Diagnosis Kerusakan Drivetrain Floating Wind Turbine 5MW Tipe Spar Menggunakan Metode Deep Learning Hibrida CNN-Transformer dengan Reduksi Dimensi PCA

El - Fajri, Muhammad Zalmaladzi (2026) Diagnosis Kerusakan Drivetrain Floating Wind Turbine 5MW Tipe Spar Menggunakan Metode Deep Learning Hibrida CNN-Transformer dengan Reduksi Dimensi PCA. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5007221123-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (11MB) | Request a copy

Abstract

Energi angin lepas pantai, khususnya Floating Wind Turbine (FWT) tipe spar, menawarkan potensi energi yang besar namun menghadapi tantangan operasional tinggi akibat beban dinamis dari lingkungan laut yang ekstrem. Kerusakan pada sistem drivetrain, terutama pada komponen bearing, menjadi salah satu penyebab utama kegagalan sistem yang mengakibatkan biaya perawatan tinggi. Metode diagnosis konvensional seringkali terbatas dalam menangani kompleksitas dan variabilitas sinyal getaran pada kondisi operasi yang fluktuatif tersebut. Oleh karena itu, penelitian ini bertujuan untuk merancang suatu system diagnosis kerusakan cerdas yang adaptif dan akurat. Fokus utama penelitian adalah mengembangkan model Deep Learning hibrida yang menggabungkan Convolutional Neural Network (CNN) dan Transformer untuk mengidentifikasi klasifikasi kerusakan pada drivetrain turbin angin apung 5 MW. Metodologi penelitian ini menggunakan dataset simulasi sinyal akselerasi getaran yang mencakup kondisi normal serta tiga jenis kerusakan bearing (Main Bearing, High-Speed Shaft, dan Planet Bearing) di bawah tiga variasi kondisi lingkungan (tenang, sedang, dan ekstrem). Tahap pra-pemrosesan data menerapkan fusi sensor aksial menggunakan Principal Component Analysis (PCA) untuk mereduksi dimensi dan menghilangkan redundansi data, diikuti dengan segmentasi sinyal menggunakan teknik sliding window untuk memperkaya sampel latih. Arsitektur model yang diusulkan mengintegrasikan blok CNN untuk mengekstraksi fitur spasial lokal dari sinyal mentah, serta blok Transformer Encoder dengan mekanisme Self-Attention untuk menangkap dependensi temporal jangka panjang dan konteks global dari urutan data. Hasil penelitian menunjukkan bahwa model Hybrid CNN-Transformer mampu mencapai kinerja diagnosis yang superior dengan akurasi rata-rata sebesar 98,29% pada pengujian validasi silang 10-lipatan, mengungguli model CNN standar yang hanya mencapai 94,66%. Model juga menunjukkan ketahanan (robustness) yang luar biasa dengan mempertahankan akurasi 100% bahkan pada kondisi lingkungan ekstrem dengan turbulensi angin tinggi. Analisis terpretabilitas menggunakan t-SNE dan visualisasi atensi mengonfirmasi kemampuan model dalam memisahkan klaster kerusakan secara tegas dan memfokuskan deteksi pada fitur fisik yang relevan. Dapat disimpulkan bahwa metode hibrida dengan fusi PCA ini memberikan solusi diagnosis yang efektif, efisien, dan andal untuk sistem pemantauan kondisi turbin angin terapung
==================================================================================================================================
Offshore wind energy, particularly spar-type Floating Wind Turbines (FWT), offers significant energy potential but faces substantial operational challenges due to extreme dynamic loads from the marine environment. Faults in the drivetrain system, especially in bearing components, are a primary cause of system failure leading to high maintenance costs. Conventional diagnosis methods are often limited in handling the complexity and variability of vibration signals under such fluctuating operating conditions. Therefore, this study aims to design an intelligent and adaptive fault diagnosis system. The primary objective is to develop a hybrid Deep Learning model combining Convolutional Neural Networks (CNN) and Transformers to identify fault classifications in the drivetrain of a 5 MW floating wind turbine. The research methodology utilizes a simulation dataset of vibration acceleration signals covering normal conditions and three types of bearing faults (Main Bearing, High-Speed Shaft, and Planet Bearing) under three varying environmental conditions (below-rated, rated, and above-rated). The data preprocessing stage applies axial sensor fusion using Principal Component Analysis (PCA) to reduce dimensionality and eliminate data redundancy, followed by signal segmentation using a sliding window technique to enrich training samples. The proposed model architecture integrates a CNN block to extract local spatial features from raw signals, and a Transformer Encoder block with a Self-Attention mechanism to capture longterm temporal dependencies and global context from the data sequence. The results indicate that the Hybrid CNN-Transformer model achieves superior diagnostic performance with an average accuracy of 98.29% in 10-fold cross-validation, outperforming the standard CNN model which only reached 94.66%. The model also demonstrates exceptional robustness by maintaining 100% accuracy even under extreme environmental conditions with high wind turbulence. Interpretability analysis using t-SNE and attention visualization confirms the model's ability to distinctly separate fault clusters and focus detection on relevant physical features. It can be concluded that this hybrid method with PCA fusion provides an effective, efficient, and reliable diagnostic solution for floating wind turbine condition monitoring
systems

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Diagnosis Kerusakan, Drivetrain, Floating Wind Turbine, Hybrid Deep Learning, CNN-Transformer, Principal Component Analysis, Fault Diagnosis, Drivetrain, Floating Wind Turbine, Hybrid Deep Learning, CNN-Transformer, Principal Component Analysis
Subjects:	T Technology > TJ Mechanical engineering and machinery > TJ217.6 Predictive Control
Divisions:	Faculty of Industrial Technology and Systems Engineering (INDSYS) > Mechanical Engineering > 21201-(S1) Undergraduate Thesis
Depositing User:	Muhammad Zalmaladzi El - Fajri
Date Deposited:	29 Jan 2026 08:28
Last Modified:	29 Jan 2026 08:28
URI:	http://repository.its.ac.id/id/eprint/131288

Actions (login required)

View Item