Peramalan Sisa Waktu Kerja Dari Mesin Rawmill Pada Pabrik Semen X Di Indonesia Menggunakan Metode Discrete Variational Autoencoders

Abruzi, Izhar Brur (2022) Peramalan Sisa Waktu Kerja Dari Mesin Rawmill Pada Pabrik Semen X Di Indonesia Menggunakan Metode Discrete Variational Autoencoders. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 06111840000101-Undergraduate_Thesis.pdf Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Industri pada dasarnya berusaha untuk menekan biaya produksi dan perawatan mesin seminimal mungkin dengan jumlah produksi yang memenuhi permintaan pasar. Pada permasalahan perawatan mesin, predictive maintenance (PdM) menjadi langkah terbaik dengan memprediksi sisa waktu kerja pada suatu mesin sehingga dapat diputuskan langkah perawatan yang perlu dilakukan sejak dini. Untuk melakukan PdM secara efektif, perlu dilakukan integrasi antara sensor data yang terinstal pada mesin dengan metode machine learning yang disebut dengan smart PdM. Tugas Akhir ini menerapkan sebuah pendekatan smart PdM berdasarkan metode Discrete Variational Autoencoders yang lebih dikenal dengan DVAE. Secara umum, pendekatan yang diterapkan difokuskan pada transformasi distribusi sensor menjadi fitur ruang laten diskrit (discrete latent space) untuk penentuan indikator kondisi mesin. Lebih khusus, Tugas Akhir ini bertujuan untuk memprediksi sisa waktu kerja mesin Rawmill pada pabrik semen X di Indonesia. Untuk prediksi sisa waktu kerja dilakukan pada sensor dataset mesin Rawmill di pabrik semen X di Indonesia. Hasil prediksi menunjukkan bahwa metode yang diterapkan mampu memberikan estimasi error sisa waktu kerja yang lebih kecil dibandingkan metode Variational Autoencoder.
==============================================================================================================================
The industry is basically trying to reduce the cost of production and machine maintenance the minimum possible with the amount of production that can meet market demand. On engine maintenance problems, predictive maintenance (PdM) is the best step by predicting the remaining working time on a machine so that it can decide treatment steps that need to be done early. To conduct PdM effectively, it is necessary to integrate the sensor data installed on the machine with the machine learning called smart PdM. This Final Project applies a smart PdM approach based on the Discrete Variational Autoencoders method which better known as DVAE. In general, the approach applied to transformation of sensor distribution into discrete latent space features for engine condition indicators. More specifically, this Final Project aims to predicting the remaining useful life of the Rawmill machine at the X cement plant in Indonesia. for prediction of the remaining useful life is carried out on the Rawmill machine sensor dataset in the cement factory X in Indonesia. The prediction results show that the applied method is capable of gives a smaller estimation error of the remaining useful life than the Variational Autoencoder method.

Item Type:	Thesis (Other)
Additional Information:	RSMa 519.535 Abr p-1 2022
Uncontrolled Keywords:	Mesin Rawmill, Predictive Maintenance, Deep learning, Remaining useful life. Rawmill Machine, Predictive Maintenance, Deep Learning, Remaining Useful Life.
Subjects:	Q Science > QA Mathematics
Divisions:	Faculty of Mathematics and Science > Mathematics > 44201-(S1) Undergraduate Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	09 Jun 2026 03:12
Last Modified:	09 Jun 2026 03:12
URI:	http://repository.its.ac.id/id/eprint/133649

Actions (login required)

View Item