Data Sciences

1. Data science applications for predictive maintenance and materials science in context to Industry 4.0
Sufiyan Sajid , Abid Haleem , Shashi Bahl , Mohd Javaid, Tarun Goyal, Manoj Mittal
Second International Conference on Aspects of Materials Science and Engineering (ICAMSE 2021)
https://doi.org/10.1016/j.matpr.2021.01.357
2214-7853/2021 Elsevier Ltd. All rights reserved.
DATA SCIENCE APPLICATIONS FOR PREDICTIVE
MAINTENANCE AND MATERIALS SCIENCE IN
CONTEXT TO INDUSTRY 4.0
TEAM 2 MEMBER :
1. ARIF ROHMAN EKO PRASETYO
2. MOHAMMAD TAUFAN
ANDREYANTO
3. NAZMI SALIM

2. 1. INTRODUCTION
 Ketersediaan data dan kustomisasi sangat dibutuhkan
dalam Industri 4.0.
 Dengan menggunakan Big Data, kita dapat mendapatkan
informasi dan pengetahuan berharga, yang membantu
dalam pengambilan keputusan strategis, mengurangi biaya
dan waktu perawatan, serta meningkatkan aktivitas dan
efisiensi produksi sekaligus memaksimalkan masa pakai
alat berat.
 Penerapan teknologi Industri 4.0 pada pandemi COVID-19
membantu menganalisis status virus dan proses penelitian
dan pengembangan.

3. 2. RESEARCH OBJECTIVES OF THE PAPER
 Bagaimana data prediktif para ilmuwan tentang teknik
pemeliharaan bermanfaat bagi industri manufaktur.
 Mendeskripsikan tentang PdM, sejarahnya dan
gambaran umum tentang pendekatan praktis yang
paling umum.
 Menggambarkan peran ilmu data dalam prediktif
teknik pemeliharaan.

4. 3. INDUSTRI 4.0
Ide Industri 4.0 pertama kali dicetuskan pada tahun 2011 untuk
meningkatkan intensitas dan efektivitas industri manufaktur.
Dengan meningkatnya kompleksitas, tuntutan, dan persaingan di
pasar internasional, persyaratan produk yang disesuaikan
menjadi tantangan utama perusahaan. Industri 4.0 berpotensi
berdampak pada sistem manufaktur dengan kemajuan digitalisasi
yang cepat dan teknologi seperti IoT, data besar, dan kecerdasan
buatan. Sebelumnya telah terjadi tiga transformasi modern:
Industri 1.0, Industri 2.0, dan Industri 3.0.

5. 4. DATA SCIENCE
Masih ada perbedaan yang signifikan dalam apa itu ilmu data. Ilmu data telah disebut sebagai :
 Serangkaian disiplin ilmu yang diperlukan untuk memecahkan tantangan data yang signifikan
 Disiplin ilmu baru memberikan strategi, teknik, dan metode untuk mengambil moral dan
sedikit pengetahuan dari indeks informasi baru dan yang sudah ada
 Praktek mengumpulkan data, menganalisis data di dalam ruang masalah, menyimpulkan
penemuan-penemuan dengan pola yang bermakna, dan membuat kesimpulan
 Menemukan pola data yang menarik dan bermakna menggunakan metode analisis
komputasional

6. 5. PREDICTIVE
MAINTENANCE
Ada empat tingkat kematangan dalam pemeliharaan
prediktif. Tingkat kedewasaan keempat ini disingkat sebagai
PdM 4.0
 Level 1 adalah inspeksi visual, di mana para ahli
mengambil secara berkala pemeriksaan fisik dan
kesimpulan yang dibuat oleh inspektur keahlian.
 Level 2 adalah Inspeksi Instrumen, di mana kombinasi
dari inspeksi ahli fisik berkala dengan pembacaan
instrument membuat kesimpulan.
 Level 3 adalah pemantauan kondisi waktu nyata, di
mana terus menerus pemantauan dilakukan dan
peringatan diberikan berdasarkan yang telah ditentukan
sebelumnya aturan.
 Level 4 adalah Pemeliharaan Prediktif (PdM 4.0), di
mana historis dan data saat ini disimpan untuk
memprediksi kegagalan mesin menggunakan algoritma
pembelajaran mesin.

