Pemeliharaan prediktif adalah strategi pemeliharaan berbasis data untuk memantau aset industri guna mendeteksi anomali dalam pengoperasian dan kesehatan peralatan yang dapat menyebabkan kegagalan peralatan. Melalui pemantauan proaktif atas kondisi aset, personel pemeliharaan dapat diberi tahu sebelum terjadi masalah, sehingga menghindari waktu henti yang tidak direncanakan, yang pada akhirnya mengarah pada peningkatan Efektivitas Peralatan Keseluruhan (OEE).
Namun, membangun model pembelajaran mesin (ML) yang diperlukan untuk pemeliharaan prediktif itu rumit dan memakan waktu. Ini memerlukan beberapa langkah, termasuk prapemrosesan data, membangun, melatih, mengevaluasi, lalu menyempurnakan beberapa model ML yang dapat memprediksi anomali dalam data aset Anda dengan andal. Model ML yang telah selesai kemudian perlu di-deploy dan dilengkapi dengan data langsung untuk prediksi online (inferensi). Menskalakan proses ini ke beberapa aset dari berbagai jenis dan profil operasi seringkali terlalu intensif sumber daya untuk menerapkan pemeliharaan prediktif secara lebih luas.
Dengan Amazon Lookout untuk Peralatan, Anda dapat menganalisis data sensor dengan mulus untuk peralatan industri Anda guna mendeteksi perilaku mesin yang tidak normalโtanpa memerlukan pengalaman ML.
Saat pelanggan menerapkan kasus penggunaan pemeliharaan prediktif dengan Lookout for Equipment, mereka biasanya memilih di antara tiga opsi untuk menjalankan proyek: membangunnya sendiri, bekerja dengan Mitra AWS, atau menggunakan Layanan Profesional AWS. Sebelum berkomitmen pada proyek semacam itu, pembuat keputusan seperti manajer pabrik, manajer keandalan atau pemeliharaan, dan pemimpin lini ingin melihat bukti nilai potensial yang dapat diungkapkan oleh pemeliharaan prediktif dalam lini bisnis mereka. Evaluasi semacam itu biasanya dilakukan sebagai bagian dari proof of concept (POC) dan merupakan dasar untuk kasus bisnis.
Posting ini ditujukan untuk pengguna teknis dan non-teknis: ini memberikan pendekatan yang efektif untuk mengevaluasi Lookout for Equipment dengan data Anda sendiri, memungkinkan Anda untuk mengukur nilai bisnis yang disediakan aktivitas pemeliharaan prediktif Anda.
Ikhtisar solusi
Dalam postingan ini, kami memandu Anda melalui langkah-langkah untuk menyerap kumpulan data di Lookout for Equipment, meninjau kualitas data sensor, melatih model, dan mengevaluasi model. Menyelesaikan langkah-langkah ini akan membantu memperoleh wawasan tentang kesehatan peralatan Anda.
Prasyarat
Yang Anda perlukan untuk memulai hanyalah akun AWS dan riwayat data sensor untuk aset yang dapat memanfaatkan pendekatan pemeliharaan prediktif. Data sensor harus disimpan sebagai file CSV dalam file Layanan Penyimpanan Sederhana Amazon (Amazon S3) ember dari akun Anda. Tim TI Anda harus dapat memenuhi prasyarat ini dengan merujuk Memformat data Anda. Untuk mempermudah, yang terbaik adalah menyimpan semua data sensor dalam satu file CSV di mana barisnya adalah stempel waktu dan kolomnya adalah sensor individual (hingga 300).
Setelah set data Anda tersedia di Amazon S3, Anda dapat mengikuti sisa postingan ini.
Tambahkan set data
Lookout for Equipment menggunakan proyek untuk mengatur sumber daya guna mengevaluasi peralatan industri. Untuk membuat proyek baru, selesaikan langkah-langkah berikut:
- Di konsol Lookout for Equipment, pilih Buat proyek.
- Masukkan nama proyek dan pilih Buat proyek.
Setelah project dibuat, Anda dapat menyerap set data yang akan digunakan untuk melatih dan mengevaluasi model untuk deteksi anomali.
- Di halaman proyek, pilih Tambahkan kumpulan data.
- Untuk Lokasi S3, masukkan lokasi S3 (tidak termasuk nama file) data Anda.
