Ahmad Fauzan, - (2024) PREDIKSI REMAINING USEFUL LIFE MESIN TURBOFAN MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK. Skripsi thesis, Universitas Islam Negeri Sultan Syarif Kasim Riau.

Preview	Text (File Lengkap kecuali Bab 4) Bab 1,2,3,5 - Ahmad Fauzan.pdf Download (9MB) | Preview
	Text (Bab 4) Bab 4 - Ahmad Fauzan.pdf - Published Version Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Mesin turbofan adalah jenis mesin yang paling banyak digunakan pada pesawat dalam 40 tahun terakhir. Kualitas mesin turbofan yang prima sangat penting untuk mewujudkan penerbangan yang aman, terutama untuk penerbangan jarak jauh. Namun, seiring waktu, kualitas mesin akan menurun, mengakibatkan penurunan performa dan dampak pada keselamatan penerbangan. Untuk mengatasi hal ini, pemeliharaan mesin perlu dilakukan dengan memprediksi kapan kegagalan mesin mungkin terjadi melalui Remaining Useful Life (RUL). Metode deep learning, khususnya Convolutional Neural Network (CNN), telah terbukti efektif dalam memprediksi RUL mesin turbofan karena kemampuannya dalam memproses data yang kompleks dan non-linear. Pada tugas akhir ini, 1-D CNN digunakan untuk memprediksi RUL dari dataset NASA C-MAPSS FD001. Data ini memiliki 3 setting dan 21 sensor, beberapa di antaranya bernilai stagnan dan tidak digunakan. Dataset dinormalisasi menggunakan min-max dan z-score, kemudian dipecah menjadi beberapa sequence untuk masuk ke model 1-D CNN. Setelah melakukan berbagai skenario training, didapat bahwa skenario dengan jumlah epoch 10, learning rate 0.0001, dan normalisasi z-score menghasilkan RMSE terbaik yaitu 3.26. Hasil penelitian menunjukkan bahwa seleksi fitur yang dilakukan dapat memberikan angka RMSE yang lebih rendah dibandingkan tanpa seleksi fitur.

Actions (login required)

View Item