Human Knowledge Centered Maintenance Decision Support in Digital Twin Environment

Dipublikasikan oleh Anjas Mifta Huda

11 Agustus 2025, 13.37

sumber: pexels.com

Penelitian ini membahas bagaimana pengetahuan manusia—yang tersimpan dalam catatan kerja pemeliharaan atau Maintenance Work Orders (MWOs)—bisa dimanfaatkan secara maksimal dalam ekosistem Digital Twin untuk membantu pengambilan keputusan perawatan (maintenance decision support).

MWOs adalah catatan yang diisi teknisi atau operator saat melakukan inspeksi, perbaikan, atau penggantian komponen pada suatu peralatan. Catatan ini biasanya berbentuk teks bebas, mengandung istilah teknis, singkatan, dan gaya penulisan yang sangat bervariasi antar orang.

Masalahnya, meskipun MWOs kaya akan wawasan praktis, mereka jarang dimanfaatkan secara penuh karena sifatnya yang tidak terstruktur (unstructured data). Mayoritas perusahaan lebih fokus ke data sensor dan parameter terukur, padahal catatan teknisi sering berisi konteks yang tidak terekam oleh sensor.

Paper ini memperkenalkan pendekatan berbasis Natural Language Processing (NLP) modern, khususnya Technical Language Processing (TLP), untuk mengolah teks MWOs dan mengintegrasikannya dalam Digital Twin Service System—sebuah sistem layanan berbasis kembar digital yang menghubungkan ruang fisik (Physical Space, PS) dan ruang virtual (Virtual Space, VS).

Latar Belakang: Industri 4.0 dan Tantangan Pemeliharaan

Industri 4.0 menghadirkan smart factory—pabrik pintar yang memanfaatkan Internet of Things (IoT), sensor canggih, komputasi awan (cloud computing), dan kecerdasan buatan (artificial intelligence, AI) untuk mengoptimalkan produksi.

Namun, peningkatan otomatisasi ini membawa dua masalah besar:

  1. Kompleksitas meningkat – Sistem industri modern terdiri dari banyak komponen saling terhubung, membuat deteksi dan diagnosis masalah menjadi rumit.
  2. Dark Data – Data yang terkumpul namun tidak dianalisis atau digunakan. MWOs termasuk di dalam kategori ini karena isinya berupa teks bebas yang sulit diproses oleh algoritma konvensional.

Relevansi untuk industri:

  • Perusahaan manufaktur besar sering memiliki ribuan hingga jutaan catatan MWOs di sistem mereka.
  • Tanpa alat analisis yang tepat, catatan itu hanya menjadi arsip historis, bukan sumber pengetahuan aktif.
  • Mengolah MWOs berarti menghidupkan kembali pengalaman teknisi lama untuk membantu teknisi baru.

Konsep Digital Twin dalam Siklus Manufaktur

Digital Twin (DT) adalah model virtual yang merepresentasikan objek fisik secara real-time. DT memadukan data dari Physical Space (PS), Virtual Space (VS), dan Digital Twin Data (DTD) untuk menciptakan simulasi yang akurat.

Dalam konteks siklus manufaktur, DT berperan di berbagai tahap:

  1. Desain Produk
    • Menggunakan data pelanggan, spesifikasi, dan parameter fungsi untuk membuat model awal.
    • Model diuji di VS sebelum dibuat prototipe fisik di PS.
  2. Proses Produksi
    • Menggunakan model peralatan di VS untuk mengontrol produksi di PS.
    • Data status dan kapasitas produksi dimonitor secara terus-menerus untuk optimasi.
  3. Penggunaan Produk
    • Memantau perilaku produk melalui data sensor.
    • Analisis umpan balik pelanggan untuk perbaikan desain di masa depan.
  4. Pemeliharaan (Maintenance)
    • Model diagnostik di VS memanfaatkan data sensor dan MWOs untuk memprediksi kegagalan (predictive maintenance).
    • Catatan teknisi yang ada di MWOs membantu menciptakan rencana pemeliharaan yang lebih tepat.

Nilai tambah bagi industri:
Integrasi MWOs ke dalam DT memungkinkan solusi yang diusulkan terlebih dahulu diuji di dunia virtual sebelum diaplikasikan ke fisik, sehingga mengurangi risiko downtime.

Maintenance Work Orders (MWOs): Tantangan dan Potensi

MWOs adalah catatan formal dari aktivitas pemeliharaan, termasuk:

  • Waktu dan tanggal perawatan.
  • Komponen yang diperbaiki atau diganti.
  • Gejala kerusakan dan penyebabnya.
  • Langkah-langkah perbaikan yang diambil.

Tantangan pengolahan MWOs:

  • Tidak terstruktur (bahasa teknis yang bervariasi antar teknisi).
  • Mengandung singkatan atau akronim yang khas industri.
  • Terdapat kesalahan pengetikan (typo), penulisan singkat, dan ejaan tidak konsisten.

Potensi:

  • Menjadi "perpustakaan hidup" pengetahuan teknisi.
  • Mempercepat pelatihan teknisi baru.
  • Menyediakan solusi berbasis pengalaman lapangan yang nyata.

Arsitektur Sistem yang Diusulkan

Penulis mengusulkan Maintenance Decision Support Composite Service yang mengintegrasikan MWOs ke dalam ekosistem DT. Pendekatan ini menggunakan Case-Based Reasoning (CBR)—metode yang mencari solusi untuk masalah baru berdasarkan kemiripan dengan kasus lama.

