Perpustakaan Digital ITB

Deteksi dini deteriorasi performa mesin turbofan penting untuk mendukung keselamatan penerbangan dan condition-based maintenance. Penelitian ini mengusulkan kerangka margin-based trend monitoring yang bersifat interpretatif untuk mengidentifikasi indikasi awal deteriorasi menggunakan data operasional Flight Data Recorder (FDR). Kerangka yang dikembangkan mengintegrasikan pembentukan margin Exhaust Gas Temperature (EGT), analisis tren menggunakan logarithmic slope dan Piecewise Regression, konstruksi physics-informed health indicator, serta machine learning sebagai probabilistic decision support. Hasil penelitian menunjukkan bahwa Fuel Flow, Oil Temperature, dan Oil Pressure lebih sensitif terhadap deteriorasi dibandingkan N1, sedangkan physics-informed health indicator menghasilkan distribusi knee point yang paling konsisten. Piecewise Regression memberikan representasi tren yang paling stabil, sementara fitur pelatihan phase-aware contextualization meningkatkan kemampuan model machine learning dalam mendeteksi kondisi pre-deterioration. Penelitian ini menunjukkan bahwa trend-based monitoring lebih efektif sebagai pendekatan utama untuk deteksi dini yang interpretatif, sedangkan machine learning berperan sebagai probabilistic decision support dalam monitoring kondisi mesin.