Internet of Things

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

Dari Jurnal yang penulis kutip dari https://www.fujielectric.com/company/tech/pdf/62-03/FER62-03-198-2016.pdf tersebut telah memaparkan apa itu Internet of Things serta penerapan pada berbagai bidang dalam kehidupan namun peneliti masih menemukan masalah, yaitu Bagaimana perbedaan penggunaan pada Univariate Statistical Process Control (USPC) dengan Multivariate Statistical Process Control (MSPC) pada Internet of Things tersebut.

Terimakasih.