Pengembangan Sistem Prediksi Kegagalan Mesin Berbasis AI untuk Industri Manufaktur
Main Article Content
Abstract
Industri manufaktur terus berkembang dan berinovasi, dengan fokus pada peningkatan efisiensi, produktivitas, dan keandalan. Salah satu cara untuk mencapai tujuan ini adalah dengan menerapkan sistem prediksi kegagalan mesin berbasis AI. Sistem ini dapat membantu industri manufaktur untuk:1) Memprediksi kapan mesin akan mengalami kegagalan, 2) Melakukan tindakan pencegahan sebelum kegagalan terjadi, 3) Mengurangi waktu henti produksi, 4) Meningkatkan efisiensi dan produktivitas, 5) Memperpanjang umur mesin. Karya ilmiah ini membahas pengembangan sistem prediksi kegagalan mesin berbasis AI untuk industri manufaktur. Sistem ini menggunakan algoritma machine learning untuk menganalisis data sensor dari mesin dan memprediksi kemungkinan kegagalan. Sistem ini juga dilengkapi dengan modul visualisasi data yang memungkinkan pengguna untuk melihat dan memahami prediksi yang dibuat oleh sistem.
Article Details
References
- Brown, S. D., & Doppelbauer, M. (2019). Machine learning for predictive maintenance of manufacturing equipment. CIRP Journal of Manufacturing Science and Technology, 25, 122-131.
- Al-Ghamdi, A. S., & Al-Alawi, S. M. (2020). A review of machine learning approaches for predictive maintenance in manufacturing. International Journal of Advanced Manufacturing Technology, 107(5-8), 1699-1717.
- Benkedjouh, T., Medjaher, K., Zerhouni, N., & Rechak, S. (2013). Remaining useful life estimation based on support vector machine and particle swarm optimization. Mechanical Systems and Signal Processing, 41(1-2), 283-297.
- Cheng, S., & Zhang, Y. (2019). A review of deep learning approaches for predictive maintenance. IEEE Transactions on Industrial Electronics, 66(12), 9732-9741.
- Lei, Y., Jia, F., Lin, J., Xing, S., & Ding, S. X. (2018). An intelligent fault diagnosis method for rotating machinery based on deep learning and ensemble learning. IEEE Transactions on Industrial Electronics, 65(12), 9866-9875.
- Lee, J., Lapira, E., Bagheri, B., & Kao, H. A. (2013). Recent advances in predictive manufacturing for industrial sustainability and environmental protection. Journal of Manufacturing Science and Engineering, 135(4), 041010.
- Qin, Y., & Zhang, B. (2019). A survey on deep learning for fault diagnosis and prognostics of rotating machinery. Neurocomputing, 361,
- Zhang, Z., Wang, P., & Li, B. (2020). A comprehensive survey of machine learning for predictive maintenance. IEEE Transactions on Industrial Informatics, 16(11), 7385-7398.