01 / Selected Project
Sistem Prediksi Keausan Alat CNC
Sistem pemeliharaan prediktif untuk memantau kondisi alat potong CNC berdasarkan data sensor, memperkirakan tingkat keausan, dan mengirim peringatan sebelum alat mencapai kondisi kritis.
Problem
Keausan alat potong CNC sulit diketahui secara tepat jika hanya mengandalkan pemeriksaan manual. Kondisi ini dapat menyebabkan alat diganti terlalu cepat, kualitas hasil produksi menurun, atau mesin berhenti mendadak karena alat telah melewati batas aman.
User
Operator mesin, teknisi pemeliharaan, supervisor produksi, dan manajer operasional yang membutuhkan informasi kondisi alat untuk menentukan waktu pemeriksaan atau penggantian secara lebih tepat.
Solution
Membangun sistem yang mengolah data terbaru dari enam sensor mesin untuk memperkirakan tingkat keausan dan risiko kondisi kritis. Hasil analisis ditampilkan sebagai status Normal atau Peringatan, kemudian dikirim melalui email ketika alat perlu segera diperiksa atau diganti.
Key Features
- Prediksi tingkat keausan alat dalam milimeter
- Penilaian risiko alat mencapai kondisi kritis
- Analisis data dari enam sensor mesin
- Status kondisi alat: Normal atau Peringatan
- Notifikasi email dengan rekomendasi tindakan
- Pencatatan hasil dan riwayat setiap pemeriksaan
- Proses pemeriksaan yang dapat dijalankan melalui GitHub Actions
Challenge
Mengolah data sensor yang panjang dan memiliki karakteristik berbeda, menjaga format data tetap konsisten antara pelatihan dan penggunaan model, serta menentukan peringatan yang cukup sensitif tanpa menghasilkan terlalu banyak alarm yang tidak diperlukan. Tantangan ini diatasi dengan menyeragamkan data sensor, melakukan pemeriksaan kualitas data, dan menguji model pada kelompok proses pemesinan yang terpisah agar hasil evaluasi lebih realistis.
Impact
Sistem membantu tim mengetahui kondisi alat lebih awal, mengurangi ketergantungan pada pemeriksaan manual, dan mendukung penggantian alat berdasarkan kondisi aktual. Hal ini berpotensi mengurangi penghentian mesin secara mendadak, mencegah penurunan kualitas produksi, dan menghindari penggantian alat yang terlalu cepat. Pada pengujian menggunakan dataset eksperimen NASA, sistem mampu mendeteksi sekitar 91% kondisi kritis dengan rata-rata selisih prediksi keausan sebesar 0,106 mm.
Tech Choices
- Python untuk pengolahan data sensor dan otomatisasi seluruh proses pemeriksaan
- Scikit-learn dengan Random Forest untuk memprediksi tingkat keausan dan risiko kondisi kritis
- NumPy, Pandas, dan SciPy untuk membaca, membersihkan, dan menyiapkan data sensor
- Jupyter Notebook untuk pelatihan, pengujian, dan dokumentasi model
- GitHub Actions untuk menjalankan proses pemeriksaan secara konsisten dari GitHub
- Gmail SMTP untuk mengirim peringatan langsung kepada tim pemeliharaan
- JSON dan file log untuk menyimpan riwayat hasil pemeriksaan dan memudahkan penelusuran masalah