Perpustakaan Digital ITB

Turbin gas merupakan aset kritis pada industri migas yang kegagalannya dapat menimbulkan kerugian operasional besar, sementara data riwayat kegagalan umumnya langka karena aset dioperasikan untuk menghindari kerusakan. Di sisi lain, karakteristik dan gejala dari berbagai jenis kegagalan tersebut sebenarnya telah banyak dipetakan dalam basis pengetahuan teknik yang mapan, sehingga pengetahuan ini dapat dimanfaatkan untuk diagnosis tanpa bergantung pada data kegagalan historis. Penelitian ini mengembangkan kerangka deteksi dan diagnosis kegagalan yang tidak bergantung pada data kegagalan historis, dengan memadukan pendekatan klasifikasi satu kelas (one-class classification) untuk deteksi anomali dan Retrieval-Augmented Generation (RAG) untuk diagnosis. Data yang digunakan berupa rekaman SCADA beresolusi per jam dari turbin gas dua poros Solar Titan 130 di PT Pertamina Hulu Mahakam pada periode 2018–2020, dengan 32 variabel yang terdiri atas 29 variabel terpantau (x) dan 3 variabel kondisi operasi (c). Metodologi penelitian mengikuti kerangka CRISP-DM. Model rekonstruksi Self-Attention Conditional Variational Autoencoder (SA-CVAE) dilatih hanya pada data kondisi sehat untuk mempelajari pola operasi normal, kemudian anomali dideteksi melalui eror rekonstruksi dengan ambang batas berbasis persentil ke-99 dan penghalusan jendela 12 jam. Variabel penyimpangan yang teridentifikasi diolah menjadi profil anomali, lalu dicocokkan dengan basis pengetahuan kegagalan yang disusun dari 19 entri karakteristik kegagalan melalui basis data vektor dan pemodelan embedding untuk menghasilkan diagnosis berbasis RAG. Hasil pengujian menunjukkan SA-CVAE memberikan kinerja rekonstruksi terbaik dibanding AE, VAE, dan CVAE, serta mampu mendeteksi perubahan karakteristik sinyal yang mengindikasikan blade fault. Deteksi dini ini memungkinkan tindakan pemeliharaan dilakukan jauh lebih awal daripada jadwal inspeksi semula. Penelitian ini menyimpulkan bahwa kombinasi klasifikasi satu kelas dan RAG efektif untuk deteksi sekaligus diagnosis kegagalan turbin gas tanpa memerlukan data kegagalan historis.