Perpustakaan Digital ITB

Penggunaan dan riset produk pesawat tanpa awak atau Unmanned Aerial Vehicle (UAV) sedang mengalami peningkatan secara pesat hingga 300% untuk nilai pasar dan 14% untuk jumlahnya per tahun. Namun jumlah kecelakaan yang melibatkan UAV diketahui 100 kali lebih sering terjadi dibandingkan pesawat berawak, dimana 50% dari kecelakaan yang melibatkan UAV tersebut disebabkan oleh kerusakan internal dari mesin UAV. Kegagalan sistem propulsi merupakan kerusakan internal mesin UAV yang paling sering terjadi, dengan komponen utamanya adalah motor. Kerusakan pada motor UAV yang baru diketahui setelah kerusakan terjadi membuat down-time dari UAV besar dan menimbulkan kerugian waktu serta biaya. Oleh karena itu, penting untuk pengguna UAV mengetahui kondisi dan estimasi waktu kerusakan dari motor UAV. Tugas akhir ini bertujuan untuk mengembangkan sistem pemantauan UAV yang dapat mengestimasi keadaan dan memprediksi kerusakan dari motor UAV, dengan menerapkan metode predictive maintenance dan digital twin yang berbasis pembelajaran mesin. Modifikasi pada UAV dilakukan dengan penambahan sensor vibrasi sebagai parameter sistem pemantauan, yang kemudian diolah dengan teknik analisa sinyal vibrasi untuk menghasilkan fitur statistik yang dapat menunjukkan proses degradasi motor. Fitur statistik kemudian diolah dengan Principal Component Analysis (PCA) dan Exponential Weighted Mean (EWM) untuk didapatkan nilai satu dimensi yang menyatakan indikator kesehatan motor. Model estimasi keadaan motor sedang normal/abnormal dan model prediksi indikator kesehatan motor UAV dikembangkan dengan metode Jaringan Syaraf Tiruan (JST) dengan pendekatan Long Short-Term Memory (LSTM) karena kemampuannya untuk mempelajari data yang berkaitan dengan waktu dan menghasilkan waktu prediksi kerusakan atau Remaining Useful Life (RUL) dari motor UAV sesuai dengan kaidah predictive maintenance. Model estimasi vibrasi dari motor juga dikembangkan sebagai penerapan teknik digital twin dan prospek pengembangan sistem pemantauan untuk tidak perlu melakukan modifikasi penambahan sensor pada UAV lagi kedepannya. Sistem pemantauan yang terdiri dari tiga model komputasi utama dengan sebuah antarmuka berbasis web telah dibangun berdasarkan data vibrasi dan PWM yang diakuisisi dari Parrot AR Drone 2.0 dalam mode hover. Total lebih dari 350.000 sampel data kemudian diolah menjadi fitur statistik domain waktu dan 20% nya dipisahkan untuk data validasi pengujian model. Model estimasi keadaan motor memiliki nilai akurasi pada data validasi sebesar 95,5% dan skor F1 sebesar 95,7%. Model prediksi indikator kesehatan motor memiliki galat RMSE sebesar 17% dan rata-rata galat 2,7 menit untuk prediksi RUL. Model estimasi vibrasi motor turut dibangun dengan LSTM dengan masukan PWM dan keluaran fitur statistik dari vibrasi motor, dengan rata-rata RMSE 1,3192 untuk 5 fitur statistik domain waktu dari vibrasi motor UAV.