Kecerdasan buatan semakin terlihat di area produksi, mulai dari pemeliharaan prediktif dan visi mesin hingga analitik produksi dan pemecahan masalah berbantuan AI. Namun, pertanyaan sebenarnya bagi manajer pabrik bukan lagi apakah AI dapat digunakan dalam manufaktur. Pertanyaan yang lebih praktis adalah apakah AI dapat menyelesaikan masalah operasional yang didefinisikan dengan jelas dan menghasilkan peningkatan yang terukur tanpa mengganggu sistem kontrol yang sudah ada.
AI Memperluas Peran Otomasi
Otomasi industri tradisional dirancang untuk menjalankan logika yang telah ditentukan secara konsisten. PLC, platform DCS, sistem SCADA, drive, sistem keselamatan, dan instrumentasi tetap bertanggung jawab mengendalikan proses fisik sesuai aturan yang telah ditetapkan.
AI menambahkan lapisan lain. Alih-alih sekadar menjalankan urutan yang telah diprogram, sistem AI dapat menganalisis sejumlah besar informasi historis dan waktu nyata, lalu mengidentifikasi hubungan yang mungkin sulit dideteksi seseorang secara manual.
Sebagai contoh, data produksi dapat digabungkan dengan pengukuran getaran, arus motor, suhu, catatan pemeliharaan, riwayat alarm, dan kondisi operasi untuk mengidentifikasi pola yang berkaitan dengan penurunan kondisi peralatan.
Dari sudut pandang teknik, perbedaan ini penting. AI tidak seharusnya dipandang sebagai pengganti lapisan kontrol. Di sebagian besar pabrik, manfaat langsungnya kemungkinan lebih berasal dari mendukung pengambilan keputusan terkait sistem kontrol daripada menggantikan logika kontrol deterministik.
Kesenjangan Pengetahuan Mungkin Lebih Penting daripada Kesenjangan Tenaga Kerja
Banyak organisasi manufaktur telah mengumpulkan pengetahuan praktis selama puluhan tahun melalui operator, teknisi, personel pemeliharaan, dan teknisi kontrol yang berpengalaman. Namun, sebagian besar pengetahuan itu tersimpan di luar basis data formal.
Pengetahuan itu mungkin tersimpan dalam catatan pemeliharaan, rekaman tulisan tangan, prosedur pemecahan masalah, gambar teknik lama, kebiasaan operator, dokumen teknik, atau sekadar dalam ingatan teknisi yang telah bekerja dengan mesin yang sama selama 25 tahun.
Ketika personel berpengalaman pensiun, timbul masalah besar dalam transfer pengetahuan.
AI industri berpotensi menghubungkan data mesin dengan manual, prosedur operasi standar, riwayat pemeliharaan, catatan alarm, dan dokumentasi lainnya. Teknisi yang kurang berpengalaman kemudian dapat memperoleh konteks tambahan saat menyelidiki kondisi yang tidak normal.
Ini tidak menghilangkan kebutuhan akan teknisi berpengalaman. Sebaliknya, AI dapat membuat pengetahuan mereka lebih mudah diakses di berbagai giliran kerja dan area produksi.
Menurut saya, ini adalah salah satu penerapan AI jangka pendek yang paling menjanjikan di bidang manufaktur: melestarikan dan menyebarkan pengetahuan operasional, alih-alih mencoba mengotomatiskan setiap keputusan manusia.
Proyek AI Terbaik Berawal dari Masalah di Pabrik
Kesalahan yang umum adalah memulai dari teknologi.
Perusahaan memilih platform AI, mengembangkan proyek percontohan, menghubungkan beberapa sumber data, lalu baru menanyakan hasil bisnis apa yang seharusnya diberikan oleh sistem tersebut.
Pendekatan rekayasa seharusnya dibalik.
Mulailah dengan masalah yang dapat diukur:
- Aset apa yang paling sering menyebabkan waktu henti tak terencana?
- Penyimpangan proses apa yang menimbulkan biaya produk afkir tertinggi?
- Di mana teknisi menghabiskan waktu berlebihan untuk memecahkan masalah?
- Alarm apa yang berulang kali memerlukan bantuan teknisi senior?
- Aktivitas inspeksi manual apa yang menyita banyak tenaga kerja?
- Di mana konsumsi energi lebih tinggi dari yang diperkirakan?
- Parameter produksi apa yang sulit dioptimalkan dengan metode konvensional?
Setelah masalahnya dirumuskan, AI menjadi salah satu solusi rekayasa yang memungkinkan, bukan tujuan itu sendiri.