- Untuk Metode deteksi skema, pilih Dengan nama file, yang mengasumsikan bahwa semua data sensor untuk aset dimuat dalam satu file CSV di lokasi S3 yang ditentukan.
- Pertahankan pengaturan lain sebagai default dan pilih Mulai konsumsi untuk memulai proses menelan.
Penyerapan dapat memakan waktu sekitar 10โ20 menit hingga selesai. Di latar belakang, Lookout for Equipment melakukan tugas berikut:
- Ini mendeteksi struktur data, seperti nama sensor dan tipe data.
- Stempel waktu antara sensor diselaraskan dan nilai yang hilang diisi (menggunakan nilai terbaru yang diketahui).
- Stempel waktu duplikat dihapus (hanya nilai terakhir untuk setiap stempel waktu yang disimpan).
- Lookout for Equipment menggunakan berbagai jenis algoritme untuk membuat model deteksi anomali ML. Selama fase penyerapan, ini menyiapkan data sehingga dapat digunakan untuk melatih algoritme yang berbeda tersebut.
- Ini menganalisis nilai pengukuran dan menilai setiap sensor sebagai kualitas tinggi, sedang, atau rendah.
- Saat penyerapan set data selesai, periksa dengan memilih Lihat kumpulan data di bawah Langkah 2 halaman proyek.
Saat membuat model deteksi anomali, memilih sensor terbaik (yang berisi kualitas data tertinggi) seringkali penting untuk melatih model yang memberikan wawasan yang dapat ditindaklanjuti. Itu Detail kumpulan data bagian menunjukkan distribusi gradasi sensor (antara tinggi, sedang, dan rendah), sedangkan tabel menampilkan informasi pada setiap sensor secara terpisah (termasuk nama sensor, rentang tanggal, dan gradasi untuk data sensor). Dengan laporan mendetail ini, Anda dapat membuat keputusan berdasarkan informasi tentang sensor mana yang akan digunakan untuk melatih model Anda. Jika sebagian besar sensor dalam kumpulan data Anda dinilai sedang atau rendah, mungkin ada masalah data yang perlu diselidiki. Jika perlu, Anda dapat mengunggah ulang file data ke Amazon S3 dan menyerap data lagi dengan memilih Ganti kumpulan data.
Dengan memilih entri nilai sensor di tabel detail, Anda dapat meninjau detail kesalahan validasi yang menghasilkan nilai tertentu. Menampilkan dan menangani detail ini akan membantu memastikan informasi yang diberikan kepada model berkualitas tinggi. Misalnya, Anda mungkin melihat sinyal memiliki potongan besar yang tidak terduga dari nilai yang hilang. Apakah ini masalah transfer data, atau apakah sensornya tidak berfungsi? Saatnya menggali data Anda lebih dalam!
Untuk mempelajari lebih lanjut tentang berbagai jenis masalah sensor Alamat Lookout for Equipment saat menilai sensor Anda, lihat Mengevaluasi nilai sensor. Pengembang juga dapat mengekstrak wawasan ini menggunakan API ListSensorStatistics.
Jika sudah puas dengan kumpulan data Anda, Anda dapat melanjutkan ke langkah berikutnya dalam melatih model untuk memprediksi anomali.
Latih model
Lookout for Equipment memungkinkan pelatihan model untuk sensor tertentu. Ini memberi Anda fleksibilitas untuk bereksperimen dengan kombinasi sensor yang berbeda atau mengecualikan sensor dengan penilaian rendah. Selesaikan langkah-langkah berikut:
- Dalam majalah Detail berdasarkan sensor bagian pada halaman dataset, pilih sensor untuk disertakan dalam model Anda dan pilih Buat model.
- Untuk Nama model, masukkan nama model, lalu pilih Selanjutnya.
- Dalam majalah Pengaturan pelatihan dan evaluasi bagian, konfigurasikan data input model.
Untuk melatih model secara efektif, data perlu dipecah menjadi set pelatihan dan evaluasi yang terpisah. Anda dapat menentukan rentang tanggal untuk pemisahan ini di bagian ini, beserta rasio pengambilan sampel untuk sensor. Bagaimana Anda memilih pemisahan ini? Pertimbangkan hal berikut:
- Lookout for Equipment mengharapkan setidaknya 3 bulan data dalam rentang pelatihan, tetapi jumlah optimal data didorong oleh kasus penggunaan Anda. Lebih banyak data mungkin diperlukan untuk memperhitungkan semua jenis musiman atau siklus operasional yang dilalui produksi Anda.
