UMBUMB

SINERGISINERGI

Penelitian ini memperkenalkan model hibrida untuk memprediksi temperatur gulungan pada motor induksi yang digunakan dalam operasi minyak dan gas. Penelitian ini bertujuan untuk mengatasi tantangan dalam memprediksi kegagalan gulungan potensial secara akurat dan memungkinkan strategi pemeliharaan proaktif. Model TE-LSTM menggabungkan arsitektur berbasis encoder transformer dengan memori jangka pendek (long short-term memory) untuk secara efektif memodelkan hubungan temporal yang rumit dan dinamika sensor dalam dataset. Studi ini menggunakan data yang dikumpulkan dari Januari 2016 hingga Desember 2024 pada interval 1 menit dari motor induksi yang dilengkapi dengan sensor temperatur gulungan stator. Motor-motor ini dirancang dengan isolasi Kelas F dan memiliki alarm tahap 1 dan tahap 2 yang ditetapkan pada 257°F dan 285°F, masing-masing. Hasil penelitian menyoroti efisiensi dan kinerja model TE-LSTM dalam memprediksi temperatur gulungan, yang secara signifikan dapat mengurangi waktu henti yang tidak terduga dan biaya terkait, sehingga mengoptimalkan operasi pemeliharaan dan meningkatkan keandalan motor.

Penelitian ini menunjukkan bahwa model TE-LSTM secara signifikan meningkatkan kemampuan prediksi temperatur alarm motor induksi.Model hibrida ini dapat memprediksi kinerja aset motor dan peralatan lainnya, membantu mengubah strategi pemeliharaan menjadi proaktif—mengurangi waktu henti yang tidak terduga sambil meningkatkan efektivitas operasional.Model ini bermanfaat dalam industri minyak dan gas karena dapat mengurangi kegagalan motor yang sering terjadi, yang membantu meningkatkan keandalan, menjaga waktu operasional produksi, dan mengurangi biaya operasional.

Berdasarkan temuan ini, beberapa arah penelitian lanjutan dapat dieksplorasi. Pertama, penelitian lebih lanjut dapat fokus pada integrasi data dari berbagai sumber, seperti data perawatan historis dan kondisi lingkungan, untuk meningkatkan akurasi prediksi model. Kedua, pengembangan model yang dapat beradaptasi dengan perubahan kondisi operasional dan jenis motor yang berbeda akan sangat bermanfaat. Terakhir, eksplorasi metode pembelajaran transfer dapat memungkinkan penerapan model TE-LSTM ke berbagai jenis peralatan industri, sehingga memperluas manfaatnya di luar motor induksi.

  1. Development of nominal rules on the Fuzzy Sugeno method to determine the quality of power transformer... doi.org/10.22441/sinergi.2023.1.005Development of nominal rules on the Fuzzy Sugeno method to determine the quality of power transformer doi 10 22441 sinergi 2023 1 005
  2. TE-LSTM: winding temperature prediction for induction motors in the oil and gas industry | Supriyono... doi.org/10.22441/sinergi.2025.3.022TE LSTM winding temperature prediction for induction motors in the oil and gas industry Supriyono doi 10 22441 sinergi 2025 3 022
Read online
File size1.04 MB
Pages14
DMCAReport

Related /

ads-block-test