Perpustakaan Digital ITB

Motor sinkron magnet permanen (MSMP) mengalami peningkatan produksi yang signifikan oleh berbagai industri otomotif saat ini (Bocker, 2020). Untuk dapat mengoptimalkan kapasitas, reliabilitas, serta waktu hidup dari MSMP, panas berlebih yang dapat mengakibatkan demagnetisasi irreversibel pada magnet permanen motor sinkron harus dihindari. Saat ini, sebagian besar industri otomotif tidak memiliki kemampuan pemantauan temperatur secara akurat dan cepat pada komponen magnet permanen motor sinkron yang terletak pada rotor. Hal ini berpotensi menimbulkan panas berlebih pada magnet permanen dan berujung pada kerusakan dan penurunan waktu hidup MSMP sehingga meningkatkan biaya produksi ataupun biaya operasi di industri. Salah satu alternatif solusi yang dapat dilakukan untuk menyelesaikan masalah tersebut adalah merancang model estimasi temperatur pada magnet permanen motor sinkron berbasis pembelajaran mesin. Model estimasi temperatur magnet permanen motor sinkron ini dirancang dengan algoritma Xtreme Gradient Boosting, Pohon keputusan, dan Random Forest. Perancangan model ini dilakukan dalam dua tahap yakni perancangan model menggunakan hyperparameter default dan hyperparameter yang dioptimasi dengan metode Optimisasi Bayesian. Dalam tahap evaluasi model, digunakan tiga metrik berbeda yakni error absolut rata- rata, error kuadrat rata-rata, dan R2. Perancangan model terbaik menggunakan hyperparameter default menghasilkan metrik performa MAE 2.55 +/- 0.0083 (oC), MSE 11.96 +/- 0.0567 (oC), dan R2 0.79 +/- 0.0009, sedangkan perancangan model terbaik setelah dilakukan optimasi parameter menghasilkan metrik performa MAE 1.01 +/- 0.0083 (oC), MSE 2.58 +/- 0.0146 (oC), dan R2 0.97 +/- 0.539. Model estimasi temperatur final yang telah dirancang mampu untuk mendeteksi temperatur magnet permanen dengan error absolute prediksi maksimal di kisaran 1.49oC – 1.59oC dengan tingkat kepercayaan 95%.