- Tidak ada batasan pada rentang evaluasi. Namun, sebaiknya siapkan rentang evaluasi yang mencakup anomali yang diketahui. Dengan cara ini, Anda dapat menguji apakah Lookout for Equipment dapat menangkap peristiwa apa pun yang menarik yang mengarah ke anomali ini.
Dengan menentukan laju sampel, Lookout for Equipment secara efektif menurunkan sampel data sensor, yang dapat mengurangi waktu pelatihan secara signifikan. Laju pengambilan sampel yang ideal bergantung pada jenis anomali yang Anda curigai dalam data Anda: untuk anomali tren lambat, memilih laju pengambilan sampel antara 1โ10 menit biasanya merupakan titik awal yang baik. Memilih nilai yang lebih rendah (meningkatkan kecepatan pengambilan sampel) menghasilkan waktu pelatihan yang lebih lama, sedangkan nilai yang lebih tinggi (kecepatan pengambilan sampel yang rendah) mempersingkat waktu pelatihan dengan risiko menghilangkan indikator utama dari data Anda yang relevan untuk memprediksi anomali.
Untuk pelatihan hanya pada bagian data yang relevan di mana peralatan industri beroperasi, Anda dapat melakukan deteksi tidak aktif dengan memilih sensor dan menentukan ambang batas yang menunjukkan apakah peralatan dalam keadaan hidup atau mati. Ini penting karena memungkinkan Lookout for Equipment memfilter periode waktu untuk pelatihan saat mesin mati. Ini berarti model hanya mempelajari status operasional yang relevan dan tidak hanya saat mesin mati.
- Tentukan deteksi off-time Anda, lalu pilih Selanjutnya.
Secara opsional, Anda dapat memberikan label data, yang menunjukkan periode perawatan atau waktu kegagalan peralatan yang diketahui. Jika Anda memiliki data tersebut, Anda dapat membuat file CSV dengan data di a format terdokumentasi, unggah ke Amazon S3, dan gunakan untuk pelatihan model. Memberikan label dapat meningkatkan akurasi model yang dilatih dengan memberi tahu Lookout for Equipment di mana seharusnya menemukan anomali yang diketahui.
- Tentukan label data apa pun, lalu pilih Selanjutnya.
- Tinjau setelan Anda di langkah terakhir. Jika semuanya terlihat baik-baik saja, Anda dapat memulai pelatihan.
Bergantung pada ukuran set data Anda, jumlah sensor, dan laju pengambilan sampel, pelatihan model mungkin memerlukan waktu beberapa saat atau hingga beberapa jam. Misalnya, jika Anda menggunakan data selama 1 tahun dengan kecepatan pengambilan sampel 5 menit dengan 100 sensor dan tanpa label, pelatihan model akan memakan waktu kurang dari 15 menit. Di sisi lain, jika data Anda berisi banyak label, waktu pelatihan dapat meningkat secara signifikan. Dalam situasi seperti itu, Anda dapat mengurangi waktu pelatihan dengan menggabungkan periode label yang berdekatan untuk mengurangi jumlahnya.
Anda baru saja melatih model deteksi anomali pertama Anda tanpa sepengetahuan ML! Sekarang mari kita lihat wawasan yang bisa Anda dapatkan dari model terlatih.
Evaluasi model yang terlatih
Saat pelatihan model selesai, Anda dapat melihat detail model dengan memilih Lihat model pada halaman proyek, lalu memilih nama model.
Selain informasi umum seperti nama, status, dan waktu pelatihan, halaman model meringkas data performa model seperti jumlah peristiwa berlabel yang terdeteksi (dengan asumsi Anda memberikan label), waktu peringatan awal rata-rata, dan jumlah peristiwa anomali peralatan yang terdeteksi di luar rentang label. Tangkapan layar berikut menunjukkan contoh. Untuk visibilitas yang lebih baik, peristiwa yang terdeteksi divisualisasikan (bilah merah di bagian atas pita) bersama dengan peristiwa berlabel (bilah biru di bagian bawah pita).
