Publisher

YRPIPKUYRPIPKU

Journal Journal of Applied Engineering and Technological Science (JAETS)Journal of Applied Engineering and Technological Science (JAETS) Abstract

Penelitian ini bertujuan mengembangkan sistem pemeliharaan prediktif untuk mesin penggiling vertikal yang telah beroperasi sejak tahun 1978 dengan mengintegrasikan teknik pembelajaran mesin, analisis getaran, dan logika fuzzy. Penelitian ini menangani tantangan peningkatan keausan dan kegagalan tak terduga pada mesin lama yang dapat menyebabkan waktu henti mahal dan penurunan efisiensi operasional. Data getaran dan suhu dikumpulkan selama 12 hari menggunakan akselerometer MPU-9250, dengan kondisi dikategorikan sebagai baik, sedang, dan rusak. Berbagai model pembelajaran mesin, termasuk regresi logistik, k‑nearest neighbors, support vector machine, decision tree, random forest, dan Naive Bayes, dilatih untuk mengklasifikasikan keadaan bantalan. Model random forest mencapai akurasi tertinggi sebesar 94,59 %, menunjukkan keefektifannya dalam memprediksi kegagalan mesin. Hasil penelitian menyoroti potensi penggabungan data sensor multidimensi dengan analitik lanjutan untuk mendeteksi kerusakan secara dini, meminimalkan waktu henti, dan meningkatkan efisiensi operasional. Pendekatan ini menyediakan solusi biaya‑efektif untuk pemeliharaan mesin lama serta berkontribusi pada kemajuan teoretis dalam aplikasi pembelajaran mesin dan perbaikan praktis dalam praktik pemeliharaan industri. Temuan studi ini menawarkan wawasan yang dapat diskalakan bagi industri yang bergantung pada peralatan warisan, mendorong manufaktur berkelanjutan melalui optimalisasi penggunaan sumber daya dan peningkatan keandalan.

Conclusion

Studi ini menunjukkan kelayakan penggunaan teknik pembelajaran mesin untuk pemeliharaan prediktif mesin penggiling vertikal yang sudah tua.Model random forest dengan akurasi tinggi dan ketahanan terhadap data noise memberikan gambaran komprehensif tentang kesehatan mesin melalui integrasi data getaran dan analisis pentingnya fitur.Penelitian selanjutnya dapat menambahkan parameter seperti beban operasional atau kelembaban serta menerapkan teknik deep learning lanjutan untuk meningkatkan akurasi prediksi, sehingga meningkatkan efisiensi operasional dan mengurangi biaya pemeliharaan pada industri.

Future Research

Penelitian selanjutnya dapat mengeksplorasi penggunaan sensor industri berfrekuensi tinggi untuk meningkatkan akurasi deteksi getaran pada mesin lama, sehingga mengurangi noise yang memengaruhi model pembelajaran mesin. Selanjutnya, penting untuk mengembangkan model pembelajaran mendalam, seperti jaringan saraf konvolusional atau LSTM, yang dapat memanfaatkan data time‑series berukuran besar dan menangkap pola keausan jangka panjang, dengan menguji efektivitasnya pada dataset yang diperluas menjadi beberapa bulan. Selain itu, sebuah studi komparatif dapat diarahkan pada integrasi faktor lingkungan tambahan, misalnya suhu, kelembaban, dan beban operasional, untuk menilai kontribusi masing‑masing variabel terhadap prediksi kegagalan, serta menguji apakah kombinasi multi‑sensor tersebut meningkatkan robustitas sistem pemeliharaan prediktif pada berbagai tipe mesin industri.

References

1. Health Condition Monitoring and Control of Vibrations of a Rotating System through Vibration Analysis.... hindawi.com/journals/js/2022/4281596Health Condition Monitoring and Control of Vibrations of a Rotating System through Vibration Analysis hindawi journals js 2022 4281596
2. Predictive Maintenance using Machine Learning with the Support from Smart Sensors and Supply Chain Management... doi.org/10.17485/ijst/v16isp2.8904Predictive Maintenance using Machine Learning with the Support from Smart Sensors and Supply Chain Management doi 10 17485 ijst v16isp2 8904
3. Machine Learning Based Predictive Maintenance Model. ieom index machine learning based predictive maintenance... doi.org/10.46254/in02.20220528Machine Learning Based Predictive Maintenance Model ieom index machine learning based predictive maintenance doi 10 46254 in02 20220528
4. Radware Bot Manager Captcha. radware manager captcha apologize ensure keep safe please confirm human... doi.org/10.1088/1742-6596/2299/1/012001Radware Bot Manager Captcha radware manager captcha apologize ensure keep safe please confirm human doi 10 1088 1742 6596 2299 1 012001

Metadata

File size	1.14 MB
Pages	15
DMCA	Report