ITSITS

IPTEK The Journal for Technology and ScienceIPTEK The Journal for Technology and Science

Penelitian ini menyelidiki penerapan model deteksi kegagalan berdasarkan pendekatan pembelajaran mesin dan statistik untuk mengurangi waktu henti yang tidak terencana di perusahaan produksi makanan. Data sensor dimanfaatkan untuk mengidentifikasi gejala awal kegagalan. Untuk menangkap ketergantungan temporal dan sekuensial dalam data deret waktu, kami menggunakan salah satu metode berbasis jaringan potensial yang disebut Long Short Term Memory (LSTM) Autoencoder. Selanjutnya, kami membandingkan kinerja hasilnya dengan metode statistik tradisional, yaitu Multivariate Exponentially Weighted Moving Average (EWMA). Meskipun kedua model berhasil mendeteksi semua kegagalan, LSTM-AE menunjukkan kinerja yang superior dengan mengurangi alarm palsu dan memberikan alarm yang benar dengan waktu-hingga-kegagalan yang lebih lama. Temuan ini menyoroti potensi pemanfaatan data terbatas untuk prediksi kegagalan, menunjukkan efektivitas kedua model dalam mendeteksi anomali sambil menekankan peran mereka dalam meningkatkan produktivitas melalui deteksi kegagalan dini.

Penelitian ini menunjukkan bahwa model pembelajaran mesin LSTM-AE dan model statistik EWMA multivariat efektif dalam deteksi dini anomali sebagai indikator kegagalan peralatan, dengan LSTM-AE secara signifikan mengungguli EWMA dalam memberikan peringatan lebih awal dan mengurangi alarm palsu.Pentingnya penentuan ambang deteksi yang tepat ditekankan untuk menyeimbangkan antara waktu pimpin deteksi dan jumlah alarm palsu, di mana LSTM-AE terbukti lebih superior dalam mendeteksi anomali halus.Meskipun demikian, disarankan untuk menguji model ini dengan kumpulan data yang lebih besar, mengoptimalkan ambang batas, dan mengintegrasikannya dengan sistem pemantauan industri real-time, serta melakukan analisis biaya-manfaat untuk mengeksplorasi penerapannya di berbagai industri.

Untuk meningkatkan efektivitas pemeliharaan prediktif, ada beberapa arah penelitian lanjutan yang menjanjikan. Pertama, akan sangat bermanfaat jika kita bisa mengembangkan model yang tidak hanya memberitahu *bahwa* ada masalah, tetapi juga memberi tahu kita *masalah apa* yang mungkin terjadi. Misalnya, bagaimana kita bisa membuat sistem yang bisa membedakan antara masalah bantalan, ketegangan rantai, atau masalah listrik hanya dari pola data sensor yang kompleks? Ini akan membantu tim pemeliharaan menyiapkan suku cadang yang tepat atau teknisi dengan keahlian spesifik sebelum mesin benar-benar rusak, sehingga mengurangi waktu perbaikan dan kerugian produksi secara signifikan. Kedua, sistem deteksi anomali saat ini seringkali hanya melihat data sensor dari mesin itu sendiri. Namun, kinerja mesin bisa dipengaruhi oleh banyak faktor lain seperti jadwal produksi yang padat, suhu ruangan, atau bahan baku yang sedang diproses. Jadi, bagaimana jika kita bisa memasukkan data-data tambahan ini ke dalam model prediksi? Dengan menggabungkan informasi kontekstual ini, seperti beban kerja mesin atau riwayat perawatan sebelumnya, kita mungkin bisa mendapatkan prediksi yang lebih akurat dan mengurangi alarm palsu yang tidak relevan, membuat sistem peringatan dini lebih cerdas. Terakhir, penetapan batas peringatan (threshold) saat ini masih sering dilakukan secara manual dan statis, padahal urgensi sebuah peringatan bisa berubah tergantung situasi. Bisakah kita menciptakan sistem yang ambang batas deteksinya bisa menyesuaikan diri secara otomatis, misalnya, jika mesin sangat vital untuk produksi atau suku cadang sedang langka, sistem bisa menjadi lebih sensitif? Pendekatan ini akan memungkinkan sistem memberikan peringatan yang lebih cerdas dan disesuaikan dengan tingkat risiko serta prioritas operasional perusahaan, membantu manajemen membuat keputusan yang lebih strategis dan efisien.

  1. Exponentially Weighted Moving Average Control Schemes: Properties and Enhancements: Technometrics: Vol... tandfonline.com/doi/abs/10.1080/00401706.1990.10484583Exponentially Weighted Moving Average Control Schemes Properties and Enhancements Technometrics Vol tandfonline doi abs 10 1080 00401706 1990 10484583
  1. #model pembelajaran#model pembelajaran
  2. #model pembelajaran scramble#model pembelajaran scramble
Read online
File size518.28 KB
Pages13
Short Linkhttps://juris.id/p-30x
Lookup LinksGoogle ScholarGoogle Scholar, Semantic ScholarSemantic Scholar, CORE.ac.ukCORE.ac.uk, WorldcatWorldcat, ZenodoZenodo, Research GateResearch Gate, Academia.eduAcademia.edu, OpenAlexOpenAlex, Hollis HarvardHollis Harvard
DMCAReport

Related /

ads-block-test