Operator mesin berdiri di depan mesin perakitan yang memiliki dua lengan robot kuning dan menggunakan mouse untuk berinteraksi dengan informasi yang ditampilkan di layar monitor.

Maksimalkan Uptime dan Capai Efisiensi Operasional dengan Pemeliharaan Prediktif yang Dioptimalkan

Memahami cara menerapkan sistem pemeliharaan prediktif di pabrik Anda dengan bantuan Intel dan mitra Intel.

Manfaat Utama Pemeliharaan Preventatif

  • Maksimalkan uptime dan tingkatkan efektivitas peralatan keseluruhan/overall equipment effectiveness (OEE) dengan menggunakan AI untuk memperkirakan kapan mesin memerlukan pemeliharaan.

  • Lakukan asesmen internal dan eksternal untuk memperhitungkan risiko yang ditimbulkan oleh downtime terhadap operasi sebelum merencanakan penerapan.

  • Bekerja dengan mitra teknologi Intel® untuk menyederhanakan penerapan AI, mempercepat waktu mendapatkan nilai, serta mengatasi rintangan implementasi.

  • Akselerasi beban kerja AI dengan perangkat keras dan perangkat lunak Intel® untuk data operasional real-time di lantai pabrik.

author-image

Oleh

Memahami Manfaat dari Pemeliharaan Prediktif/Predictive Maintenance (PdM)

Menggunakan AI untuk strategi pemeliharaan prediktif dapat membantu pabrik Anda menghindari masalah yang mahal yang disebabkan oleh kegagalan peralatan dan downtime yang tidak direncanakan, termasuk kehilangan produktivitas, biaya perbaikan, serta melesetnya ekspektasi dan waktu pengiriman pelanggan.

Pemeliharaan prediktif memberikan alternatif hemat biaya terhadap mentalitas jalankan hingga gagal yang mahal di perusahaan yang menggunakan sistem lama yang lebih tua. Pemeliharaan prediktif juga meningkatkan pendekatan pemeliharaan preventatif yang sudah ketinggalan zaman dan intensif karya, di mana pemeliharaan dilakukan dengan tahapan yang tetap dan kaku.

Sebaliknya, pendekatan yang digerakkan oleh data memungkinkan Anda melakukan intervensi sebelum downtime yang mahal terjadi. Melalui infrastruktur lantai pabrik yang ditentukan perangkat lunak modern, data operasional dikumpulkan dari beberapa titik kegagalan pada peralatan fisik di seluruh pabrik—sering kali peralatan produksi, mesin, dan aset bernilai tinggi lainnya.

Produsen mobil, misalnya, dapat menggunakan data sensor untuk memantau kondisi pistol las, yang rentan terhadap panas berlebih. Analisis digunakan untuk memperkirakan kegagalan di masa depan berdasarkan kondisi kerja mesin, yang memicu peringatan saat mendekati ambang batas.

Dengan strategi pemeliharaan prediktif yang didukung AI, organisasi Anda dapat: 

  • Maksimalkan uptime dengan mengadopsi pendekatan prediktif. Data sensor memberikan pemberitahuan dini tentang potensi kegagalan, mendorong pengambilan keputusan yang lebih efektif dan mempercepat perbaikan. Anda dapat melakukan perencanaan terlebih dahulu untuk meminimalkan dampak dari kegagalan mesin terhadap operasi, menjadwalkan pemeliharaan secara proaktif untuk menghindari gangguan produksi yang berkepanjangan, dan mengalihkan beban ke peralatan lain saat mesin sedang diservis.
  • Dorong efisiensi operasional dengan mengantisipasi ketika peralatan akan gagal. Memiliki peralatan yang berjalan secara efisien adalah pendorong inti produksi dan margin keuntungan, yang memungkinkan Anda memaksimalkan efektivitas peralatan secara keseluruhan (OEE), mencapai indikator performa utama (KPI), dan mengoptimalkan pengembalian investasi (ROI).
  • Capai konsistensi kualitas produk dengan menggunakan data historis untuk memprediksi keausan dan kerusakan pada komponen penting. Anda dapat memesan pemeliharaan ketika anomali diprediksi dan menjaga peralatan dalam parameter yang ideal untuk mencapai tingkat cacat mendekati nol.