Pada akhirnya, proyek yang bermanfaat harus terkait dengan metrik pabrik seperti waktu henti, hasil produksi, rendemen, produk afkir, biaya pemeliharaan, kualitas, pemanfaatan tenaga kerja, atau konsumsi energi.
Proyek Percontohan Tidak Sama dengan Nilai Produksi
Produsen telah melakukan banyak eksperimen AI, tetapi demonstrasi yang berhasil tidak serta-merta menjadi sistem produksi yang berhasil.
Sebuah proyek percontohan mungkin dapat mengidentifikasi anomali mesin dengan tepat saat menggunakan kumpulan data terbatas dalam kondisi terkendali. Lingkungan produksi berbeda. Sensor dapat rusak, instrumen dapat dikalibrasi ulang, logika PLC dapat berubah, resep produksi dapat diubah, koneksi jaringan dapat terputus, dan personel operasional mungkin merespons secara berbeda dari asumsi yang digunakan selama pengembangan.
Di sinilah banyak inisiatif AI menemui kesulitan.
Ujian sesungguhnya bukanlah apakah model AI berfungsi dalam demonstrasi. Ujian sesungguhnya adalah apakah model tersebut terus memberikan informasi yang berguna setelah diintegrasikan ke dalam prosedur operasi normal pabrik.
Infrastruktur Otomasi yang Ada Tidak Boleh Diabaikan
Pabrik manufaktur jarang memiliki kemewahan untuk memulai dengan arsitektur yang benar-benar baru.
Fasilitas pada umumnya dapat memiliki beberapa generasi PLC, pengendali DCS, HMI, sistem SCADA, historian, remote I/O, penggerak frekuensi variabel, peralatan pemantauan kondisi, jaringan Ethernet industri, dan perangkat serial lama.
Mengganti infrastruktur ini hanya untuk menerapkan AI biasanya tidak praktis.
Karena itu, strategi retrofit lebih realistis. Data dapat dikumpulkan dari historian yang sudah ada, antarmuka OPC, PLC, sistem pemantauan kondisi, basis data, dan sumber lain yang tersedia, sementara arsitektur kendali utama tetap dipertahankan.
Pendekatan ini juga mengurangi risiko perubahan yang tidak perlu pada sistem produksi yang telah divalidasi.
Tujuannya seharusnya menambahkan kecerdasan pada infrastruktur otomasi yang telah terbukti, bukan membangun ulang seluruh pabrik hanya karena muncul teknologi baru.
Kualitas Data Menentukan Kualitas AI
AI tidak dapat mengatasi buruknya kualitas data industri.
Jika tag instrumen salah diidentifikasi, cap waktu tidak konsisten, nilai sensor memiliki celah, status peralatan tidak terdokumentasi, atau data historis tidak memiliki konteks yang memadai, model yang dihasilkan mungkin memberikan kesimpulan yang secara teknis mengesankan tetapi menyesatkan secara operasional.
Masalah ini sering kali dianggap remeh karena data manufaktur dihasilkan secara terus-menerus. Data dalam jumlah besar tidak selalu berarti data berkualitas tinggi.
Sebelum menerapkan aplikasi AI, para insinyur harus memahami:
- Dari mana data berasal
- Bagaimana sensor dan instrumen dikalibrasi
- Apakah cap waktu disinkronkan
- Bagaimana status peralatan diidentifikasi
- Bagaimana nilai yang hilang ditangani
- Apakah kejadian pemeliharaan di masa lalu didokumentasikan secara akurat
- Personel atau sistem mana yang memiliki data tersebut
- Bagaimana perubahan konfigurasi PLC dan DCS memengaruhi makna data
Kumpulan data yang sederhana dan terdokumentasi dengan baik dapat lebih bernilai daripada jutaan catatan yang konteksnya tidak memadai.
Keselamatan Harus Tetap Terpisah dari Eksperimen AI
Konsekuensi dari rekomendasi AI yang keliru sangat bergantung pada penerapannya.
Menggunakan AI untuk merangkum catatan pemeliharaan sangat berbeda dengan membiarkan keputusan yang dihasilkan AI secara langsung memengaruhi penghentian yang terkait keselamatan.
Di industri proses, pabrik kimia, kilang minyak, fasilitas pembangkit listrik, dan lingkungan lain dengan risiko tinggi, fungsi keselamatan deterministik harus terus beroperasi sesuai prinsip rekayasa yang berlaku dan persyaratan keselamatan yang relevan.
AI dapat membantu pemantauan, diagnosis, deteksi anomali, dan dukungan pengambilan keputusan, tetapi bukan berarti AI harus otomatis diberi wewenang atas fungsi keselamatan.