Anda dapat memilih peristiwa yang terdeteksi dengan memilih area merah yang mewakili anomali di tampilan garis waktu untuk mendapatkan informasi tambahan. Ini termasuk:
- Waktu mulai dan berakhir acara beserta durasinya.
- Bagan batang dengan sensor yang menurut model paling relevan dengan alasan terjadinya anomali. Skor persentase mewakili kontribusi keseluruhan yang dihitung.
Wawasan ini memungkinkan Anda untuk bekerja dengan teknisi proses atau keandalan Anda untuk melakukan evaluasi akar penyebab peristiwa lebih lanjut dan pada akhirnya mengoptimalkan aktivitas pemeliharaan, mengurangi waktu henti yang tidak direncanakan, dan mengidentifikasi kondisi pengoperasian yang kurang optimal.
Untuk mendukung pemeliharaan prediktif dengan wawasan real-time (inferensi), Lookout for Equipment mendukung evaluasi langsung data online melalui jadwal inferensi. Ini mengharuskan data sensor diunggah ke Amazon S3 secara berkala, lalu Lookout for Equipment melakukan inferensi pada data dengan model terlatih, memberikan penilaian anomali waktu nyata. Hasil inferensi, termasuk riwayat peristiwa anomali yang terdeteksi, dapat dilihat di konsol Lookout for Equipment.
Hasilnya juga ditulis ke file di Amazon S3, memungkinkan integrasi dengan sistem lain, misalnya sistem manajemen pemeliharaan terkomputerisasi (CMMS), atau untuk memberi tahu personel operasi dan pemeliharaan secara waktu nyata.
Saat Anda meningkatkan penerapan Lookout for Equipment, Anda harus mengelola lebih banyak model dan jadwal inferensi. Untuk membuat proses ini lebih mudah, the jadwal inferensi halaman mencantumkan semua penjadwal yang saat ini dikonfigurasi untuk sebuah proyek dalam satu tampilan.
Membersihkan
Setelah selesai mengevaluasi Lookout for Equipment, sebaiknya bersihkan sumber daya apa pun. Anda dapat menghapus project Lookout for Equipment bersama dengan kumpulan data dan model apa pun yang dibuat dengan memilih project, memilih Delete, dan mengonfirmasi tindakan.
Kesimpulan
Dalam postingan ini, kami membahas langkah-langkah untuk menyerap kumpulan data di Lookout for Equipment, melatih model di atasnya, dan mengevaluasi kinerjanya untuk memahami nilai yang dapat diungkapkannya untuk masing-masing aset. Secara khusus, kami mempelajari bagaimana Lookout for Equipment dapat menginformasikan proses pemeliharaan prediktif yang menghasilkan pengurangan waktu henti yang tidak direncanakan dan OEE yang lebih tinggi.
Jika Anda mengikuti dengan data Anda sendiri dan bersemangat tentang prospek menggunakan Lookout for Equipment, langkah selanjutnya adalah memulai proyek percontohan, dengan dukungan organisasi TI Anda, mitra utama Anda, atau tim Layanan Profesional AWS kami. Percontohan ini harus menargetkan peralatan industri dalam jumlah terbatas dan kemudian ditingkatkan untuk akhirnya menyertakan semua aset dalam ruang lingkup pemeliharaan prediktif.
Tentang penulis
Johann Fuchsl adalah Arsitek Solusi dengan Amazon Web Services. Dia memandu pelanggan perusahaan di industri manufaktur dalam mengimplementasikan kasus penggunaan AI/ML, merancang arsitektur data modern, dan membangun solusi cloud-native yang memberikan nilai bisnis nyata. Johann memiliki latar belakang matematika dan pemodelan kuantitatif, yang digabungkan dengan pengalaman 10 tahun di bidang TI. Di luar pekerjaan, ia menikmati menghabiskan waktu bersama keluarganya dan berada di alam bebas.
