Perpustakaan Digital ITB

Pendekatan predictive maintenance berbasis pembelajaran mesin telah banyak digunakan untuk memprediksi Remaining Useful Life (RUL) mesin. Namun, model prediktif umumnya berfokus pada nilai estimasi RUL dan belum secara eksplisit merepresentasikan pola kondisi mesin beserta hubungan dan perkembangannya sepanjang proses degradasi. Motif Causality (MC) merupakan ukuran berbasis entropi yang mengukur hubungan terarah antarmotif berdasarkan pengurangan ketidakpastian kemunculan motif pada waktu setelahnya. Penelitian ini mengadaptasi MC pada data sensor multivariat NASA C-MAPSS FD001 untuk mengevaluasi kemampuannya dalam merepresentasikan struktur degradasi mesin serta kontribusinya terhadap prediksi RUL. Sebagai bagian dari adaptasi pada data sensor multivariat, ditambahkan tahap pengelompokan segmen menggunakan K-Means untuk membentuk himpunan motif representatif sehingga lintasan operasi mesin dapat direpresentasikan sebagai urutan label motif kategorikal. Hubungan MC antarmotif kemudian digunakan untuk membentuk representasi graf struktur degradasi. Untuk prediksi RUL, informasi MC diintegrasikan ke dalam model LSTM melalui penambahan MC loss. Analisis sensitivitas terhadap beberapa konfigurasi pembentukan motif juga dilakukan untuk memeriksa ketergantungan hasil prediksi terhadap konfigurasi yang digunakan. Komponen GNN pada MotifDisco turut dievaluasi untuk menilai apakah pembelajaran graf memberikan informasi tambahan terhadap hubungan antarmotif yang diperoleh dari MC. Hasil penelitian menunjukkan bahwa representasi motif dan hubungan MC berkaitan dengan struktur degradasi pada FD001. Keanggotaan motif menjelaskan sekitar 58% variansi RUL meskipun RUL tidak digunakan dalam proses klasterisasi. Hubungan MC pada zona degradasi juga cenderung lebih kuat dibandingkan zona sehat, dan lintasan mesin menunjukkan pola konvergensi menuju sejumlah kecil motif terminal. Evaluasi GNN tidak menunjukkan tambahan pembobotan yang berarti terhadap kekuatan hubungan antarmotif. Integrasi MC pada model LSTM juga tidak memberikan penurunan RMSE yang konsisten dibandingkan model tanpa MC pada konfigurasi yang diuji. Hasil tersebut menunjukkan bahwa pada FD001, manfaat MC lebih terlihat dalam merepresentasikan dan menganalisis struktur degradasi mesin dibandingkan dalam meningkatkan performa prediksi RUL.