Keuntungan:
- Kemampuan untuk menganalisis gejala kesalahan dari data getaran/suhu dengan mengekstraksi fitur dengan AI
- Kemampuan untuk merancang pendekatan deteksi anomali pembelajaran mesin berbasis ambang batas dan sederhana dengan bantuan AI
- Kemampuan untuk memverifikasi keseimbangan alarm palsu (positif palsu) dan kesalahan yang terlewat (negatif palsu) dan keputusan pemeliharaan
Kegagalan bearing yang tidak terduga pada jalur produksi menyebabkan waktu henti selama berjam-jam, pesanan yang terlewat, dan terkadang kerusakan tambahan. Pemeliharaan tradisional berhenti pada dua titik ekstrim: pemeliharaan kerusakan (perbaiki jika rusak—kejutan yang paling mahal) dan pemeliharaan berkala (ganti sesuai jadwal—seringkali terlalu dini dan boros). Pemeliharaan prediktif membuka cara ketiga: terus-menerus mengukur kondisi aktual mesin, memprediksi kegagalan, dan melakukan intervensi tepat pada waktunya. Perubahan sinyal seperti getaran, suhu, arus, dan suara menunjukkan adanya kerusakan beberapa minggu sebelumnya. AI sangat berguna di sini: mengekstraksi fitur dari sinyal, mendeteksi anomali, memperkirakan sisa umur. Tapi satu alarm palsu berarti downtime yang tidak perlu, satu kesalahan yang terlewat berarti bencana; Ambang batas dan keseimbangan keputusan adalah tanggung jawab insinyur. Dalam unit ini, kami membahas cara menyiapkan pemeliharaan prediktif dengan AI dan memvalidasi keputusannya.
Mengapa Getaran dan Suhu?
Kesalahan pada mesin yang berputar meninggalkan tanda yang khas. Ketika bantalan aus, roda gigi retak, poros menjadi tidak seimbang, dan energi meningkat pada frekuensi tertentu dalam spektrum getaran. Suhu adalah indikator gesekan dan peningkatan beban yang lambat namun dapat diandalkan. Kami mengekstrak fitur-fitur penting dari sinyal-sinyal berikut:
atribut
apa isinya
Kerusakan yang mana?
RMS (nilai efektif)
Energi getaran umum
Kemunduran umum, ketidakseimbangan
puncak
pukulan tiba-tiba
Cacat bantalan, takik
Faktor puncak (puncak/RMS)
Konten pulsa
Kegagalan bantalan prematur
kurtosis
"Kekejaman" distribusinya
Gejala gangguan denyut nadi
Frekuensi dominan (FFT)
Frekuensi pengumpulan energi
Kegagalan komponen tertentu
Ide utamanya: alih-alih melihat sinyal mentah, kami memantau fitur-fitur yang sensitif terhadap kesalahan. AI dengan cepat menulis kode yang menghitung atribut-atribut ini.
import numpy as npdef jitter_attributes(signal, fs): """signal: urutan percepatan, fs: frekuensi sampling (Hz).""" rms = np.sqrt(np.mean(signal**2)) peak = np.max(np.abs(signal)) crest = peak / rms if rms > 0 else 0 # kurtosis (momen keempat / varians^2) mean = np.mean(sinyal) kurtosis = np.mean((sinyal - rata-rata)**4) / (np.var(sinyal)**2 + 1e-12) # spektrum frekuensi dominan (FFT) = np.abs(np.fft.rfft(sinyal)) frekuensi = np.fft.rfftfreq(len(sinyal), 1/fs) dominan_f = frekuensi[np.argmax(spektrum)] kembalikan {"rms": rms, "puncak": puncak, "puncak": puncak, "kurtosis": kurtosis, "dominant_frekuensi": dominan_f}
Tip: Saat mengekstraksi fitur ke AI, pastikan untuk menentukan frekuensi sampling (fs) dan durasi sinyal. Resolusi FFT dan batas Nyquist bergantung padanya; Jika fs tidak diberikan, frekuensi dominan akan disalahartikan. Selain itu, tidak ada ambang batas yang berarti tanpa mengumpulkan "garis dasar" dari mesin yang sehat.