7. 6. DATA SCIENCE IN MATERIAL
SCIENCE AND ENGINEERING
 Integrasi ilmu data ke ilmu material bertujuan untuk menemukan
alam di bawah fenomena dan produksi. Menggabungkan bahan
data, kekuatan komputasi, dan pengetahuan domain memasuki
tahap eksplorasi baru dan menemukan bahan baru atau
alternatif Kombinasi dari pengetahuan ini dikenal sebagai
informatika material.
 Dengan pengumpulan sejumlah besar data dan menerapkan
data teknik sains yaitu machine learning dan data mining.
Beberapa repositori yang lebih besar, bersama-sama berisi lebih
dari satu juta entri material yang merupakan Proyek Material

8. 7. CRITICAL TYPE AND ATTRIBUTE DATA COLLECTED MATERIAL SCIENCE
Manufaktur cerdas memanfaatkan informasi canggih dan teknologi dari Industri 4.0 yang
memungkinkan penerapan data di alur kerja dan dapat mendorong ilmu material dengan kecerdasan
buatan (pembelajaran mesin) untuk mengeksplorasi proses produksi dan inovasi material
manufacturing .

9. ROLE OF DATA SCIENCE IN PREDICTIVE MAINTENANCE

10. 8. ROLE OF DATA SCIENCE IN PREDICTIVE MAINTENANCE
1. Data Retrieval : Data mentah (big data) yang berasal dari sumber relevan seperti maintenance
history,usage and condition asset, dan enviromental data. Tabel di bawah menunjukkan data yang
sering digunakan.

11. 2. Data Preparation: Mengubah data yang tidak struktur menjadi data struktur yang siap untuk
dianalisis. Data struktur adalah data yang mudah diakses, disimpan, dan diolah Contoh: sensor
data, weblog data, dan data excel. Unstructured data adalah raw data yang diatur lebih dahulu
seperti format Contoh: IoT sensor data, images, video Semi-structured data adalah data diantara
struktur dan tidak berstruktur yang dapat dikonversi melaui transpose, function, pivot, atau tipe
konversi
3. Exploratory data analysis : Membantu mengurangi Outlier (data asing) dalam analisis
8. ROLE OF DATA SCIENCE IN PREDICTIVE MAINTENANCE
Alat analisis: Python,R
programming, matlab,
mic.excel, Mic. Power BI,
dan Tableu
mean
median
Modus
Central
tedency
Standar
deviation
Variance
Spread Shape pf
distribution
Detection
of outliner
Ada dua jenis outlier (nilai asing).
1. Kesalahan Teknis
2. kesalahan Entri Data

12. 4. Modelling Data: digunakan untuk prediksi sisa manfaat atau waktu pada saat mesin gagal.
 Supervised learning: data training diketahui input dan outcome data. Metode: Regresi, Bayesian statistic,
random forest, and decsion tree learning
 Unspervised learning: outcome tidak diketahui. Metode: cluestering and dimensionality reduction, k-means,
gaussian.
 Reinforcement learning: model dengan lingkungan dinamik dan tidak ada label input/ output. Metode:
Markov decision dan Q learning
5. Presentation dan automation: membuat keputusan dan strategi yang lebih baik
• Maintenance planning and schedulling
• Realiability and degradation bases decision making
• Joint optimization
• Maintenance cost and risk estimation and optimization
• Multistate and multi component system optimization
8. ROLE OF DATA SCIENCE IN PREDICTIVE MAINTENANCE

13. 9. LIMITATIONS AND FUTURE SCOPE OF
WORK
Paper ini memiliki batasan terhadap data yang
bersifat nonavailability dari data industri. Lima
tahapan dalam data science dan machine
learning dapat diaplikasikan lebih lanjut. Selain
itu, adanya tambahan data analisis seperti
excel atau table. Keahlian komputasional dan
matematika lanjut dibutuhkan untuk store,
proses, dan analisis data.

14. 9. FUTURE SCOPE OF WORK
Terus meningkat jumlah Big data. Bila dengan excel dan
table tradisional dalam menganalisis data maka akan
menimbulkan kesulitan karena kumpulan data yang tidak
terstruktur. Oleh karena itu, komputasi tingkat lanjutdan
keterampilan matematika diperlukan untuk menyimpan,
memproses, dan menganalisisdata. Ini adalah salah satu
area di mana para ilmuwan data akan membantu untuk
membuat perbedaan

15. 10. CONCLUSIONS
 Paper ini bersifat sistematik literature review berdasarkan beberapa research yang
berkaitan dengan predictive maintenance, industry 4.0 dan data science.
 Data science dianalisis melaui five critical proccess yang dilakukan. Selain itu,
analisis kritikal faktor dalam predictive maintenance juga diperlukan dalam analisis.
 pemahaman algoritma untuk prediksi yang terbaik. Selain itu, pentingnya integrasi
antara pengetahuan , machine learning algoritma dan data mining .

16. TERIMA KASIH