Sutawanir Darwis
Statistika, Universitas Islam Bandung

Published : 32 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 32 Documents
Search

Deteksi Kerusakan Bearing Menggunakan Komponen Utama Kernel Allyaa Putri Asti; Sutawanir Darwis
Bandung Conference Series: Statistics Vol. 3 No. 1 (2023): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v3i1.5471

Abstract

Abstract. Various factors can cause bearing damage, this is a major problem because it can cause substansial losses and affect production schedules. It is recommended to control bearing damage in order to provide early information about the damage. The method used in this paper is Hotelling T2 through Kernel Principal Component Analysis (KPCA). The principal component of kernel used to construct Hotelling T2 statistics in order to obtain T2 statistical values for detection bearing damage. The purpose of this paper is to apply KPCA as a statistic to use normal and damaged bearing. Data from NASA Bearing Dataset that contains normal bearing and damage bearing. Data divided into 1153 data for training and 323 data for testing. In this paper, 8 features are used as input for KPCA, reduced to 6 kernel principal component. Training data can obtained eigenvalue as input Hotelling T2, testing is used to detect bearings condition. Bearings are detected to damaged when T2 > 12.6939 with a significance level of 5%, from 323 training data 294 observations detected as damaged bearings and 29 observations detected as normal bearings. After conducting research, KPCA method can use to detect bearing damage. Abstrak. Berbagai faktor dapat menyebabkan kerusakan bearing, hal ini merupakan masalah utama karena dapat menyebabkan kerugian cukup besar dan mempengaruhi jadwal produksi. Dianjurkan mengontrol kerusakan bearing agar dapat memberikan informasi awal kerusakan bearing. Metode digunakan dalam penelitian Hotelling T2 melalui komponen utama kernel. Komponen utama kernel digunakan untuk mengkontruksi statistik Hotelling T2 sehingga diperoleh nilai statistik T2 untuk deteksi kerusakan bearing. Tujuan penelitian adalah menerapkan komponen utama kernel sebagai statistik untuk menggunakan Hotelling T2 bearing normal dan bearing rusak. Data sekunder NASA Bearing Dataset berisikan data bearing normal serta data bearing rusak. Proses deteksi bearing melalui komponen utama kernel dibagi menjadi data training sebanyak 1153 data sedangkan data testing sebanyak 323 data. Berdasarkan hasil penelitian, 8 fitur dijadikan sebagai input komponen utama kernel, direduksi menjadi enam komponen utama kernel. Menggunakan data training diperoleh nilai eigen sebagai input Hotelling T2, data testing digunakan untuk mendeteksi kondisi bearing. Bearing terdeteksi rusak ketika statistik T2 > 12.6939. Dengan taraf signifikansi 5 %, didapatkan sebanyak 294 data pengamatan dari 323 terdeteksi merupakan bearing rusak sedangkan sisanya 29 data pengamatan terdeteksi merupakan bearing normal. Setelah dilakukan penelitian metode komponen utama kernel layak digunakan untuk mendeteksi kerusakan bearing.
Visualisasi Prediksi Remaining Useful Life Bearing Menggunakan Regresi Bayesian Marcelia Mutiarani; Sutawanir Darwis
Bandung Conference Series: Statistics Vol. 3 No. 1 (2023): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v3i1.6134

Abstract

Abstract. Bearing element are prone to failure, which can cause economic losses and even fatalities. Prediction of the remaining age is utilized to see conditions that may occur in order to avoid dissatisfaction. The Bayesian method is a method for estimating parameter distributions that have high accuracy. This thesis aims to apply the estimated parameters of the least squares method and Bayesian regression model to predict Remaining Useful Life (RUL) bearings. The bearing index degradation was obtained using principal components through a dimension reduction process. Time domain features are reduced from the corresponding vibration signals to construct Health Indicators (HI). Bayesian regression index degradation was used to predict RUL. The data used is secondary data on accelerated degradation related to China's XJTU-SY. RUL prediction results were acquired at tp of 60 minutes. For the horizontal direction on the standard deviation feature, RUL prediction values were obtained with KT of 54 minutes and Bayesian of 11 minutes, while for the kurtosis factor feature, RUL prediction values were earned with KT of 46 minutes and Bayesian of 40 minutes. For the vertical direction, the peak value feature with KT is 57 minutes, and Bayesian is 28 minutes. The RUL graph shows that the prediction line has an up or down trend, indicating that predictions using KT bearing degradation are slower than those utilizing Bayesian. It can be concluded that Bayesian predictions are more accurate than KT because, using Bayesian RUL value predictions, the bearing degradation is smaller, meaning that bearing degradation can be predicted more quickly. Maintenance can be carried out immediately to reduce maintenance costs. Abstrak. Elemen bearing rentan terhadap kegagalan yang dapat menyebabkan kerugian secara ekonomi bahkan korban jiwa. Prediksi sisa usia digunakan untuk melihat kondisi kelayakan bearing guna menghindari terjadinya kegagalan. Metode Bayesian merupakan metode untuk mengestimasi parameter distribusi yang memiliki akurasi yang tinggi. Skripsi ini bertujuan untuk menerapkan estimasi parameter model regresi metode kuadrat terkecil dan Bayesian pada prediksi Remaining Useful Life (RUL) bearing. Indeks degradasi bearing diperoleh melalui proses reduksi dimensi menggunakan komponen utama. Fitur domain waktu di reduksi dari sinyal vibrasi bearing untuk membangun Health Indicator (HI). Regresi Bayesian indeks degradasi digunakan untuk memprediksi RUL. Data yang digunakan merupakan data sekunder akselerasi degradasi bearing XJTU-SY China. Didapatkan hasil prediksi RUL pada tp sebesar 60 menit, untuk arah horizontal pada fitur standar deviasi didapatkan nilai prediksi RUL dengan KT sebesar 54 menit dan Bayesian sebesar 11 menit sedangkan pada fitur faktor kurtosis didapatkan nilai prediksi RUL dengan KT sebesar 46 menit dan Bayesian sebesar 40 menit. Untuk arah vertikal pada fitur nilai puncak dengan KT sebesar 57 menit dan Bayesian sebesar 28 menit. Dilihat dari grafik RUL garis prediksi memiliki trend naik atau turun yang menunjukkan prediksi menggunakan KT degradasi bearing lebih lambat daripada menggunakan Bayesian. Dapat disimpulkan bahwa prediksi menggunakan Bayesian lebih akurat daripada KT karena menggunakan Bayesian nilai prediksi RUL degradasi bearing lebih kecil, artinya degradasi bearing dapat diprediksi lebih cepat dan dapat segera dilakukan perawatan untuk mereduksi biaya perawatan.
Multivariate Statistical Process Control untuk Mendeteksi Kerusakan Bearing Hani Nurhapilah; Sutawanir Darwis
Bandung Conference Series: Statistics Vol. 3 No. 1 (2023): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v3i1.6323