Terkait secara erat adalah pemantauan kondisi mesin berbasis AI, teknik serupa Industri 4.0 yang memungkinkan Anda mensimulasikan hasil operasional dengan kembaran digital, mendeteksi anomali yang meramalkan kegagalan besar, mendeteksi cacat produk, dan menggunakan visi komputer untuk memantau pekerja guna memenuhi peraturan kepatuhan keselamatan.

Kini setelah Anda tahu beberapa manfaat dari deteksi cerdas di pabrik, Anda siap untuk mulai merencanakan implementasi Anda. Berikut adalah beberapa langkah yang harus Anda ambil untuk mengkoordinasikan penerapan pemeliharaan prediktif yang berhasil.

Evaluasi Tingkat Risiko Anda

Langkah pertama adalah melakukan asesmen tingkat risiko organisasi Anda. Produsen terpapar ke berbagai risiko yang coba untuk dimitigasi oleh pemeliharaan prediktif dan pemantauan kondisi mesin yang didukung AI, mulai dari kegagalan dan cacat peralatan hingga keselamatan dan kepatuhan. Menyusun laporan tentang potensi risiko akan memungkinkan Anda menentukan apakah solusi AI layak untuk investasi awal.

  • Asesmen risiko internal harus dilakukan untuk mendapatkan wawasan tentang risiko operasional Anda. Beberapa poin data penting yang perlu dipertimbangkan meliputi:
    • Analisis bahaya
    • Log downtime mesin
    • Survei kualitas produk
    • Tinjauan insiden keamanan
    • Catatan dan data historis tentang penyimpangan proses
    • Tingkat cacat
    • Masalah kepatuhan
    • Status sertifikasi ISO
  • Asesmen risiko eksternal dan penelitian tentang implikasi keuangan dari downtime yang tidak terduga juga harus dilakukan. Teliti bagaimana penghentian produksi dapat menyebabkan bottleneck rantai pasokan dan mengakibatkan fluktuasi harga komoditas, serta lakukan survei tentang bagaimana downtime memengaruhi kepuasan pelanggan. Solusi AI dapat membantu memitigasi risiko bisnis Anda dengan menjaga operasi tetap berjalan lancar.

    Risiko spesifik yang dihadapi organisasi Anda akan bervariasi berdasarkan subsektor:
    • Produsen diskrit, seperti pembuat elektronik, peralatan rumah tangga, dan otomotif, lebih rentan terhadap masalah dengan menurunnya kualitas dan gangguan rantai pasokan akibat kegagalan mesin.
    • Produsen proses, yang mencakup perusahaan farmasi serta makanan dan minuman, lebih rentan terhadap masalah yang berkaitan dengan kesalahan formula, kepatuhan terhadap peraturan, dan kontrol proses.

Anda juga harus mengandalkan penelitian eksternal, seperti analisis kompetitif dan laporan industri, untuk membandingkan transformasi digital di tempat produksi atau pabrik yang serupa dengan pabrik Anda. Misalnya, Anda dapat membaca kisah sukses tentang bagaimana BMW menggunakan solusi Industri 4.0 untuk mengotomatisasi dan meningkatkan proses kontrol kualitas penting di pabrik mereka.

Bermitra dengan Penyedia Solusi AI

Setelah Anda siap untuk bergerak maju, pertimbangkan untuk membawa bantuan dari luar dalam melakukan pekerjaan berat. Bekerja dengan mitra teknologi menyederhanakan seluruh proses mulai dari perencanaan hingga implementasi, membantu menghemat waktu, mengurangi biaya, membatasi kompleksitas, serta mengatasi rintangan implementasi. Intel berkolaborasi dengan jaringan AI dan penyedia solusi industri serta integrator sistem (SIs) di seluruh dunia dalam memastikan bahwa solusi mitra dioptimalkan untuk perangkat keras Intel® dan bahwa sistem berbasis Intel dirancang untuk performa tinggi dan operasi yang lancar.

