Dalam era Industri 4.0, produktivitas dan efisiensi mesin industri sangat tergantung pada kemampuan untuk mendeteksi gangguan sebelum berdampak besar. Salah satu pendekatan paling menjanjikan untuk tujuan ini adalah analisis multivariate time series menggunakan metode anomaly detection berbasis deep learning.
Penelitian oleh Nicola Bee dari Università degli Studi di Padova menyajikan studi kasus nyata yang melibatkan mesin pengisi produk susu, dengan fokus pada modul cap applicator. Dalam proyek ini, digunakan Temporal Fusion Transformer (TFT)—model deep learning terkini—untuk mendeteksi anomali berdasarkan prediksi perilaku sinyal mesin secara real-time.
Mengapa Deteksi Anomali Penting di Dunia Industri?
Tantangan:
- Mesin beroperasi dengan pola berulang namun kompleks
- Sensor menghasilkan data multivariat dalam jumlah besar
- Banyak dataset tidak memiliki label anomali
- Definisi anomali sering bersifat kontekstual dan ambigu
Dampak positif deteksi anomali:
- Mencegah downtime tak terduga
- Mengurangi biaya perawatan
- Meningkatkan keselamatan kerja
- Menjamin kualitas produk yang konsisten
Kasus Nyata: Mesin Pengisi Susu dengan Modul Cap Applicator
Deskripsi Mesin:
- Digunakan untuk mengisi karton aseptik dengan produk cair (susu, telur, detergen)
- Memiliki proses cap sealing berbasis ultrasound
- Sensor mencatat sinyal seperti:
- PVWE (energi las)
- PVCP (daya las)
- PVCF (frekuensi sonotrode)
- ST (status operasi)
- RA (kode resep)
Tujuan Penelitian:
Membangun model deep learning yang mampu:
- Mendeteksi anomali tanpa label eksplisit
- Mengakomodasi berbagai variasi mesin dan konfigurasi resep
- Beroperasi pada data real dari cloud industri
Model Deep Learning yang Digunakan: Temporal Fusion Transformer (TFT)
Mengapa TFT?
- Mampu menangani data time series multivariat
- Mendukung input:
- Past variables
- Future inputs
- Static metadata
- Dilengkapi dengan:
- Variable Selection Network
- Gated Residual Network (GRN)
- Multi-head interpretable attention
- Probabilistic forecasting (quantile)
Keunggulan TFT:
- Akurat dalam prediksi multi-horizon
- Memberikan penjelasan variabel paling penting
- Mendukung pengayaan statis untuk prediksi yang lebih baik
Proses Eksperimen dan Implementasi
1. Akuisisi Data
- Data dikumpulkan dari sistem IoTmelalui InfluxDB dan MongoDB
- Sinyal diambil dari ratusan mesin, tiap mesin bisa memiliki 1 atau 2 jalur produksi
- Data memiliki format tidak seragam akibat perbedaan model mesin dan resep pelanggan
2. Preprocessing
- Konversi bit dari sinyal status (ST)
- Normalisasi dan rekonsiliasi variabel dari jalur A dan B
- Eliminasi noise dan interpolasi data hilang
3. Pelatihan Model
- Dataset dipecah menjadi segmen temporer
- Model TFT dilatih untuk memprediksi sinyal
- Anomali = deviasi signifikan antara prediksi dan nilai aktual
Evaluasi Hasil: TFT vs Model Lain
Dalam evaluasi terhadap berbagai model deteksi anomali, Temporal Fusion Transformer (TFT) menunjukkan performa paling unggul dibandingkan pendekatan lainnya. Model ini mencatat akurasi tertinggi dalam mengidentifikasi beragam jenis anomali, termasuk point anomalies (outlier individual), contextual anomalies (anomali yang hanya terlihat dalam konteks tertentu), collective anomalies (anomali yang muncul sebagai pola dalam kelompok data), serta series anomalies (anomali yang berkaitan dengan hubungan antar-sinyal dalam urutan waktu). Dibandingkan dengan model seperti Z-Score yang meski sederhana namun kurang akurat, atau Isolation Forest yang lebih scalable tapi terbatas pada analisis multivariat, TFT unggul dalam fleksibilitas dan interpretabilitas. Bahkan dibandingkan LSTM Recurrent Neural Network yang sudah terkenal handal dalam menangani data berurutan, TFT tetap unggul dengan kombinasi kekuatan prediksi yang tinggi serta kemampuan menjelaskan keputusan model melalui fitur-fitur interpretatif. Keunggulan ini menjadikan TFT sebagai pilihan utama dalam sistem deteksi anomali modern, khususnya untuk aplikasi kompleks seperti maintenance prediktif dan pengawasan sistem real-time.
Studi Kasus Anomali Nyata
1. Lonjakan Energi Las (PVWE)
- Terjadi lonjakan mendadak 40% dibanding rata-rata
- Tidak terdeteksi oleh sistem alarm tradisional
- Terdeteksi sebagai anomali oleh TFT
2. Fluktuasi Frekuensi Sonotrode (PVCF)
- Anomali kolektif selama 2 menit
- Dipicu oleh keausan transduser
- TFT mendeteksi deviasi jangka panjang ini
3. Perubahan Konfigurasi Resep Mendadak
- Perubahan ID resep menyebabkan pola sinyal berubah
- Anomali ini sempat menjadi false positive, hingga model diperbaiki dengan static metadata awareness
Tantangan Teknis dan Solusi
Tantangan:
- Dataset besar dan tidak bersih
- Produksi tidak stabil (durasi produksi tidak konsisten)
- Mesin-mesin berbeda struktur dan konfigurasi
- Alarm tidak selalu selaras dengan anomali sinyal
Solusi:
- Model universal tanpa ketergantungan pada mesin tertentu
- Deteksi tanpa label (unsupervised)
- Pemilihan variabel otomatis oleh model
- Interpretabilitas tinggi untuk validasi oleh teknisi
Rekomendasi Praktis untuk Industri
Bagi perusahaan manufaktur:
- Implementasikan sensor real-time dan cloud storage
- Gunakan model TFT untuk prediksi dan perawatan prediktif
- Terapkan proses visualisasi anomali untuk tim operasional
Untuk pengembang AI industri:
- Kembangkan model dengan generalitas tinggi
- Lakukan training dengan beragam data mesin dan konfigurasi
- Perhatikan variabilitas antar pelanggan (resep & model mesin)
Kesimpulan: TFT sebagai Masa Depan Keandalan Industri
Penelitian ini membuktikan bahwa Temporal Fusion Transformer adalah solusi paling kuat untuk deteksi anomali mesin industri berbasis multivariate time series. Tidak hanya memberikan akurasi tinggi, model ini juga mampu menjelaskan mengapa suatu anomali terjadi, memberikan insight penting untuk perbaikan preventif. Dengan pendekatan ini, dunia industri dapat bergerak menuju maintenance berbasis data, menurunkan risiko kerusakan mendadak, dan meningkatkan efisiensi sistem secara menyeluruh.
Sumber Asli: Nicola Bee. Anomaly Detection of Multivariate Time Series for Industrial Machinery. Master Thesis, Università degli Studi di Padova, 2024.