Keuntungan:
- Mengetahui data mana yang menunjukkan kerusakan
- Dapat membuat prediksi dengan pemantauan ambang batas sederhana
- Membedakan apa yang bisa dan tidak bisa dilakukan AI di sini
Kebanyakan malfungsi tidak terjadi secara tiba-tiba; memberi isyarat terlebih dahulu. Peningkatan getaran, peningkatan suhu, perubahan penarikan arus, dan perubahan karakter suara adalah penyebab paling umum.
Data untuk dilacak
- Arus motor: arus yang meningkat dapat mengindikasikan penyumbatan atau bantalan menempel.
- Suhu bantalan: kurangnya pelumasan atau ketidaksejajaran.
- Getaran: ketidakseimbangan, keausan, kendor.
- Perbedaan tekanan aspirasi: penyumbatan filter.
- Efisiensi produksi: penurunan efisiensi dengan pengaturan yang sama merupakan indikator keausan tidak langsung.
Peran kecerdasan buatan
Kecerdasan buatan mengikuti pola dalam data ini dengan lebih sabar dibandingkan manusia: deteksi “arus motor roller C2 telah meningkat secara bertahap dalam tiga minggu terakhir” memperlihatkan tren yang mungkin terlewatkan.
Namun, kecerdasan buatan tidak melihat kerusakannya, melainkan melihat datanya. Jika tidak ada sensor dan tidak ada data yang direkam, maka tidak ada prediksi. Prasyarat untuk pemeliharaan prediktif adalah pengukuran; perangkat lunak adalah langkah kedua.
Kalimat “AI memprediksi kegagalan” hanya benar jika ada data. Ukur dulu, buat model nanti. Membangun model tanpa mengukur berarti membuat kesimpulan dari informasi yang tidak ada.