Lewati Navigasi

Pemeliharaan prediktif

Pelajari bagaimana AI dapat digunakan untuk memprediksi dan mencegah kegagalan serta memaksimalkan masa pakai yang bermanfaat

Pendahuluan

Waktu henti peralatan yang tidak terjadwal dapat merugikan bisnis apa pun. Sangat penting untuk menjaga peralatan lapangan tetap berjalan untuk memaksimalkan pemanfaatan dan meminimalkan waktu henti yang mahal dan tidak terjadwal serta risiko kesehatan, keselamatan, dan lingkungan. Tujuan dari strategi pemeliharaan prediktif adalah untuk memperpanjang masa pakai peralatan dan mencegah kegagalan. Deteksi anomali adalah pendekatan yang umum, karena mendeteksi saat perangkat berperilaku berbeda dari yang diharapkan. Solusi deteksi anomali seringkali lebih akurat daripada metode deteksi kegagalan sederhana berbasis aturan, dan solusi ini berguna dalam pencegahan kegagalan dan pemadaman yang mahal.

Siapkan data

Langkah pertama dalam solusi pemeliharaan prediktif adalah menyiapkan data. Ini termasuk penyerapan data, pembersihan, dan rekayasa fitur. Masalah pemeliharaan prediktif biasanya mencakup data seperti:

  • Informasi mesin (misalnya ukuran mesin, merek, dan model)
  • Data telemetri (misalnya data sensor seperti suhu, tekanan, getaran, sifat fluida, dan kecepatan operasi)
  • Riwayat pemeliharaan dan intervensi: riwayat perbaikan mesin dan log runtime
  • Riwayat kegagalan: Riwayat kegagalan mesin atau komponen yang diinginkan.

Untuk memprediksi kegagalan, data harus berisi contoh keberhasilan dan kegagalan. Sejumlah besar contoh akan menghasilkan model pemeliharaan prediktif yang lebih baik dan lebih dapat digeneralisasikan. Penting juga untuk memiliki data dari perangkat yang gagal dan yang masih dalam layanan. Data mungkin termasuk pembacaan dari peralatan yang gagal untuk masalah spesifik yang Anda minati dan dari perangkat yang gagal karena alasan lain. Dalam kedua kasus, semakin banyak data yang Anda miliki, semakin baik solusinya.

Bangun dan latih

Banyak solusi pemeliharaan prediktif menggunakan model klasifikasi multikelas untuk menghitung sisa masa manfaat aset. Gunakan pemeliharaan prediktif klasifikasi multikelas saat Anda ingin memprediksi dua hasil; yaitu, rentang waktu untuk kegagalan dan kemungkinan kegagalan karena salah satu dari beberapa akar penyebab. Selain memilih algoritme yang tepat, model yang berhasil membutuhkan hyperparameter yang disetel dengan baik. Ini adalah parameter, seperti jumlah lapisan dalam jaringan saraf, yang ditetapkan sebelum proses pelatihan dimulai. Hyperparameters sering ditentukan oleh ilmuwan data dengan cara coba-coba. Mereka mempengaruhi akurasi dan performa model, dan menemukan nilai optimal seringkali membutuhkan banyak iterasi.

Setiap pelatihan akan menghasilkan metrik yang digunakan untuk mengevaluasi keefektifan model. Akurasi adalah metrik paling populer yang digunakan untuk menggambarkan performa pengklasifikasi, meskipun pengenalan dan skor F1 sering digunakan dalam solusi pemeliharaan prediktif. Presisi didefinisikan sebagai jumlah positif sejati di atas jumlah positif sejati ditambah jumlah positif palsu, sementara pengenalan menunjukkan jumlah positif sejati di atas jumlah positif sejati ditambah jumlah negatif palsu dari contoh prediksi kegagalan. Skor F1 mempertimbangkan tingkat presisi dan daya ingat.

Menyebarkan

Setelah varian model yang paling efektif telah diidentifikasi, model tersebut perlu disebarkan sebagai layanan web dengan titik akhir REST. Model tersebut kemudian disebut dengan aplikasi lini bisnis atau perangkat lunak analitik. Namun, dalam hal pemeliharaan prediktif, arsitektur end-to-end sering kali melibatkan telemetri waktu nyata dari mesin, yang dikumpulkan oleh sistem seperti Azure Event Hubs. Data diserap oleh analitik aliran dan diproses secara real time. Data yang diproses diteruskan ke layanan web model prediktif, dan hasilnya ditampilkan di dasbor atau diumpankan ke mekanisme peringatan yang menginformasikan masalah kepada teknisi atau staf layanan. Data yang diserap juga dapat disimpan dalam database historis dan digabungkan dengan data eksternal, seperti database lokal, sehingga dapat dimasukkan kembali ke dalam contoh pelatihan untuk pemodelan. Skenario Internet of Things (IoT) mungkin memiliki model yang disebarkan ke edge sehingga deteksi dapat terjadi sedekat mungkin dengan peristiwa dalam ruang dan waktu.

Pelanggan melakukan hal-hal hebat dengan Azure