Deteksi Berbasis Ambang Batas dan Berbasis Pembelajaran
Ada dua pendekatan dasar:
Berbasis ambang batas: Melebihi batas tertentu suatu atribut (misalnya RMS) akan menghasilkan alarm. Sederhana, transparan dan dapat dijelaskan; Namun mendapatkan ambang batas yang tepat itu sulit dan bersifat satu dimensi.
Berbasis pembelajaran (deteksi anomali): Ia mempelajari hal "normal" dari data kerja yang sehat dan menandai penyimpangan darinya. Hal ini menangkap pola multidimensi, namun memerlukan lebih banyak data dan berisiko menjadi “kotak hitam”.
import numpy as npdef z_score_anomali(value, baseline_avg, baseline_std,threshold=3.0): """Anomali statistik sederhana: berapa stds jauhnya dari baseline?""" z = (value - baseline_avg) / (baseline_std + 1e-12) return abs(z) >threshold, z# Contoh: RMS rata-rata 0.8 pada mesin yang sehat, misalkan std menjadi 0.1alarm, z = z_score_anomaly(nilai=1.25, baseline_avg=0.8, baseline_std=0.1)print(f"z-score: {z:.1f}, alarm: {alarm}") # z=4.5 -> alarm Benar
Bahkan pendekatan z-score sederhana ini menunjukkan sebuah prinsip: ambang batas diperoleh dari statistik mesin yang sehat, tidak dipilih secara sembarangan. AI mungkin menyarankan metode yang lebih canggih (Isolation Forest, autoencoder), tetapi semuanya memiliki dasar yang sama: pertama tentukan "normal", lalu ukur deviasi.
Alarm Palsu dan Saldo Kesalahan Terlewatkan
Ini adalah keputusan teknis yang mendasari pemeliharaan prediktif. Ada dua jenis kesalahan dan biayanya asimetris:
Jenis kesalahan
Artinya
biaya
Alarm palsu (positif palsu)
Alarm ketika tidak ada kesalahan
Postur tubuh yang tidak perlu, kehilangan kepercayaan diri
Kesalahan yang terlewat (negatif palsu)
Tidak ada alarm ketika ada kesalahan
Kerusakan, kerusakan, bahaya yang tidak terduga
Jika Anda menurunkan ambang batas (terlalu sensitif) kesalahan yang terlewatkan berkurang tetapi alarm palsu meningkat; operator berhenti mengandalkan alarm (“kelelahan alarm”). Jika Anda meningkatkan ambang batas, alarm palsu berkurang, namun risiko kehilangan kesalahan sebenarnya meningkat. Keseimbangan yang tepat bergantung pada hasil dari kegagalan: kegagalan yang terlewatkan pada komponen yang sangat penting bagi keselamatan (misalnya rem derek) tidak dapat diterima, sehingga Anda menjaga sensitivitas tetap tinggi dan bersiap menghadapi alarm palsu.
Perhatian: Ambang batas atau akurasi model yang disarankan oleh AI (misalnya, "akurasi 95%) mungkin menyesatkan karena ketidakseimbangan kelas. Jarang terjadi malfungsi; Bahkan model yang selalu mengatakan "tidak ada kegagalan" menunjukkan akurasi yang tinggi tetapi tidak ada gunanya. Evaluasi model berdasarkan tingkat alarm palsu dan tingkat kegagalan yang terlewat, bukan berdasarkan akurasi; Risiko proses Anda menentukan keseimbangan ini.
Dari Keputusan hingga Pemeliharaan: Persetujuan Manusia
Deteksi anomali bukanlah perintah “hentikan mesin” secara langsung; Ini adalah sinyal pendukung keputusan. Alur tipikal: anomali terdeteksi → tingkat keparahan dan tren dinilai → konfirmasi tim perawatan (pemeriksaan fisik, pengukuran tambahan) → intervensi terencana. AI dapat menyarankan tren dan kemungkinan penyebabnya, namun keputusan dan waktu “hal ini perlu diganti” tetap berada di tangan manusia; karena manusia melihat rencana produksi, suku cadang dan konteks keselamatan.
