Perpustakaan Digital ITB

Pesatnya perkembangan teknologi kendaraan listrik atau Electric Vehicle (EV) dalam dekade terakhir telah meningkatkan urgensi pengembangan sistem pemeliharaan yang bertransisi dari paradigma reaktif dan preventif menuju pendekatan yang cerdas dan prediktif. Dalam arsitektur sistem EV, motor listrik merupakan komponen krusial yang berfungsi sebagai penggerak utama. Salah satu jenis motor yang diaplikasikan secara luas adalah Brushless Direct Current (BLDC) karena memiliki sejumlah keunggulan, antara lain efisiensi dan kepadatan daya yang tinggi, serta kemudahan dalam perawatan. Meskipun demikian, selayaknya komponen elektromekanis lain, motor BLDC rentan mengalami berbagai jenis gangguan. Salah satu gangguan internal yang signifikan adalah Inter-Turn Fault (ITF) pada lilitan stator. Gangguan ini umumnya tidak terdeteksi secara visual namun dapat mengakibatkan peningkatan suhu lokal, ketidakseimbangan arus, dan berpotensi mengakselerasi degradasi hingga menuju kegagalan sistem secara total. Penelitian ini bertujuan untuk mengembangkan model prediksi Remaining Useful Life (RUL) pada motor BLDC yang mengalami ITF dengan mengimplementasikan pendekatan berbasis pembelajaran mesin (machine learning) yang memanfaatkan data multi-sensor. Estimasi RUL menyajikan informasi kuantitatif mengenai sisa durasi operasional suatu komponen sebelum mencapai ambang batas kegagalan. Informasi ini memegang peranan vital dalam mendukung pengambilan keputusan untuk penjadwalan perawatan yang optimal, mitigasi risiko kegagalan mendadak, serta peningkatan keandalan dan efisiensi operasional EV. Berbeda dari penelitian sebelumnya, studi ini mengusulkan sebuah pendekatan yang lebih holistik melalui fusi data dari beberapa parameter sensor, yakni kecepatan, suhu, dan arus. Pendekatan ini dihipotesiskan dapat memberikan representasi kondisi kesehatan motor yang lebih akurat dan pada akhirnya meningkatkan presisi estimasi RUL. Metodologi penelitian mencakup akuisisi data menggunakan sistem berbasis mikrokontroler untuk merekam 1.260.000 sampel data multi-sensor dengan frekuensi sampling 100 ms atau selama 2100 menit. Kumpulan data mentah ini selanjutnya melalui serangkaian tahap pra-pemrosesan yang terdiri dari filtrasi, pengecekan data yang hilang, pengolahan data dari nilai outlier, ekstraksi dan seleksi fitur, normalisasi, dan konstruksi Health Index (HI) sebagai proksi kuantitatif dari tingkat degradasi motor. Tiga arsitektur jaringan saraf tiruan dievaluasi untuk pemodelan estimator RUL, yaitu Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), dan Bidirectional LSTM (BiLSTM). Proses prediksi diimplementasikan menggunakan metode rolling prediction. Evaluasi performa dilakukan dengan membandingkan prediksi waktu kegagalan dari setiap model terhadap waktu aktual saat nilai HI mencapai ambang batas kegagalan (0,23), yaitu pada menit ke-1939. Hasil eksperimen menunjukkan bahwa model RNN menghasilkan galat prediksi rata-rata sebesar 405,17 menit (persentase galat 53,03%). Model LSTM menunjukkan peningkatan performa dengan galat rata-rata 197,42 menit (persentase galat 25,84%). Sementara itu, model BiLSTM mencatatkan performa terbaik dengan galat rata-rata 142,25 menit dan persentase galat terkecil, yakni 18,62%. Berdasarkan hasil tersebut, dapat disimpulkan bahwa pendekatan berbasis data multi-sensor yang dipadukan dengan model BiLSTM terbukti cukup andal untuk memprediksi RUL motor BLDC sebagai strategi pemeliharaan proaktif terhadap kerusakan akibat ITF. Dengan demikian, model ini memiliki potensi besar untuk diimplementasikan pada sistem pemeliharaan prediktif kendaraan listrik di masa depan