Teknologi
Aplikasi Matematis untuk Solusi
Internet
of Things
MATSUI,
Tetsuro * MURAKAMI, Kenya * TANGE, Yoshio *
ABSTRAK
Ketika
Internet of Things (IoT) menjadi semakin meluas, perangkat yang secara
konvensional tidak terhubung ke jaringan akan menjadi terhubung, dan juga, data
yang secara tradisional tidak dapat diukur akan dikumpulkan dan dianalisis.
Sangat penting bahwa berbagai macam data yang dikumpulkan harus digunakan untuk
menemukan dan memberikan nilai. Untuk mencapai hal ini, Fuji Electric telah
mengembangkan teknologi aplikasi matematika untuk analisis data dan
optimalisasi. Teknologi aplikasi matematika terbaru sedang diterapkan untuk
berbagai jenis produk dan sistem. Teknologi ini termasuk teknologi diagnosis
anomali untuk pemrosesan batch, deteksi gejala anomali berdasarkan prakiraan
ensemble, dan teknologi untuk memvisualisasikan penghematan energi potensial
melalui optimasi manipulasi formula.
3. Anomaly Diagnosis Technology for Batch Processing
Baru-baru
ini, di bidang industri dan konsumen, ada peningkatan tuntutan untuk
pemeliharaan peralatan dan manajemen kualitas manufaktur dalam proses
manufaktur. Proses batch, yang merupakan jenis proses manufaktur, mengacu pada
satu di mana bahan makan, pengolahan atau manufaktur, dan pengiriman produk
atau produk sebagian selesai diulang menggunakan fasilitas dan peralatan yang
sama. Dalam makalah ini, objek yang melibatkan penanganan serupa yang diulangi
oleh peralatan dan perangkat biasanya disebut sebagai proses batch. Misalnya,
mereka dapat menunjukkan peralatan pendingin seperti lemari es didinginkan
untuk dijelaskan sebagai contoh aplikasi, di samping proses polimerisasi dalam
industri kimia, proses manufaktur semikonduktor dan proses pencetakan injeksi.
Dalam proses
batch, banyak sensor yang dipasang di berbagai perangkat bersama dengan
kemajuan teknologi sensor untuk memungkinkan pengukuran permintaan variabel
status terperinci. Dengan demikian, Fuji Electric mengembangkan teknologi
diagnosis anomali akurasi tinggi oleh multivariat proses pengendalian statistik
(MSPC) untuk proses batch. Hal ini menimbulkan harapan besar untuk perbaikan di
tingkat manajemen untuk mencegah pembuatan produk yang cacat dan untuk
melakukan pemeliharaan preventif peralatan dalam proses manufaktur.
3.1 MSPC
Kontrol
proses statistik mengacu pada teknologi yang menggunakan teknik statistik untuk
memantau kondisi operasi proses. Tujuannya adalah untuk mencegah pembuatan
produk yang tidak memenuhi spesifikasi guna meningkatkan produktivitas. Kontrol
proses statistik univariat (USPC), yang telah lama digunakan secara luas,
adalah teknologi untuk mendiagnosis anomali dengan menetapkan batas atas dan bawah
batas kontrol untuk variabel proses yang memiliki pengaruh pada kualitas.
Namun, ia rentan untuk mendeteksi anomali ketika lebar antara batas atas dan
bawah terlalu sempit dan tidak dapat mendeteksi anomali ketika lebar terlalu
lebar.
Sementara
itu, MSPC mengambil korelasi antara variabel ke akun untuk diagnosis, daripada
menilai anomali dengan hanya menggunakan batas atas dan bawah (lihat Gambar.
2). Pertama, data dalam kisaran normal dimodelkan dengan menggunakan teknik
analisis komponen utama. Model ini kemudian digunakan untuk menentukan rentang
elips yang ditunjukkan pada Gambar. 2 (b) sebagai kisaran normal. Untuk
diagnosis, penilaian dibuat berdasarkan tingkat penyimpangan antara nilai-nilai
variabel yang akan didiagnosis dan rentang normal ini. Dengan cara ini, MSPC
dapat secara akurat mendeteksi anomali yang tidak dapat dideteksi oleh USPC.
 |
| Gambar 2. Perbedaan antara USPC dan MSPC dalam diagnosis Anomali |
3.2 MSPC
untuk proses batch
Bagian ini
menjelaskan contoh penerapan MSPC untuk proses batch ke showcase berpendingin
yang digunakan untuk menjual barang tahan lama di toko swalayan dan
supermarket. Pajangan pendingin bisa rusak karena pembentukan embun beku di
musim panas dan lembab di musim panas. Jika showcase gagal, itu menyebabkan
kerugian yang signifikan baik pada toko dan konsumen dan perlu diprediksi
sebelumnya sehingga langkah-langkah dapat diambil. Dalam lemari es, pencairan
bunga es terjadi secara berkala dan suhu serta perubahan data lainnya secara
berkala. Ini dapat diperlakukan sebagai proses batch.
Gambar 4
menunjukkan contoh sebuah lemari pendingin di toko nyata. Itu didiagnosis
dengan menghasilkan alarm suhu tinggi yang disebabkan oleh pembentukan embun
beku. Secara konvensional, embun beku tidak dapat dideteksi sebelum alarm
dihasilkan tetapi, dalam contoh ini, indeks diagnosis meningkat pesat sekitar 3
minggu sebelum generasi anomali, yang menunjukkan bahwa tanda anomali jelas
diidentifikasi.
 |
| Gambar 3. MSPC untuk proses Batch |
 |
| Gambar 4. Contoh aplikasi untuk showcase berpendingin |
Terimakasih.
