Perpustakaan Digital ITB

Keausan roda dan jalan rel yang tinggi dapat menurunkan keselamatan, keandalan operasional, dan meningkatkan kebutuhan perawatan. Pelumasan pada area Round Gauge Corner (RGC) terbukti efektif mengurangi keausan, namun jika metode pelumasan menggunakan metode manual, akan berpotensi menyebabkan kontaminasi 3rd body layer pada permukaan utama rel (tapak/ tread) sehingga menurunkan koefisien adhesi antara roda dan jalan rel. Kondisi ini menjadi tantangan karena sistem kendali traksi LRT Jabodebek yang saat ini hanya mengakomodasi kondisi dry dan wet adhesion. Penelitian ini mencoba mengembangkan sistem kendali traksi adaptif berbasis supervised machine learning sebagai input informasi untuk mengetahui kondisi adhesi. Hasil klasifikasi menggunakan algoritma K-Nearest Neighbors (K-NN) dengan filter threshold ?>0,15 menunjukkan akurasi rata-rata sebesar 79,83% dalam membedakan kondisi dry, wet, dan oil adhesion. Namun, klasifikasi online berbasis sliding window dinilai kurang efektif karena kejadian kontaminasi pelumas bersifat lokal, sementara, dan tidak kontinu. Dengan menerapkan metode Proportional Speed Controller yang dikombinasikan Maximum Torque Estimation Observer (MTEO), menggunakan parameter optimum Kp=0,7 dan ?=2,6, sistem mampu mempertahankan slip ratio pada kondisi maksimum yaitu tidak melebihi 0,0286 saat dry adhesion, 0,1008 saat wet adhesion, dan 0,0805 saat oil adhesion. Dibandingkan metode Cascade Proportional-Derivative (PD) Speed–Proportional Slip Controller dan metode Cascade Proportional-Derivative (PD) Speed– Adaptive Sliding Mode Controller (ASMC), metode Maximum Torque Estimation Observer (MTEO) memberikan performa terbaik dalam menjaga kestabilan kontak antara roda dan jalan rel pada berbagai kondisi adhesi.