Article Details

MODEL PREDIKSI SISA USIA PENGGUNAAN DAN KLASIFIKASI MALFUNGSI BEARING MENGGUNAKAN SIMPLIFIED FUZZY ADAPTIVE RESONANCE THEORY MAP NEURAL NETWORK DAN DISCRETE WAVELET TRANSFORM

Oleh   Mohammad Zainul Alimin [23418026]
Kontributor / Dosen Pembimbing : Ir. Rachmawati Wangsaputra, M.T., Ph.D.;
Jenis Koleksi : S2 - Tesis
Penerbit : FTI - Teknik dan Manajemen Industri
Fakultas : Fakultas Teknologi Industri (FTI)
Subjek :
Kata Kunci : Prediksi sisa usia penggunaan, klasifikasi malfungsi, Simplified Fuzzy ARTMAP Neural Network, Discrete Wavelet Transform.
Sumber :
Staf Input/Edit : Alice Diniarti  
File : 1 file
Tanggal Input : 2020-09-29 14:36:25

Prediksi sisa usia penggunaan dan klasifikasi malfungsi secara bersamaan menjadi isu serta tantangan dalam aktivitas pemeliharaan berbasis kondisi guna meminimasi ketidakpastian dan biaya pada aktivitas pemeliharaan sembari meningkatkan tingkat layanan mesin. Bearing merupakan salah satu komponen penting dalam industri yang perlu diperhatikan kondisinya. Sebuah metode dibutuhkan sehingga dapat meminimasi biaya instalasi CBM. Neural network sebagai salah satu jenis pembelajaran mesin dapat menjadi sebuah solusi yang menjanjikan. Berkat fitur pembelajaran bertambah, Simplified Fuzzy Adaptive Resonance Theory MAP Neural Network (SFAM-NN), proses pembelajaran dapat dilakukan tanpa mendefinisikan ulang model yang telah dilatih sebelumnya, hanya menambahakn informasi baru. Ekstraksi fitur pada pita frekuensi yang menjadi fokus perhatian dimungkinkan dengan fitur dekomposisi multilevel dari Discrete Wavelet Transform (DWT). Pada penelitian ini, metode yang diusulkan didasarkan pada kombinasi SFAM-NN dan DWT untuk memprediksi sisa usia penggunaan dan klasifikasi malfungsi secara bersamaan. SFAM-NN menggunakan beberapa fitur pada domain waktu yaitu nilai RMS, nilai kurtosis, nilai RMSEE, dan nilai AC Power dari sinyal vibrasi serta beberapa fitur pada domain frekuensi yang didapat dari proses DWT yaitu, AC Power dari koefisien wavelet pada setiap pita frekuensi dan AC power dari autokorelasi koefisien wavelet pada setiap pita frekuensi sebagai masukan. Sebanyak 22 kategori dihasilkan sebagai output, yaitu 1 kategori bearing dalam kondisi ‘sehat’, serta 21 kategori yang merupakan kombinasi dari persentase degradasi bearing (7 kategori) dengan jenis malfungsi yang dialami. Algoritma smoothing dan voting diusulkan guna mendapatkan prediksi sisa usia penggunaan dan klasifikasi malfungsi yang optimal. Hasil penelitian menunjukkan bahwa kombinasi SFAM-NN dan DWT dapat melakukan prediksi sisa usia penggunaan dan klasifikasi malfungsi pada bearing secara bersamaan dengan tingkat akurasi keseluruhan mencapai di atas 80%.