Neuron Soundware

Mengubah intuisi teknisi berpengalaman menjadi AI yang dapat diskalakan untuk pemeliharaan prediktif.

Hubungi untuk harga Czechia

Didirikan di Praha pada 2016, Neuron Soundware membawa konsep lama ke era modern: teknisi berpengalaman sering bisa mengetahui kapan sebuah mesin akan rusak hanya dengan mendengarkannya. Bedanya, Neuron Soundware mengubah intuisi ini menjadi sistem AI yang dapat diskalakan dan beroperasi 24/7.

Fitur & Skenario Penggunaan

Seorang insinyur pemeliharaan veteran bisa berjalan melintasi lantai pabrik dan langsung tahu jika sebuah pompa terdengar tidak beres. Meski efektif, keahlian ini terikat pada individu tertentu yang pada akhirnya akan pensiun atau resign, dan satu orang hanya bisa memantau satu lokasi dalam satu waktu. Neuron Soundware menggunakan perangkat keras IoT nEdge untuk menangkap sinyal audio dan getaran dari mesin, lalu memasukkannya ke platform cloud nGuard untuk dianalisis. Model AI mempelajari baseline akustik normal setiap mesin, dan memicu peringatan dini begitu terdeteksi anomali.

Dibandingkan analisis getaran arus utama, akustik memiliki keunggulan tersendiri: mikrofon bisa dipasang tanpa merusak, sehingga tidak perlu menghentikan operasi dan membongkar peralatan untuk memasang sensor. Selain itu, suara mengandung data spektrum frekuensi yang lebih kaya dibanding getaran saja, sehingga sangat sensitif terhadap mode kegagalan tertentu seperti kavitasi, keausan bearing tahap awal, dan kebocoran katup. Ini ideal untuk memantau mesin, kompresor, pompa, dan berbagai jenis peralatan produksi.

Solusi ini cocok untuk industri manufaktur, energi, pengolahan air, dan transportasi yang mengoperasikan mesin berputar berat. Terutama bernilai bagi fasilitas industri yang menua yang menghadapi kesenjangan keterampilan serius saat teknisi senior pensiun, di mana mengganti seluruh lini produksi tidaklah praktis. Sifat pemantauan akustik yang tanpa kontak membuatnya bisa dipasang ulang pada peralatan lama jauh lebih pragmatis dibanding solusi yang menuntut modifikasi mekanis besar.

Fitur Utama

nEdge / nEdge Pro: perangkat keras edge IoT untuk menangkap sinyal audio, getaran, dan fisik lainnya
nGuard: platform analitik berbasis web untuk memproses data dan menilai kesehatan peralatan
Model AI yang mempelajari baseline akustik normal setiap mesin untuk mendeteksi penyimpangan anomali
Pemasangan mikrofon tanpa kontak, tanpa downtime atau pembongkaran peralatan
Cocok untuk mesin, kompresor, pompa, dan beragam mesin produksi
Peringatan dini dan interpretasi mode kegagalan
Pemrosesan edge computing untuk mengurangi kebutuhan bandwidth

Kelebihan

Pemasangan akustik tanpa kontak sangat ramah untuk peralatan lama yang tidak bisa dimatikan atau dipasangi sensor tradisional
Menskalakan 'telinga teknisi' untuk mengatasi kesenjangan keterampilan teknis di seluruh industri
Integrasi menyeluruh perangkat keras dan perangkat lunak menghilangkan kebutuhan merakit tumpukan sensor kustom
Rekam jejak industri Eropa yang solid didukung pengalaman nyata di lantai manufaktur

Kekurangan

Akustik pabrik yang kompleks dan kebisingan latar dari mesin di sekitarnya menjadi tantangan nyata, sehingga penempatan sangat krusial
Model butuh masa belajar awal untuk membangun baseline normal, jadi tidak ada deteksi anomali instan di hari pertama
Sebagai perusahaan kecil, ketersediaan dukungan teknis di tiap wilayah perlu diverifikasi lebih dulu
Harga tidak diumumkan ke publik; menuntut pengadaan perangkat keras, bukan sekadar langganan perangkat lunak

Contoh Penggunaan

Deteksi dini keausan bearing pada mesin berputar seperti kompresor dan pompa
Pemantauan kesehatan berkelanjutan untuk peralatan lini produksi yang beroperasi nonstop
Pemantauan kondisi aset lama di mana sensor getaran tradisional tidak bisa dipasang
Mengubah jadwal pemeliharaan dari berbasis kalender menjadi berbasis kondisi untuk meminimalkan downtime yang tidak perlu
Diagnostik jarak jauh dan klasifikasi mode kegagalan untuk anomali mesin

Catatan Editor

Catatan Editor: Ini tantangan yang sangat mendesak bagi manufaktur modern. Titik nyeri terbesar bukan sekadar perangkat keras yang menua; melainkan pensiun massal personel berpengalaman yang secara naluriah tahu kapan sebuah mesin akan rusak — pengetahuan yang tidak pernah dituliskan dalam prosedur operasi standar dan ikut hilang saat mereka pergi di hari terakhirnya. Menggunakan AI akustik untuk melestarikan keahlian ini adalah arah yang tepat. Bagi manajer fasilitas yang ingin menjajaki ini, saya sarankan mulai dari kecil: pilih tiga aset kritis yang paling Anda kenal dan paling sering bermasalah sebagai proyek percontohan, lalu gunakan data kegagalan historis Anda untuk memvalidasi apakah sistemnya bisa menangkapnya. Jangan langsung menggelarnya ke seluruh pabrik sekaligus.

FAQ

Bagaimana analisis akustik bisa bekerja di lantai pabrik yang berisik?

Ini kekhawatiran yang paling umum dan sah. Dalam praktiknya, hal ini diatasi melalui kombinasi penempatan mikrofon jarak dekat, model AI yang mempelajari signature frekuensi mesin tertentu alih-alih volume keseluruhan, serta teknik pemrosesan sinyal untuk menyaring kebisingan latar. Namun, di lingkungan akustik yang sangat kacau, kinerja bisa terpengaruh, sehingga uji coba di lokasi sangat penting sebelum penerapan penuh.

Bagaimana perbandingannya dengan analisis getaran tradisional (mis. Augury)?

Analisis getaran adalah metodologi arus utama yang sangat matang untuk pemeliharaan prediktif. Akustik unggul pada pemasangan tanpa kontak dan data spektrum frekuensi yang lebih kaya. Jika peralatan bisa dimatikan untuk memasang sensor dan anggaran memungkinkan, ekosistem getaran lebih lengkap. Namun, untuk mesin lama yang tidak bisa dihentikan, penerapan akustik menawarkan fleksibilitas yang jauh lebih baik. Kedua metode juga bisa saling melengkapi.

Berapa lama sampai terlihat hasilnya?

AI harus terlebih dahulu mempelajari baseline kondisi normal peralatan, yang biasanya memakan waktu beberapa minggu hingga beberapa bulan tergantung kompleksitas siklus operasinya. Ini standar untuk semua solusi pemantauan berbasis kondisi — jangan berharap ia menangkap kesalahan sehari setelah pemasangan.