skip to main content

ANALISIS PROGNOSTIK TERHADAP KERUSAKAN BANTALAN PADA POROS KECEPATAN TINGGI TURBIN ANGIN MENGGUNAKAN MACHINE LEARNING DENGAN PENDEKATAN SUPPORT VECTOR REGRESSION (SVR)

*David Titian Wiranata  -  Departemen Teknik Mesin, Fakultas Teknik, Universitas Diponegoro, Jl. Prof. Soedarto, SH, Tembalang, Semarang, Jawa Tengah, 50275, Indonesia
Toni Prahasto  -  Departemen Teknik Mesin, Fakultas Teknik, Universitas Diponegoro, Jl. Prof. Soedarto, SH, Tembalang, Semarang, Jawa Tengah, 50275, Indonesia
Achmad Widodo  -  Departemen Teknik Mesin, Fakultas Teknik, Universitas Diponegoro, Jl. Prof. Soedarto, SH, Tembalang, Semarang, Jawa Tengah, 50275, Indonesia

Citation Format:
Abstract
Produksi energi dari sumber terbaruka, seperti dari sumber air, udara dan sumber lainnya semakin meningkat. Tenaga angin adalah salah satu energi terbarukan yang paling berkembang di seluruh dunia. Untuk menghasilkan energi dari aliran angin diperlukan mesin turbin. Salah satu komponen dalam turbin adalah bearing yang terdapat pada bagian sudu (blade). Bearing atau bantalan merupakan komponen penting dalam suatu mesin berputar seperti pada turbin. Kegagalan pada bantalan adalah salah satu jenis kegagalan yang paling sering dijumpai. Kegagalan ini dapat menyebabkan malfungsi atau kerusakan lainnya pada sistem mesin yang berakibat pada terjadinya downtime yang lama dan maintenance cost yang tinggi Hal inilah yang mendorong dilakukannya proses prognostik untuk memprediksi potensi terjadinya kegagalan dan menentukan estimasi dari Remaining Useful Life (RUL) komponen untuk beroperasi sebelum terjadi kegagalan. Prediksi RUL dilakukan menggunakan data getaran bantalan pada poros kecepatan tinggi turbin angin, kemudian dianalisis secara statistik dan dengan Spectral Kurtosis untuk diperoleh fitur. Fitur tersebut kemudian dipilih yang terbaik dan dilakukan sejumlah proses untuk digunakan sebagai input untuk proses machine learning dengan algoritma Support Vector Regression (SVR). Hasil penelitian menghasilkan 20 variasi model dengan 70% model dengan akurasi prediksi yang beragam namun mampu memberikan estimasi kapan bantalan akan mengalami kegagalan yang diukur dari waktu awal terjadinya kerusakan.
Fulltext View|Download
Keywords: bantalan; prognostik; spectral kurtosis; statistik; SVR

Last update:

No citation recorded.

Last update:

No citation recorded.