Arsitektur praktis harus mendefinisikan dengan jelas apa yang boleh diamati AI, apa yang boleh direkomendasikannya, dan tindakan apa yang harus tetap berada di bawah kendali konvensional atau logika keselamatan.
Manajer Pabrik Tidak Perlu Menjadi Ilmuwan Data
Kesalahpahaman lainnya adalah bahwa manajer pabrik harus mendadak menjadi ahli dalam machine learning, model bahasa besar, dan agen AI.
Mereka memang perlu memahami kemampuan dan keterbatasan teknologi ini, tetapi keahlian mereka yang paling berharga tetaplah pengetahuan operasional.
Manajer pabrik memahami kendala produksi, prioritas pemeliharaan, kemampuan tenaga kerja, persyaratan kualitas, ekspektasi keselamatan, dan konsekuensi finansial dari waktu henti.
Pengetahuan tersebut diperlukan untuk menentukan apakah aplikasi AI menangani masalah yang bermakna.
Karena itu, tim implementasi terbaik memadukan berbagai disiplin ilmu: operasi, pemeliharaan, rekayasa sistem kontrol, jaringan IT/OT, rekayasa data, keamanan siber, dan spesialis AI.
Proyek AI jauh lebih mungkin berhasil ketika orang yang membangun sistem memahami cara kerja pabrik yang sebenarnya.
ROI Harus Diukur Sebelum Penerapan Diperluas
Proyek AI harus memiliki nilai dasar sebelum diterapkan.
Sebagai contoh, jika pemeliharaan prediktif ditujukan untuk mengurangi waktu henti, organisasi harus menetapkan frekuensi, durasi, dan biaya historis dari kegagalan yang relevan. Jika AI digunakan untuk inspeksi kualitas, tingkat cacat dan beban kerja inspeksi saat ini harus didokumentasikan.
Setelah penerapan, metrik yang sama dapat dibandingkan dengan nilai dasar.
Dengan demikian, keputusan investasi menjadi jauh lebih jelas.
Proyek yang mengurangi waktu pemecahan masalah sebanyak 30 menit per kejadian mungkin bernilai di satu pabrik dan tidak berarti di pabrik lain. Demikian pula, mengurangi sebagian kecil produk cacat dapat menghasilkan peningkatan finansial yang signifikan pada lini produksi bervolume tinggi.
Poin pentingnya adalah ROI AI berbeda-beda di setiap pabrik dan harus dihitung berdasarkan hasil operasional, bukan kecanggihan teknologi.
Pengawasan Manusia Akan Tetap Penting
Proses manufaktur beroperasi dengan batasan fisik yang tidak selalu dapat direpresentasikan secara sempurna dalam data historis.
Seorang insinyur berpengalaman mungkin menyadari bahwa nilai sensor yang tidak biasa disebabkan oleh masalah instrumen, bukan masalah proses. Seorang teknisi mungkin tahu bahwa mesin tertentu berperilaku berbeda saat dinyalakan. Seorang operator mungkin memahami kondisi produksi yang tidak terdokumentasi dengan baik dalam basis data.
AI dapat mengidentifikasi pola, tetapi manusia memberikan konteks operasional.
Karena itu, saya memperkirakan sistem manufaktur yang paling efektif akan menerapkan model human-in-the-loop. AI mengidentifikasi anomali, menyusun informasi, menyarankan kemungkinan penyebab, atau memprioritaskan tindakan, sementara personel yang berkualifikasi tetap bertanggung jawab atas keputusan yang berdampak pada operasional.
Tahap Berikutnya Adalah Integrasi, Bukan Sekadar Otomatisasi
Pembahasan AI dalam manufaktur secara bertahap mulai melampaui proyek percontohan individual.
Tantangan berikutnya adalah integrasi: menghubungkan kemampuan AI dengan otomatisasi yang sudah ada, alur kerja pemeliharaan, dokumentasi teknik, sistem historian, sistem manajemen aset, dan prosedur operasional.
Integrasi itu membutuhkan lebih dari sekadar membeli platform AI. Pabrik perlu memiliki kepemilikan data yang ditetapkan dengan jelas, informasi yang distandardisasi, kontrol keamanan siber, alur kerja yang terdokumentasi, serta orang-orang yang memahami sistem industri maupun perangkat lunak modern.
Produsen yang paling diuntungkan oleh AI kemungkinan bukanlah mereka yang menerapkan model dalam jumlah terbanyak. Mereka adalah organisasi yang mengidentifikasi masalah operasional tertentu, menghubungkan data industri yang andal dengan masalah tersebut, memvalidasi hasil bersama personel berpengalaman, dan memperluas penerapan hanya setelah nilai yang terukur terbukti.
