Kusumaningrum, Dwi (2021) Penggunaan Machine Learning untuk Predictive Maintenance (Studi Kasus: PT. X). Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
02411950020001-Master_Thesis.pdf Download (8MB) | Preview |
Abstract
Pengolahan data berskala besar (big data analytics) menjadi sebuah kebutuhan khususnya dalam melakukan prediksi kegagalan mesin dalam industri 4.0. Kegagalan tidak terencana pada mesin dalam perusahaan akan membawa dampak kerugian pada perusahaan. Predictive maintenance bekerja lebih baik dibandingkan dengan corrective atau preventive maintenance. Predictive maintenance dapat secara kontinyu melakukan prediksi kegagalan di waktu kedepan dan remaining useful life (RUL) dari peralatan. Tujuan dari penelitian ini adalah untuk membuat model prediksi diagnosis dan prognosis dengan menyesuaikan parameter optimal dari algoritma supervised learning khususnya dengan support vector machine (SVM), random forest (RF), dan artificial neural network (ANN). Dengan menggunakan data real multisensor dan laporan kegagalan peralatan industri sebagai input, algoritma dapat membuat model prediksi kondisi dan kegagalan mesin. Hasil prediksi mesin divalidasi dengan data aktual yang akan menghasilkan akurasi setiap model. Untuk menambah akurasi, dilakukan pencarian parameter optimal terhadap algoritma. Hal ini dilakukan dengan membandingkan parameter dan algoritma untuk mengetahui model yang memiliki nilai akurasi tertinggi. Berdasarkan dari hasil penelitian, penerapan algoritma RF dengan parameter optimal memiliki performansi lebih baik daripada SVM dan ANN dalam melakukan prediksi model diagnosis dan prognosis mesin objek amatan sehingga dapat digunakan dalam menjalankan predictive maintenance untuk meningkatkan availabilitas dalam objek amatan.
=====================================================================================================
Big data analytics is a necessity, especially in predicting machine failure in Industry 4.0. Unplanned failure of machines in the company will have a detrimental impact on the company. Predictive maintenance works better than corrective or preventive maintenance. Predictive maintenance can continuously predict future failures and any remaining useful life (RUL) of the equipment. The purpose of this study is to create a predictive model for diagnostic and prognostic by tuning optimal parameters of the supervised learning algorithm, especially with the support vector machine (SVM), random forest (RF), and artificial neural network (ANN). Using real multisensor data and industrial equipment failure reports as input, the algorithm can create predictive models of machine conditions and failures. The machine prediction results are validated with actual data, which will result in the accuracy of each model. To increase accuracy, the optimal parameter search for the algorithm is performed. This is done by comparing the parameters and algorithms to find out which model has the highest accuracy value. Based on the research results, the application of the RF algorithm with optimal parameters has a better performance than SVM and ANN in predicting the diagnostic model and prognosis of the object of the machine so that it can be used in carrying out predictive maintenance to increase the availability of the object of observation.
| Item Type: | Thesis (Masters) |
|---|---|
| Subjects: | T Technology > TJ Mechanical engineering and machinery > TJ174 Maintenance and repair of machinery |
| Divisions: | Faculty of Industrial Technology and Systems Engineering (INDSYS) > Industrial Engineering > 26101-(S2) Master Thesis |
| Depositing User: | Dwi Kusumaningrum |
| Date Deposited: | 04 Mar 2021 02:17 |
| Last Modified: | 26 May 2024 00:25 |
| URI: | http://repository.its.ac.id/id/eprint/83277 |
Actions (login required)
 |
View Item |