Perpustakaan Digital ITB

Bantalan merupakan bagian penting pada mesin berputar yang terdapat pada industri dan status pengoperasiannya mempengaruhi kinerja mesin secara langsung serta dampak yang dihasilkan cukup signifikan pada keselamatan mesin dan operator. Pengoperasian pada beban tertentu dan adanya faktor lingkungan, menyebabkan keandalan pada bantalan semakin memburuk seiring berjalannya waktu. Apabila hal ini terjadi dapat menyebabkan kerugian ekonomi yang cukup besar. Untuk dapat menjamin keandalan dan keamanan bantalan perlu dilakukannya perawatan yang tepat. Prognostik Health Management (PHM) merupakan deteksi, diagnostik, dan prognostik yang tugasnya membantu untuk menerapkan strategi pemeliharaan yang efisien, tepat waktu, dan tepat dalam mengambil keputusan. Teknologi PHM memberikan dasar untuk Predictive Maintenance (PdM) pada komponen dan sistem industri. Secara sederhana PdM dapat diartikan sebagai perawatan yang didasarkan pada kondisi mesin itu sendiri. Terdapat beberapa metode yang digunakan pada strategi PdM, antara lain analisis getaran, emisi akustik, analisis oli, analisis partikel, pemantauan korosi, termografi, dan pemantauan performa. Dari beberapa metode tersebut, analisis getaran merupakan salah satu metode yang digunakan untuk memantau kondisi mekanikal dari sebuah peralatan apakah dalam kondisi normal atau mengalami penurunan kemampuan operasional. Analisis getaran dapat digunakan dalam melakukan prediksi remaining useful life (RUL). RUL merupakan lamanya waktu mesin dalam beroperasi sebelum memerlukan perbaikan atau pergantian. Prediksi RUL terkait dengan alat untuk mengetahui keandalan serta mendukung pengambilan keputusan, melakukan perawatan pada alat guna menghindari waktu henti. Terdapat beberapa metode yang bisa digunakan dalam melakukan prediksi RUL, seperti metode driven, data driven, dan hybrid. Penggunaan metode data driven menjadi perhatian banyak kalangan, diantaranya metode pembelajaran mendalam. Dalam beberapa tahun terakhir, penelitian mengenai penggunaan pembelajaran mendalam untuk pembelajaran representasi, klasifikasi deret waktu dan prediksi mendapat banyak perhatian. Metode pembelajaran mendalam dapat mengatasi data jumlah besar dengan akurasi yang tinggi. Beberapa metode telah dilakukan untuk pengembangan pembelajaran mendalam dengan tujuan melakukan prediksi RUL. Terdapat tiga kategori model yang dapat digunakan pada metode pembelajaran mendalam: model generative, model hybrid, dan model discriminative. Metodologi Cross-Industry Standard Process for Data Mining (CRISP-DM) digunakan sebagai alur pengembangan pemodelan dan analisis getaran pada penelitian ini. Pada tahap pemahaman bisnis didefinisikan tujuan yang dicapai yaitu memprediksi sisa waktu guna pada bantalan untuk mengetahui jadwal perawatan yang tepat. Tahap pemahaman data dideskripsikan jenis, struktur, dan kualitas data yang digunakan. Objek data latih dan data validasi yang digunakan merupakan data getaran dari bantalan dengan tiga kondisi yang berbeda. Kondisi satu memiliki beban 1800 rpm dan kecepatan putar 4000 N. Kondisi dua memiliki beban 1650 rpm dan kecepatan putar 4200 N. Kondisi tiga memiliki beban 1500 rpm dan kecepatan putar 5000 N. Pada tahap praproceses data dilakukan proses load data, dilakukan transformasi menggunakan fast fourier transform, dan pemilihan fitur. Pemodelan prediksi RUL dilakukan dengan menggunakan metode pembelajaran mendalam. Metode pembelajaran mendalam yang digunakan diantaranya convolutional neural network (CNN) dan Long Short-Term Memory (LSTM). Selanjutnya analisis akurasi dari masing-masing model dengan menggunakan model metrik, serta perhitungan skor untuk masing-masing model dilakukan guna mengetahui keakurasian model. Pada setiap model, digunakan 2 masukan yaitu akselerometer vertikal dan akselerometer horizontal guna mempelajari fitur atau pola getaran di tiap arah. Bersasarkan evaluasi model menggunakan metrik model regresi, LSTM mempuyai nilai galat yang lebih kecil dibandingkan dengan CNN untuk prediksi RUL bantalan. Model LSTM mendapatkan nilai MAE = 0,15 dan RMSE = 0,19. Sedangkan untuk model CNN mendapatkan nilai MAE = 0,22 dan RMSE = 0,26. Nilai ini didapat dengan menggunakan model metrik untuk hasil model terhadapat data latih dan data validasi. Selanjutnya untuk model LSTM menghasilkan skor akurasi sebesar 0,82 dengan nilai maksimum 1, skor ini dianggap cukup akurat untuk membuktikan bahwa model LSTM dalam memprediksi RUL. Sedangkan untuk model CNN skor yang didapat yaitu sebesar 0,43 dengan nilai maksimim 1, skor ini dianggap kurang akurat untuk model dalam memprediksi RUL jika dibandingkan dengan model LSTM. Selain itu untuk waktu yang dibutuhkan model LSTM dalam melakukan training model yaitu 30 detik dengan jumlah epoch yang digunakan adalah 15. Sedangkan model CNN membutuhkan waktu 100 menit pada proses training model dengan jumlah epoch yang digunakan adalah 30 epoch.