Prediksi Remaining Useful Life Pada Rolling Bearing Menggunakan Ekstraksi Fitur dan Transformer Network

Prayoga, Evaldo Yudhistira (2024) Prediksi Remaining Useful Life Pada Rolling Bearing Menggunakan Ekstraksi Fitur dan Transformer Network. Other thesis, Institut Teknologi Seppuluh Nopember.

Text 5007201095-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (11MB) | Request a copy

Abstract

Komponen permesinan akan selalu mengalami degradasi tingkat kesehatan hingga akhirnya mengalami kegagalan pada akhir umur pakainya. Saat ini, predictive maintenance sudah menerapkan teknologi berbasis Artificial Intelligence (AI) untuk memprediksi sisa waktu dari saat ini hingga akhir masa berguna dari suatu komponen permesinan atau sering disebut dengan Remaining Useful Life (RUL). Prediksi RUL dapat mengurangi biaya maintenance yang tidak perlu secara signifikan dan mempertahankan jam kerja alat setinggi mungkin dengan mengejar target near-zero downtime. Penelitian ini bertujuan untuk membuat algoritma berbasis AI untuk memprediksi RUL pada rolling bearing dengan tingkat akurasi yang baik.
Algoritma yang dirancang menggunakan ekstraksi 12 fitur, smoothing, normalisasi, dan Principal Component Analysis (PCA) pada proses ekstraksi fitur data serta metode Transformer Network pada proses prediksi. Untuk menilai seberapa bagus algoritma yang dibuat, penulis menggunakan metrik evaluasi performa berupa Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE). Penulis menggunakan dua jenis dataset dengan karakteristik yang berbeda untuk mengetahui fleksibilitas algoritma. Data tersebut merupakan IMS bearing dataset dan data eksperimen SKF 30304 tapered roller bearing.
Pada prediksi RUL IMS bearing dataset, algoritma menghasilkan RMSE sebesar 0,0286 dan MAE sebesar 0,0208. Pada prediksi RUL data eksperimen, algoritma menghasilkan RMSE sebesar 0,0266 dan MAE sebesar 0,0374. Nilai tersebut unggul ketika dibandingkan dengan algoritma CNN-RMS dan LSTM-RMS. Algoritma transformer network memiliki performa yang konsisten dan tingkat fleksibilitas yang baik melihat nilai RMSE dan MAE di atas bernilai rendah (∆RMSE=0,002 dan ∆MAE=0,166).
Selanjutnya, kedua dataset ditetapkan hanya tersedia sebanyak 80% data pertama dari keseluruhan data kemudian dilakukan proses prediksi. Pada IMS bearing dataset, transformer network memperoleh hasil RUL prediksi senilai 104 time index atau 4 time index lebih banyak dibandingkan RUL sebenarnya. Pada data eksperimen, transformer network memperoleh hasil RUL prediksi senilai 117 time index atau 17 time index lebih banyak dibandingkan RUL sebenarnya.
========================================================================================================================
Mechanical components inevitably undergo health degradation until they eventually fail at the end of their useful life. Currently, predictive maintenance leverages Artificial Intelligence (AI) technologies to estimate the remaining useful life (RUL) of mechanical components. Accurate RUL predictions can significantly reduce unnecessary maintenance expenses and maximize equipment uptime by aiming for near-zero downtime. This study aims to develop an AI-based algorithm to predict the RUL of rolling bearings with high accuracy.
The proposed algorithm involves extracting 12 features, performing smoothing, normalization, and Principal Component Analysis (PCA) in the feature extraction phase, and employing a Transformer Network for prediction. To assess the algorithm's performance, the researchers used Root Mean Square Error (RMSE) and Mean Absolute Error (MAE) as evaluation metrics. The flexibility of the algorithm was tested using two datasets with different characteristics: the IMS bearing dataset and experimental data from SKF 30304 tapered roller bearings.
For the IMS bearing dataset RUL prediction, the algorithm achieved an RMSE of 0.0286 and an MAE of 0.0208. For the experimental data, the algorithm yielded an RMSE of 0.0266 and an MAE of 0.0374. These results were superior to those of the CNN-RMS and LSTM-RMS algorithms. The Transformer Network algorithm showed consistent performance and good flexibility, as evidenced by the low RMSE and MAE values (∆RMSE=0.002 and ∆MAE=0.0166).
Furthermore, the datasets were truncated to the first 80% of the total data for prediction. For the IMS bearing dataset, the Transformer Network predicted an RUL of 104 time indices, which is 4 time indices more than the actual RUL. For the experimental data, the Transformer Network predicted an RUL of 117 time indices, which is 17 time indices more than the actual RUL.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Artificial Intelligence, Remaining Useful Life, Rolling Bearing, Transformer Network
Subjects:	T Technology > TJ Mechanical engineering and machinery > TJ174 Maintenance and repair of machinery
Divisions:	Faculty of Industrial Technology > Mechanical Engineering > 21201-(S1) Undergraduate Thesis
Depositing User:	Evaldo Yudhistira Prayoga
Date Deposited:	13 Aug 2024 06:52
Last Modified:	13 Aug 2024 06:52
URI:	http://repository.its.ac.id/id/eprint/115197

Actions (login required)

View Item