Michael Hoarau adalah Arsitek Solusi Spesialis AI/ML industri di AWS yang berganti-ganti antara ilmuwan data dan arsitek pembelajaran mesin, bergantung pada momennya. Dia bersemangat untuk menghadirkan kekuatan AI/ML ke lantai toko pelanggan industrinya dan telah mengerjakan berbagai kasus penggunaan ML, mulai dari deteksi anomali hingga kualitas produk prediktif atau pengoptimalan manufaktur. Saat tidak membantu pelanggan mengembangkan pengalaman pembelajaran mesin terbaik berikutnya, dia senang mengamati bintang, bepergian, atau bermain piano.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/enable-predictive-maintenance-for-line-of-business-users-with-amazon-lookout-for-equipment/
- :adalah
- $NAIK
- 1
- 10
- 100
- 7
- a
- Sanggup
- Tentang Kami
- Akun
- ketepatan
- Tindakan
- kegiatan
- tambahan
- Tambahan
- Informasi Tambahan
- alamat
- menangani
- Adopsi
- AI / ML
- algoritma
- selaras
- Semua
- Membiarkan
- memungkinkan
- Amazon
- Amazon Lookout untuk Peralatan
- Amazon Web Services
- jumlah
- menganalisa
- analisis
- dan
- deteksi anomali
- pendekatan
- ADALAH
- daerah
- sekitar
- AS
- aset
- Aktiva
- At
- tersedia
- rata-rata
- menghindari
- AWS
- Layanan Profesional AWS
- latar belakang
- bar
- bar
- dasar
- BE
- karena
- sebelum
- makhluk
- percaya
- manfaat
- TERBAIK
- Lebih baik
- antara
- Besar
- Biru
- Bawah
- Membawa
- lebih luas
- membangun
- Bangunan
- bisnis
- tombol
- by
- dihitung
- CAN
- Bisa Dapatkan
- menangkap
- kasus
- kasus
- Menyebabkan
- Grafik
- Charts
- Pilih
- memilih
- Pembersihan
- Klik
- klien
- Kolom
- kombinasi
- menggabungkan
- melakukan
- lengkap
- menyelesaikan
- kompleks
- konsep
- kondisi
- Kondisi
- Mempertimbangkan
- konsul
- kendala
- mengandung
- kontribusi
- bisa
- membuat
- dibuat
- membuat
- kritis
- Sekarang
- pelanggan
- pemotongan
- siklus
- dasbor
- data
- ilmuwan data
- Data-driven
- Tanggal
- keputusan
- pengambil keputusan
- mengurangi
- lebih dalam
- Default
- mendefinisikan
- menyampaikan
- Tergantung
- tergantung
- dikerahkan
- merancang
- terperinci
- rincian
- terdeteksi
- Deteksi
- mengembangkan
- pengembang
- berbeda
- menampilkan
- menampilkan
- distribusi
- penghentian
- didorong
- selama
- setiap
- mudah
- Efektif
- efektif
- efektivitas
- aktif
- Insinyur
- memastikan
- Enter
- Enterprise
- masuk
- peralatan
- kesalahan
- mengevaluasi
- mengevaluasi
- evaluasi
- Acara
- peristiwa
- akhirnya
- segala sesuatu
- bukti
- contoh
- gembira
- tidak termasuk
- mengharapkan
- mengharapkan
- pengalaman
- Pengalaman
- eksperimen
- Dieksplorasi
- ekstrak
- Kegagalan
- keluarga
- beberapa
- File
- File
- terisi
- menyaring
- terakhir
- Menemukan
- akhir
- Pertama
- keluwesan
- mengikuti
- diikuti
- berikut
- Untuk
- dari
- lebih lanjut
- Umum
- mendapatkan
- Memberikan
- diberikan
- memberikan
- Pergi
- baik
- kelas
- membimbing
- Panduan
- tangan
- senang
- Memiliki
- Kesehatan
- membantu
- membantu
- High
- lebih tinggi
- paling tinggi
- sejarah
- Beranda
- JAM
- Seterpercayaapakah Olymp Trade? Kesimpulan
- Namun
- HTML
- http
- HTTPS
- ideal
- mengenali
- melaksanakan
- mengimplementasikan
- memperbaiki
- in
- memasukkan
- termasuk
- Termasuk
- Meningkatkan
- meningkatkan
- menunjukkan