Prompt Lemah / Prompt Kuat
LEMAH: “Apakah data getaran ini rusak?” (Tidak ada garis dasar, tidak ada fs, tidak ada konteks. Ya/tidak tidak berdasar.) KUAT: "Saya memiliki data akselerasi 1 detik dari sampel bantalan pada 12 kHz. Hitung RMS, faktor puncak, kurtosis, dan frekuensi dominan. Saya memiliki garis dasar pengoperasian yang sehat selama 30 hari (RMS rata-rata=0,8, std=0,1). Pengukuran ini Hitung skor-z dari garis dasar dan interpretasikan sesuai dengan ambang batas 3-sigma. Nyalakan alarm, namun nyatakan bahwa ini adalah sinyal pendukung keputusan dan bukan keputusan kesalahan yang pasti. Bandingkan frekuensi dominan dengan frekuensi kesalahan karakteristik bantalan."
Kasus Mini
Insinyur pemeliharaan Emre sedang memasang pemantauan berbasis getaran untuk motor kipas. Ia mencetak ekstraksi fitur dan kode anomali skor-z ke AI; Sistem memberikan alarm dalam beberapa hari. Namun saat Emre memeriksanya, mesin tersebut ternyata masih utuh—alarm palsu. Ketika dia memeriksanya, dia menyadari bahwa dia menetapkan baseline hanya dengan data 2 jam, sedangkan getaran kipas biasanya berfluktuasi seiring dengan perubahan beban. Ini memperpanjang batas waktu menjadi 1 minggu untuk mencakup kondisi beban yang berbeda dan alarm palsu dihentikan. Kemudian dia melihat tren kenaikan yang lambat pada faktor puncak; Hal ini menunjukkan kegagalan awal bantalan sebelum RMS melewati ambang batas. Pemeriksaan fisik memastikan keausan dini pada bantalan. Emre mengubah arah dalam pemeliharaan terencana, dan tidak ada penghentian yang tidak terduga. AI dengan cepat menghitung atribut dan anomali; Namun kualitas dasar dan interpretasi tren—menghilangkan alarm palsu dan mendeteksi kegagalan nyata sejak dini—menjadi tugas para insinyur.
Kesalahan Umum
- Menetapkan ambang batas tanpa mengumpulkan garis dasar yang memadai/mewakili dari mesin yang sehat.
- Menafsirkan FFT/frekuensi dominan tanpa menentukan frekuensi sampling.
- Mengevaluasi model dengan "akurasi" dan mendapatkan hasil yang menyesatkan jika terjadi kegagalan fungsi yang jarang terjadi.
- Memilih ambang batas secara sewenang-wenang, tidak bergantung pada risiko proses.
- Mengira sinyal anomali sebagai perintah berhenti langsung dan mengabaikan verifikasi manusia.
- Melihat satu metrik dan mengabaikan tren (kenaikan lambat).
Singkatnya
- Pemeliharaan prediktif mengukur kondisi aktual mesin dan memprediksi kegagalan.
- Fitur seperti RMS, puncak, kurtosis, frekuensi dominan diekstraksi dari getaran/suhu.
- Deteksi ambang batas dan anomali diperoleh dari statistik dasar mesin yang sehat.
- Keseimbangan alarm palsu dan kesalahan yang terlewat disesuaikan dengan risiko proses.
- Dalam kesalahan yang jarang terjadi, "akurasi" menyesatkan; alarm palsu/tingkat kesalahan digunakan.
- Anomali tersebut merupakan sinyal pendukung keputusan; Keputusan dan waktu perawatan tetap ada pada orang tersebut.
Tugas aplikasi
Temukan atau simulasikan rangkaian waktu getaran atau suhu (dasar yang sehat + bagian yang memburuk secara bertahap). Ekstraksi fitur cetak (RMS, crest, kurtosis) dan kode deteksi anomali z-score dari baseline ke AI. Kemudian: (1) tetapkan garis dasar hanya dari bagian yang sehat dan berikan frekuensi pengambilan sampel, (2) coba ambang batas untuk 2-sigma dan 4-sigma dan bandingkan bagaimana jumlah alarm palsu dan kesalahan yang terlewat berubah, (3) plot tren atribut alih-alih pengukuran tunggal dan lihat apakah hal tersebut memberikan peringatan dini. Jelaskan ambang batas mana yang sesuai untuk risiko dalam skenario Anda dan jelaskan alasan Anda memilihnya.