CBR memiliki empat tahap utama:

  1. Retrieve – Menemukan kasus serupa dari basis data MWOs.
  2. Reuse – Menggunakan solusi lama untuk kasus baru.
  3. Revise – Menyesuaikan solusi jika perlu.
  4. Retain – Menyimpan solusi yang diperbarui untuk digunakan di masa depan.

Teknologi kunci:

  • BERT (Bidirectional Encoder Representations from Transformers) – Model bahasa canggih yang dilatih untuk memahami konteks kata.
  • Fine-tuning dengan TSDAE (Transformer-based Sequential Denoising Auto-Encoder) – Metode penyesuaian model agar memahami bahasa teknis dalam MWOs tanpa pelabelan manual.
  • Cosine Similarity – Algoritma untuk mengukur kesamaan antar representasi teks (embeddings).

Proses Pengolahan Data MWOs

Langkah-langkah utama yang diusulkan:

  1. Pengumpulan Data
    • MWOs diambil dari sistem CMMS.
    • Catatan diproses minimal (misalnya, penyeragaman huruf kapital).
  2. Pembuatan Embeddings
    • Menggunakan model BERT yang sudah di-fine-tune untuk menghasilkan representasi numerik setiap MWO.
  3. Pencarian Kasus Serupa
    • Kasus baru dibandingkan dengan basis data untuk menemukan top-k kasus yang paling mirip.
  4. Validasi di Digital Twin
    • Solusi diuji di VS sebelum diimplementasikan di PS.
  5. Pembaruan Basis Pengetahuan
    • Solusi yang berhasil ditambahkan kembali ke basis data sebagai referensi di masa depan.

Studi Kasus: Pemeliharaan Mining Excavators

Dataset:

  • 5.485 catatan MWOs.
  • Periode data: 2002–2012.
  • Sumber: peralatan excavator di industri pertambangan.

Karakteristik dataset:

  • Banyak variasi penulisan untuk masalah yang sama (misalnya "L/H" vs "LH" vs "lhs").
  • Adanya sinonim teknis ("replace" vs "changeout").
  • Ejaan tidak konsisten.

Hasil pengujian:

  • Sistem berhasil mengidentifikasi exact match (sama persis) dan semantic match (makna sama meski penulisan beda).
  • Contoh:
    • Query: “CHECK AND REPAIR TWO WAY HANDS FREE FUNC”
      Match: “REPAIR HANDS FREE 2 - WAY” (83,2% similarity).
    • Query: “R/H ENGINE BLOWING WHITE SMOKE”
      Match: “L/H ENGINE BLOWING EXCESSIVE WH SMOKE” (86,6% similarity).

Interpretasi praktis:
Teknisi bisa langsung melihat catatan kasus serupa berikut solusi yang pernah berhasil, sehingga mempercepat proses diagnosa dan mengurangi kesalahan.

Dampak ke Dunia Nyata

1. Efisiensi Waktu dan Biaya

Dengan sistem ini:

  • Waktu diagnosa dapat dipangkas drastis.
  • Downtime mesin berkurang, yang berarti penghematan biaya produksi.
  • Biaya pelatihan teknisi turun karena mereka belajar dari basis pengetahuan nyata.

2. Transfer Pengetahuan

  • Mengurangi risiko kehilangan pengetahuan teknis saat teknisi senior pensiun atau pindah.
  • Membuat pengetahuan teknisi dapat diakses lintas generasi.

3. Pemanfaatan Dark Data

  • Mengubah MWOs yang awalnya tidak digunakan menjadi sumber wawasan strategis.
  • Meningkatkan ROI dari investasi CMMS dan sensor IoT.

Opini dan Kritik

Kelebihan:

  • Menggabungkan NLP canggih, DT, dan CBR dalam satu ekosistem.
  • Validasi di dunia nyata dengan dataset industri.
  • Skalabel untuk berbagai sektor (pertambangan, manufaktur, energi, transportasi).

Kekurangan:

  1. Ketergantungan pada kualitas data historis – Jika MWOs tidak lengkap atau terlalu ringkas, hasilnya kurang optimal.
  2. Kebutuhan retraining – Model harus diperbarui saat ada istilah baru atau pola masalah baru.
  3. Keterbatasan infrastruktur – Implementasi berbasis cloud membutuhkan koneksi stabil, sulit di lokasi terpencil.

Saran pengembangan:

  • Integrasi dengan data sensor untuk membuat model hybrid.
  • Penambahan feedback loop dari teknisi untuk melatih model secara berkelanjutan.
  • Antarmuka HMI yang ramah pengguna lapangan.

Kesimpulan

Pendekatan ini membuktikan bahwa pengetahuan manusia dalam MWOs adalah aset strategis yang bisa diolah dengan NLP modern dan diintegrasikan ke DT untuk mendukung pengambilan keputusan pemeliharaan.

Bagi industri yang ingin meningkatkan efisiensi, mengurangi downtime, dan menjaga transfer pengetahuan teknis, solusi ini bukan hanya relevan—tetapi esensial.

Sumber asli:
Naqvi, S. M. R., Ghufran, M., Meraghni, S., Varnier, C., Nicod, J.-M., & Zerhouni, N. (2022). Human Knowledge Centered Maintenance Decision Support in Digital Twin Environment. Journal of Manufacturing Systems. DOI: 10.1016/j.jmsy.2022.08.006