinci data yang dimiliki, maka semakin akurat prediksi yang dihasilkan oleh sistem.
Lalu, apa yang harus dilakukan saat data perkiraan masa manfaat sudah di tangan?
Setelah Anda memiliki data perkiraan sisa masa manfaat yang reliabel, jadwal maintenance dapat dioptimalkan untuk mengurangi downtime dan biaya perawatan. Anda juga bisa membuat kebijakan terkait keputusan apakah komponen mesin perlu diganti atau tidak jika tidak gagal sebelum beberapa hari tertentu, dan keputusan ini dapat dibuat oleh manusia, atau opsi yang lebih maju seperti machine learning.
1. Keputusan Manusia:
Sebuah tim dapat memilih ambang batas jumlah hari untuk suku cadang mesin sehingga proses penggantian akan dimulai jika suku cadang belum diganti dengan jumlah hari tertentu. Ambang probabilitas akan tergantung pada sifat dari komponen yang bersangkutan. Bagian komponen yang kritis untuk fungsionalitas mesin mungkin memiliki nilai ambang batas kelangsungan hidup 60% sedangkan bagian yang kurang penting mungkin memiliki nilai ambang batas kelangsungan hidup 20%. Dasbor dan sistem alarm dapat dibangun untuk memungkinkan staf maintenance merespons kegagalan suku cadang yang tertunda.
2. Keputusan dari Algoritma RL
Menemukan ambang probabilitas kelangsungan hidup mesin yang optimal adalah proses berulang dan merupakan domain masalah di mana reinforcement learning (RL) dapat menghasilkan hasil yang kuat. Dengan menggunakan simulasi program pemeliharaan, model RL dapat mengambil data masa manfaat mesin sebagai input dan mengoptimalkan kebijakan penggantian terbaik sehingga waktu kerja mesin dapat dimaksimalkan dan waktu perawatan yang tidak diharapkan dapat diminimalkan. Model ini kemudian diuji terhadap data perincian historis untuk mengonfirmasi model RL telah menemukan jadwal pemeliharaan yang berlaku.
Manapun keputusan yang dibuat, baik dibuat oleh manusia atau teknologi cerdas, haruslah mengacu pada model data yang ada agar proses PdM bisa memberikan manfaat sesuai yang diharapkan.
Referensi
Remaining Useful Life in Predictive Maintenance, Medium
Comments