Prediksi Waktu Gagal Mesin Raw Mill Menggunakan Model Zoo

Rismaya, Azaria Dhea (2023) Prediksi Waktu Gagal Mesin Raw Mill Menggunakan Model Zoo. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 06111940000010-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (6MB) | Request a copy

Abstract

Industri semen memegang peranan penting dalam program pembangunan infrastruktur sebagai salah satu visi Indonesia Emas 2045. Dalam proses produksi semen, mesin raw mill tergolong dalam tiga mesin utama. Apabila terjadi kerusakan, maka seluruh produksi terhenti. Oleh karena itu, prediksi kegagalan mesin raw mill secara dini termasuk langkah penting dalam predictive maintenance dalam membantu strategi perawatan mesin. Studi penelitian terkait prediksi kegagalan mesin raw mill telah menggunakan model deep learning dengan akurasi yang baik. Akan tetapi, masih ditemukannya beberapa kasus kesalahan prediksi fatal, yaitu waktu prediksi jauh setelah mesin dinyatakan gagal di mana dalam praktiknya sangat merugikan. Faktor utama kesalahan prediksi adalah konstruksi model dalam satu rentang interval tanpa memperhatikan korelasi kejadian-kejadian kegagalan mesin sebelumnya, dalam model deep learning dikenal dengan istilah catastrophic forgetting. Salah satu model continual learning yang mampu mengatasi masalah catastrophic forgetting yaitu Model Zoo di mana dibentuk untuk permasalahan klasifikasi. Untuk permasalahan prediksi kegagalan mesin, penelitian Tugas Akhir ini menggunakan Model Zoo regressor dengan merekonstruksi output layer pada Model Zoo dengan fungsi regresi yang diformulasikan dengan ambang batas mesin dikatakan gagal. Tujuan dari penelitian Tugas Akhir ini adalah untuk memprediksi waktu kegagalan mesin raw mill lebih awal. Dataset yang digunakan untuk uji performansi model diperoleh dari salah satu pabrik semen di Indonesia. Hasil prediksi menunjukkan bahwa Model Zoo regressor mampu memberikan performa yang baik dan hanya melupakan sedikit informasi dari tugas sebelumnya.
===============================================================================================================================
The sand-cement factory plays an important role in the infrastructure development program as one of visions of Indonesia Emas 2045. Speaking on sand-cement production, raw mill engine is one of three main engines in the production. However, when raw mill turns damage, whole productions will be stopped. Hence, early failure prediction on raw mill engine is a pivotal step in predictive maintenance which further for planning its strategy. Recent studies on raw mill engine failure applied deep learning models with good accuracies. Yet, we still found a few fatal predictions which the models predicted the failure time far away from the actual ones. One big reason is that the model construction focused on a single time interval without reviewing the historical failures occured, known as catastrophic forgetting. To overcome the catastrophic forgetting, we can utilize continual learning, such as: Model Zoo for classification problem. Due to this study’s application, we propose a continual learning for regression called Zoo Regressor by modifying the output layer of Model Zoo based on given an engine failure threshold. The goal of this study is to predict the failure time of raw mill engine as early as possible. In this study, we tested the proposed model on dataset that collected from one of sandcement factory in Indonesia. The prediction results show that the Zoo Regressor Model is able to perform well and only forgot a little information from the previous task.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Predictive Maintenance, Raw Mill Engine, Continual Learning, Regression Model, Predictive Maintenance, Mesin Raw Mill, Continual Learning, Model Regresi.
Subjects:	Q Science > Q Science (General) > Q325.5 Machine learning.
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Mathematics > 44201-(S1) Undergraduate Thesis
Depositing User:	Azaria Dhea Rismaya
Date Deposited:	05 Aug 2023 23:22
Last Modified:	05 Aug 2023 23:22
URI:	http://repository.its.ac.id/id/eprint/101555

Actions (login required)

View Item