2021 : PENGEMBANGAN MODEL PREDICTIVE MAINTENANCE PADA SMART MANUFACTURING BERDASARKAN TEKNIK DEEP LEARNING

Nani Kurniati ST.

Year

2021

Published in

-

External link

Type

RESEARCH

Keywords

-


Abstract

Pada era industri 4.0, konsep smart manufacturing berguna untuk peningkatan produktivitas manufaktur. Salah satu hal yang mempengaruhi produktivitas adalah pemeliharaan mesin produksi pada industri manufaktur. Monitoring kondisi mesin dan sistem produksi menggunakan teknologi sensor akan menghasilkan data monitoring dalam jumlah besar (big data). Diperlukan upaya untuk membuat data tersebut tersedia untuk dianalisis dengan mengimplementasikan advanced analytics dan algorithm untuk mendapatkan insights dari data. Pemanfaatan teknologi sensor untuk memonitor keadaan peralatan secara terus menerus merupakan implementasi real dari condition based maintenance (CBM) dan menunjang untuk diterapkannya strategi Predictive Maintenance (PdM). Teknologi sensor pada mesin produksi pada beberapa industry besar dan kompleks menjadi bagian tidak terpisahkan dari peralatan. Namun, permasalahan yang seringkali muncul di industri seringkali data hasil sensor monitoring kondisi tidak dimanfaatkan secara optimal untuk pengambilan keputusan maintenance. Yang terjadi adalah data menumpuk tidak bermanfaat, bahkan kegiatan maintenance sebatas dilakukan secara corrective saja. Dengan Predictive Maintenance (PdM), kegagalan dapat diprediksi sehingga kegiatan maintenance yang proaktif dapat dilakukan, bukan hanya untuk mengantisipasi kegagalan peralatan, melainkan juga untuk meningkatkan performansi peralatan. Ada dua proses penting dalam PdM adalah Diagnosis untuk estimasi kerusakan mesin dan Prognosis untuk estimasi Remaining Useful Life (RUL). Pada penelitian ini akan dilakukan pengembangan model analytics terhadap data monitoring peralatan guna mendapatkan insight data dan memanfaatkannya untuk predictive maintenance. Diusulkan penggunaan metode Deep Long Short-Term Memory (D-LSTM) untuk diagnosis dan prognosis dari mesin produksi. Sebelum itu, pre-processing data sensor dilakukan melalui proses anotasi untuk menentukan keadaan proses diagnosis dan prognosis menggunakan metode klastering K-Means. Pada tahun pertama ditentukan threshold penentu status peralatan dalam keputusan maintenance menggunakan metode machine learning yang didalamnya akan dibandingkan dengan acuan utama OEM (original equipmenf manufacture) dan operator peralatan. Selanjutnya dilakukan pengembangan model prediksi diagnosis menggunakan metode deep learning D-LSTM. Dari model tersebut dilakukan prediksi proses diagnosis dan analisis hasil prediksinya. Pada fahun kedua dilakukan pengembangan model prediksi prognosis menggunakan metode D-LSTM dimana prognosis merupakan hal utama pada predictive maintenance. Dari hasil model prediksi prognosis juga akan dilakukan uji coba memprediksi proses prognosis dan analisis evaluasi prediksinya. Potensi kontribusi pada bidang data analytics terletak pada pengujian berbagai metode deep learning (DL) guna mengelola data multi sensor yang diterapkan pada satu peralatan. Kemungkinan adanya interaksi antar data dari single sensor guna mendapatkan potret kondisi peralatan yang comprehensive dapat membantu memahami peralatan kompleks dengan lebih baik. Eksplorasi data analytics untuk kepentingan predictive maintenance jelas akan memberikan sumbangsih kontribusi besar bagi industri manufaktur dan juga kegiatan pemeliharaan dengan memformulasikan langkah proaktif, bukan hanya memperbaiki performansi peralatan namun juga dapat memperpanjang umur pakai peralatan.