Prescient Technologies, misalnya, memberikan solusi kembar digital fleksibel yang memungkinkan Anda melihat dampak dari data Anda dalam tiga puluh hari. Dibuat berdasarkan Intel® Edge Insights untuk platform Industri dan toolkit OpenVINO™, solusi ini membantu operator Anda dengan cepat memanfaatkan sumber data operasional yang tersebar untuk menghadirkan wawasan data yang dapat ditindaklanjuti dan visual yang jelas. Hubungi mereka di sini.

Baca studi kasus terbaru tentang bagaimana mitra ekosistem Intel menerapkan solusi Industri 4.0 di seluruh industri manufaktur.

Terapkan Solusi AI Anda

Langkah berikutnya adalah menerapkan kemampuan AI di seluruh pabrik Anda sehingga Anda dapat memantau peralatan Anda. Hal ini memerlukan pemasangan teknologi yang mendukung AI secara fisik untuk mengumpulkan data di setiap peralatan dan menerapkan algoritma AI untuk menganalisis data yang dikumpulkan secara real time untuk mengidentifikasi dan mencegah masalah terkait pemeliharaan, kepatuhan, dan produktivitas.

Berikut adalah ringkasan yang lebih terperinci tentang apa yang terlibat dalam menerapkan solusi AI di pabrik Anda:

  1. Instal teknologi yang mendukung AI di peralatan yang mengumpulkan data operasional dan riwayat kegagalan serta tentukan karakteristik spesifik mesin. Data operasional memberikan dasar untuk pemeliharaan prediktif, khususnya data kesalahan dan fungsi normal mesin. Sensor sering digunakan untuk mengumpulkan data ini. Misalnya, jika pompa hidrolik dipantau, sensor dapat menangkap tingkat getaran, tekanan minyak, kecepatan cairan, dan parameter relevan lainnya. Atau, jika mesin adalah bagian dari sistem kontrol yang ditentukan perangkat lunak/software-defined control (SDC), agen telemetri diinstal untuk menangkap karakteristik mesin secara real time.
  2. Siapkan data mesin Anda di edge atau di cloud. Database digunakan untuk menyimpan data mentah untuk analisis. Ilmuwan data akan melakukan prapemrosesan data dan mengubahnya menjadi format yang sesuai untuk algoritma. Langkah prapemrosesan meningkatkan akurasi data dan memungkinkan algoritma untuk memproses data secara efisien.
  3. Latih algoritma AI Anda pada data yang telah melalui langkah prapemrosesan untuk membuat model khusus untuk data operasional mesin tersebut. Ilmuwan data akan mengidentifikasi algoritma yang sesuai untuk digunakan berdasarkan sifat data dan indikator performa utama seperti latensi, ukuran model, dan akurasi.
  4. Terapkan model AI yang terlatih di perangkat edge atau di server pusat yang mengumpulkan data streaming dari berbagai mesin untuk membuat prediksi secara kolektif. Opsi terbaik untuk organisasi Anda akan bergantung pada tingkat risiko yang disebutkan di atas. Operasi yang memerlukan prediksi real-time harus menerapkan model di perangkat edge, sementara operasi yang memiliki lebih banyak kelonggaran dalam memprediksi kegagalan dapat menggunakan server pusat.

    Namun, ada kompromi yang perlu dipertimbangkan. Membaca data secara real time di perangkat edge mungkin memerlukan penggunaan model yang lebih kecil, yang mungkin kurang akurat dibandingkan model besar, yang menyebabkan variasi dalam perkiraan.

    Perangkat edge dengan akselerasi AI direkomendasikan untuk kasus penggunaan edge. Toolkit OpenVINO™, toolkit sumber terbuka untuk mengoptimalkan dan menerapkan model AI, memungkinkan Anda untuk menjalankan aplikasi AI di edge dengan efisiensi yang lebih baik.

