Sistem Prognosis Kerusakan Pada Face-Mask Body Machine Dengan Metode Adabelief-Backpropagation Neural Network

Tsauri, Dzulfikar Ats (2022) Sistem Prognosis Kerusakan Pada Face-Mask Body Machine Dengan Metode Adabelief-Backpropagation Neural Network. Diploma thesis, Institut Teknologi Sepuluh Nopember.

Text 10311810000023-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Beban kerja ultrasonic welding pada komponen roller welding vertikal yang ada pada face-mask body machine dalam proses pembuatan masker memiliki getaran yang tingginya mencapai 20kHz. Getaran yang tinggi ini menyebabkan terjadinya kekenduran baut pengunci gerigi tersebut sehingga menyebabkan kegagalan fungsi yang lebih besar seperti terjadi aus pada gigi gerigi. Jika terjadi kegagalan fungsi tersebut maka akan menimbulkan downtime dan biaya yang tinggi dalam proses tunggu pembuatan ulang komponen gerigi tersebut. Sistem prognosis kerusakan berdasarkan kondisi mesin ini mengimplementasikan klasifikasi jenis kerusakan beserta rekomendasi kegiatan maintenance yang perlu dilakukan pada Face-Mask Body Machine. Klasifikasi jenis kerusakan pada sistem ini menggunakan AdaBelief-Backpropagation Neural Network (BPNN) yang merupakan sebuah metode untuk mencari pengaturan weight pada sebuah neural network berdasarkan tingkat error yang diperoleh pada iterasi sebelumnya. Metode ini dioptimasi menggunakan AdaBelief yang dapat mengadaptasi ukuran step berdasarkan “keyakinan” dari gradien sebelumnya agar didapatkan tingkat konvergensi dan kemampuan generalisasi yang lebih baik sehingga jenis masalah dapat diketahui dari sinyal vibrasi mesin yang sebelumnya sinyal tersebut diurai menggunakan wavelet packet decomposition menjadi pita-pita frekuensi sehingga didapatkan data komponen dengan frekuensi rendah maupun tinggi. Dari hasil pengujian kinerja sistem, didapatkan akurasi pemodelannya adalah 98.4% sehingga sistem ini dapat dinyatakan baik dan layak untuk digunakan dalam melakukan pendeteksian kekenduran baut pengunci gerigi roller welding vertikal.
==============================================================================================================================
The workload of ultrasonic welding on the vertical roller welding component on the face- mask body machine in the mask-making process has a vibration that reaches 20kHz high. This high vibration causes the cleat lock bolt to loosen causing a larger malfunction, such as wear on the cleats. If this malfunction occurs, it will cause downtime and high costs in the waiting process for the re-manufacturing of the gear components. The Fault Prognosis System based on the machine condition is implements a classification of types of the fault among with recommendations for maintenance activities that need to do on the Face-Mask Body Machine. The classification of the types of damage in this system uses the AdaBelief-Backpropagation Neural Network (BPNN) which is a method for finding weight settings in a neural network based of the error rate obtained in the previous iteration. This method is optimized using AdaBelief which can adapt the step size based on the “belief” of the previous gradient in order to obtain better level of convergence and generalization ability so the type of fault can be know from the machine vibration signals. Those signals previously being composed using Wavelet Packet Decomposition into frequency bands. Thus, the data obtained components with low and high frequency. From the results of system performance testing, the modelling accuracy is 98.4%, so this system can be declared good and feasible to use to detect bolt looseness of roller welding vertical.

Item Type:	Thesis (Diploma)
Additional Information:	RSEO 620.004 6 Tsa s-1 2022
Uncontrolled Keywords:	AdaBelief-Backpropagation Neural Network, Condition-Based Maintenance, Face-Mask Body Machine, Prognosis Kerusakan. AdaBelief-Backpropagation Neural Network, Condition-Based Maintenance, Face-Mask Body Machine, Fault Prognosis.
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK3070 Automatic control
Divisions:	Faculty of Vocational > 36304-Automation Electronic Engineering
Depositing User:	Mr. Marsudiyana -
Date Deposited:	15 Jul 2026 05:49
Last Modified:	15 Jul 2026 05:49
URI:	http://repository.its.ac.id/id/eprint/135049

Actions (login required)

View Item