UNITOMOUNITOMO

Inform: Jurnal Ilmiah Bidang Teknologi Informasi dan KomunikasiInform: Jurnal Ilmiah Bidang Teknologi Informasi dan Komunikasi

Memperkirakan parameter kinerja kritis, seperti Tekanan Discharge Kompresor (PCD), pada turbin gas adalah sebuah keharusan strategis untuk memastikan keandalan operasional dan efisiensi energi, khususnya di fasilitas vital seperti Central Processing Plants (CPPs). Namun, mencapai prediksi yang andal menimbulkan tantangan analitis yang signifikan akibat sifat kompleks, multivariabel, dan non-linear dari data sensor industri, ditambah dengan beban operasional dinamis. Studi ini memperkenalkan dan memvalidasi kerangka analitis terpadu yang berpusat pada arsitektur Hybrid Convolutional Neural Network-Residual Bi-Directional Long Short-Term Memory (CNN-Residual BiLSTM) yang dioptimalkan secara sistematis. Desain hybrid ini secara sinergis memanfaatkan lapisan CNN untuk ekstraksi pola temporal multi-skala dan blok Residual BiLSTM untuk pemodelan ketergantungan jangka panjang yang kuat, yang diperkuat oleh koneksi residual untuk stabilitas pelatihan. Kerangka kerja ini menekankan pra-pengolahan data yang ketat dan pemilihan set fitur yang komprehensif, yang mencakup sinyal termodinamika, listrik, dan kontrol operasional untuk memberikan pandangan holistik tentang kondisi turbin. Optimasi hiperparameter otomatis melalui kerangka Optuna digunakan untuk memaksimalkan potensi prediktif model. Validasi empiris menunjukkan bahwa kinerja konfigurasi yang dioptimalkan lebih unggul daripada model dasar (RMSE = 0,0611, MAE = 0,0298, R² = 0,9601), mengonfirmasi kontribusi kerangka kerja ini dalam meningkatkan diagnosis kinerja data-driven dan strategi pemeliharaan prediktif (PdM) untuk turbin gas.

Studi ini berhasil mengatasi tantangan yang sulit dalam memprediksi Tekanan Discharge Kompresor (PCD) pada turbin gas industri.Kami mengembangkan dan memvalidasi kerangka analitis terpadu yang berpusat pada arsitektur Hybrid CNN-Residual BiLSTM.Hasil empiris menunjukkan bahwa dengan menggabungkan arsitektur canggih ini dengan pemilihan fitur yang komprehensif dan optimasi hiperparameter yang teliti, model yang diusulkan mencapai akurasi prediksi yang canggih (RMSE = 0,0611, R² = 0,9601).Kinerja ini tidak hanya jauh lebih unggul daripada baseline deep learning, tetapi juga melampaui benchmark yang dilaporkan sebelumnya dalam tugas prediksi serupa.Kontribusi utama penelitian ini terletak pada metodologi holistik dan ketat.Pertama, penelitian ini memberikan demonstrasi kuantitatif yang definitif tentang dampak kritis dari optimasi hiperparameter otomatis (HPO), langkah penting untuk membuka potensi puncak yang sering diabaikan dalam studi prediksi terapan.Kedua, penelitian ini memvalidasi efektivitas penggunaan set fitur yang kaya dan multi-modal, membuktikan bahwa memberikan model dengan konteks operasional yang komprehensif adalah kunci untuk meningkatkan presisi prediktif.Akhirnya, penelitian ini menetapkan alur kerja yang kuat dan dapat direproduksi yang berfungsi sebagai blueprint untuk mengembangkan model prediktif dengan fidelitas tinggi untuk aset industri kritis lainnya.

Untuk penelitian lanjutan, kami mengusulkan tiga arah studi baru. Pertama, perlu dilakukan validasi lebih lanjut untuk menguji generalisasi kerangka kerja ini di berbagai jenis turbin dan lingkungan operasional. Kedua, penjelajahan metode penjelasan untuk menafsirkan keputusan model dan teknik kompresi model untuk implementasi real-time yang efisien layak untuk dieksplorasi. Terakhir, studi lanjutan dapat berfokus pada pengembangan teknik optimasi hiperparameter yang lebih efisien dan canggih untuk arsitektur hybrid, yang dapat meningkatkan kinerja prediksi lebih lanjut.

  1. Inform: Jurnal Ilmiah Bidang Teknologi Informasi dan Komunikasi. optimized hybrid cnn residual bilstm... ejournal.unitomo.ac.id/index.php/inform/article/view/10226Inform Jurnal Ilmiah Bidang Teknologi Informasi dan Komunikasi optimized hybrid cnn residual bilstm ejournal unitomo ac index php inform article view 10226
  2. Radware Bot Manager Captcha. radware bot manager captcha apologize ensure keep safe please confirm human... doi.org/10.1088/1742-6596/2938/1/012002Radware Bot Manager Captcha radware bot manager captcha apologize ensure keep safe please confirm human doi 10 1088 1742 6596 2938 1 012002
  3. Handling Volatility and Nonlinearity in Wind Speed Data: A Comparative Analysis between ARIMA-GARCH and... doi.org/10.37934/aram.121.1.4457Handling Volatility and Nonlinearity in Wind Speed Data A Comparative Analysis between ARIMA GARCH and doi 10 37934 aram 121 1 4457
Read online
File size496.42 KB
Pages11
DMCAReport

Related /

ads-block-test