    Selain itu, alat Intel® AI yang didukung oleh oneAPI membantu Anda mengakselerasi beban kerja machine learning pada arsitektur Intel® dengan paket yang dioptimalkan untuk pustaka dan kerangka kerja populer, termasuk PyTorch, Modin, scikit-learn, XGBoost, dan lainnya.

Pilih dan Terapkan Solusi Intel®

Memanfaatkan kombinasi teknologi yang tepat sangat penting untuk keberhasilan penerapan AI Anda. Dengan platform AI end-to-end yang kuat, Intel memberikan komponen yang Anda perlukan untuk menerapkan solusi AI Industri Anda, yang meliputi:

  • Solusi perangkat keras, seperti prosesor siap AI dengan fitur seperti Time-Sensitive Networking (TSN) untuk latensi rendah dan perangkat keras yang tahan panas dan diperkokoh untuk kondisi industri1
  • Solusi perangkat lunak, seperti platform pengembangan yang berfokus pada industri
  • Mitra yang menawarkan solusi kustom dan siap pakai atau keahlian integrasi sistem untuk membantu Anda menerapkan solusi berbasis Intel dan meminimalkan kompleksitas sistem

Beberapa penawaran Intel tersedia untuk membantu mendorong solusi pemeliharaan prediktif Anda seperti:

  • Prosesor Intel® Xeon® yang Dapat Diskalakan menghadirkan performa untuk mendorong analisis tingkat lanjut di lantai pabrik. Prosesor ini dilengkapi Intel® AI Engines bawaan untuk mengakselerasi beban kerja AI dalam skala besar, yang menghadirkan wawasan cepat ke dalam data operasional dengan mendorong performa tugas inferensi dan pelatihan deep-learning ke inti CPU.2
  • Platform Intel® Edge Insights untuk Industri memberikan fondasi untuk memanfaatkan data pabrik dalam meningkatkan operasi. Dengan dukungan untuk penyerapan data seri waktu dan video, perangkat lunak terbuka dan siap pakai ini dilengkapi dengan komponen perangkat lunak yang telah divalidasi sebelumnya untuk mengakselerasi penerapan AI industri. Ini mencakup analisis AI, dapat mempublikasikan ke aplikasi lokal atau cloud, serta memberikan fleksibilitas bagi solusi yang disesuaikan.
  • Intel® IoT Market Ready Solutions (Intel® IMRS) dari mitra ekosistem Intel mengintegrasikan perangkat keras dan perangkat lunak Intel® ke dalam solusi industri siap pakai yang menghapus risiko downtime, memaksimalkan efisiensi operasional, dan meningkatkan keselamatan pekerja. Solusi Industri 4.0 yang siap pakai ini dioptimalkan untuk menjalankan aplikasi AI pada prosesor Intel®, yang meningkatkan performa di edge dan di lokasi.

Mulai dalam Mengoptimalkan Pemeliharaan Prediktif

Pemeliharaan prediktif dan solusi pemantauan kondisi mesin berbasis AI memungkinkan organisasi Anda memaksimalkan uptime untuk mencapai efisiensi operasional. Perangkat keras, perangkat lunak, dan jaringan mitra kami dapat membantu Anda menerapkan solusi AI yang siap untuk pasar dan mewujudkan kondisi akhir operasional ideal Anda. Mulai dengan terhubung dengan perwakilan Intel Anda atau mitra teknologi Intel® dan buat AI bekerja untuk organisasi Anda hari ini.

Temukan penawaran solusi AI industri dari mitra teknologi Intel® sekarang

Pertanyaan Umum

Pertanyaan Umum

Pemeliharaan prediktif adalah strategi untuk mendiagnosis potensi malafungsi peralatan secara real time untuk mencegah kegagalan. Data dikumpulkan dari mesin dan dianalisis di pabrik, yang memungkinkan Anda merencanakan pemeliharaan untuk menghindari downtime dan mengoptimalkan biaya pemeliharaan.