- indikator
- sendiri-sendiri
- industri
- industri
- memberitahu
- informasi
- informasi
- memasukkan
- wawasan
- integrasi
- bunga
- investigasi
- isu
- masalah
- IT
- NYA
- jpg
- Menjaga
- kunci
- dikenal
- label
- Label
- besar
- lebih besar
- Terakhir
- Terbaru
- memimpin
- pemimpin
- terkemuka
- Memimpin
- BELAJAR
- pengetahuan
- 'like'
- Terbatas
- baris
- baris
- Daftar
- daftar
- hidup
- data langsung
- tempat
- lagi
- melihat
- TERLIHAT
- Rendah
- mesin
- Mesin belajar
- pemeliharaan
- membuat
- mengelola
- pengelolaan
- Manajer
- pabrik
- industri manufaktur
- matematika
- cara
- medium
- Pelajari
- penggabungan
- mungkin
- menit
- hilang
- ML
- model
- model
- modern
- saat
- Waktu
- pemantauan
- bulan
- lebih
- paling
- pindah
- beberapa
- nama
- nama
- Alam
- perlu
- Perlu
- membutuhkan
- kebutuhan
- New
- berikutnya
- non-teknis
- jumlah
- terjadi
- of
- on
- ONE
- secara online
- operasi
- operasi
- operasional
- Operasi
- optimal
- optimasi
- Optimize
- Opsi
- urutan
- organisasi
- Lainnya
- di luar
- secara keseluruhan
- ikhtisar
- sendiri
- halaman
- bagian
- pasangan
- rekan
- bergairah
- persentase
- Melakukan
- prestasi
- melakukan
- periode
- Personil
- tahap
- potongan-potongan
- pilot
- proyek percontohan
- plato
- Kecerdasan Data Plato
- Data Plato
- bermain
- PoC
- Titik
- Pos
- potensi
- kekuasaan
- meramalkan
- memprediksi
- Prediksi
- Mempersiapkan
- prasyarat
- Proaktif
- proses
- proses
- Produk
- Kualitas Produk
- Produksi
- profesional
- profil
- proyek
- memprojeksikan
- bukti
- bukti konsep
- prospek
- memberikan
- disediakan
- menyediakan
- menyediakan
- kualitas
- kuantitatif
- jarak
- mulai
- Penilaian
- nyata
- real-time
- sarankan
- Merah
- menurunkan
- mengurangi
- relevan
- keandalan
- Dihapus
- melaporkan
- mewakili
- mewakili
- wajib
- membutuhkan
- sumber
- Sumber
- ISTIRAHAT
- mengakibatkan
- dihasilkan
- Hasil
- ulasan
- pita
- Risiko
- akar
- Skala
- skala
- ilmuwan
- cakupan
- mencetak gol
- mulus
- Bagian
- terpilih
- memilih
- sensor
- terpisah
- layanan
- Layanan
- set
- pengaturan
- pengaturan
- beberapa
- Belanja
- harus
- Pertunjukkan
- Sinyal
- signifikan
- Sederhana
- tunggal
- situasi
- Ukuran
- So
- larutan
- Solusi
- sumber
- spesialis
- tertentu
- Secara khusus
- ditentukan
- Pengeluaran
- membagi
- Bintang
- awal
- mulai
- Mulai
- Negara
- Negara
- Status
- Langkah
- Tangga
- penyimpanan
- menyimpan
- tersimpan
- Penyelarasan
- struktur
- seperti itu
- mendukung
- Mendukung
- sistem
- sistem
- tabel
- Mengambil
- target
- tugas
- tim
- tim
- Teknis
- uji
- bahwa
- Grafik
- mereka
- diri
- dengan demikian
- Ini
- hal
- tiga
- ambang
- Melalui
- waktu
- waktu
- kali
- timestamp
- untuk
- terlalu
- puncak
- Pelatihan VE
- terlatih
- Pelatihan
- transfer
- Perjalanan
- MENGHIDUPKAN
- jenis
- khas
- Akhirnya
- menemukan
- bawah
- memahami
- Tiba-tiba
- upload
- menggunakan
- gunakan case
- Pengguna
- biasanya
- pengesahan
- nilai
- Nilai - Nilai
- berbagai
- melalui
- giat
- View
- jarak penglihatan
- berjalan
- Cara..
- jaringan
- layanan web
- apakah
- yang
- sementara
- SIAPA
- lebar
- Rentang luas
- akan
- dengan
- tanpa
- Kerja
- bekerja
- tertulis
- tahun
- tahun
- Kamu
- Anda
- zephyrnet.dll