Abstract

Abstract. Multivariate Statistical Process Control is intended to see the stability of a production process so that it becomes effective. This method was developed to detect bearing damage through the T2 Hotelling control chart. Out-of-control is used as a tool to detect bearing condition. The machine is a unit of various interrelated components, resulting in a series of movements. Bearings are important machine components, supporting the shaft to rotate without experiencing excessive friction. Bearing damage detection is important to ensure optimal performance in an industry. The data used is secondary data from the results of bearing vibration experimental tests from the FEMTO-ST Institute. The vibration data used consists of seven bearings with various conditions, each of which consists of two directions, namely horizontal and vertical. Then, the variance features and RMS bearing1_2 and bearing1_4 are taken for data processing. Furthermore, the data is divided into two phases, namely phase-I which is assumed to be the bearing under normal conditions and phase-II which is assumed to be the bearing to be tested. After that, the calculation of the upper control limit (UCL) is carried out in phase-I, and is used in phase-II to detect bearing conditions. The results of tests carried out in phase-II show that there are points that are out-of-control so that it can be said that there are abnormalities in the bearings which may indicate that there are bearings that are abnormal but not necessarily damaged. Abstrak. Multivariate Statistical Process Control diperuntukkan untuk melihat stabilitas proses dari suatu produksi agar menjadi efektif. Metode ini dikembangkan untuk mendeteksi kerusakan bearing melalui diagram kendali T2 Hotelling. Out-of-control digunakan sebagai alat untuk mendeteksi kondisi bearing. Mesin merupakan kesatuan dari berbagai komponen yang saling berkaitan, sehingga menghasilkan suatu rangkaian gerakan. Bearing merupakan komponen mesin yang penting, menumpu agar poros dapat berputar tanpa mengalami gesekan yang berlebihan. Deteksi kerusakan bearing penting dilakukan untuk menjamin performa optimal sebuah industri. Data yang digunakan adalah data sekunder hasil uji eksperimen vibrasi bearing dari FEMTO- ST Institute. Data vibrasi yang digunakan terdiri dari tujuh bearing berbagai kondisi yang masing-masingnya terdiri dari dua arah yaitu horizontal dan vertikal. Kemudian, diambil fitur variansi dan RMS bearing1_2 dan bearing1_4 untuk pengolahan data. Selanjutnya, data tersebut dibagi menjadi dua fase yaitu fase-I yang diasumsikan sebagai bearing kondisi normal dan fase-II diasumsikan sebagai bearing yang akan diuji. Setelah itu, dilakukan perhitungan batas kendali atas (BKA) pada fase-I, dan digunakan pada fase-II untuk mendeteksi kondisi bearing. Hasil pengujian yang dilakukan pada fase-II menunjukkan bahwa terdapat titik-titik yang berada di luar batas kendali (out-of-control) sehingga dapat dikatakan bahwa terdapat ketidaknormalan pada bearing yang mungkin berindikasi terdapat bearing yang tidak normal namun belum tentu rusak.
Exploring Pattern Recognition for Bearing Fault Diagnosis Sutawanir Darwis; Nusar Hajarisman; Suliadi; Achmad Widodo; Rejeki Wulan Islamiyati
Statistika Vol. 22 No. 2 (2022): Statistika
Publisher : Department of Statistics, Faculty of Mathematics and Natural Sciences, Universitas Islam Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/statistika.v22i2.1128

Abstract

Traditional bearing sensory diagnostic include touching and hearing rely on personal experience, and for more complex system are unable to meet the needs of equipment fault diagnosis. The research on bearing fault diagnosis is developing significantly. Bearings are used in rotating machinery and most machinery failures are caused by bearing failures. The fault diagnosis of bearings is an important research area. The core of bearing fault diagnosis is the pattern recognition of fault features. The key of pattern recognition is to develop a reasonable classifier. Intelligent pattern recognition has been developed such as principal components, support vector machine, neural network. In this study, a bearing fault diagnosis based on exploring pattern recognition is proposed. The key to pattern recognition is to design a significant classifier. A number of features from bearing vibration of normal and fault bearing are extracted and processed using principal components of correlation matrix. Plot of principal components shows the visualization of normal and fault bearing and the classifier is chosen subjectively. The principal components exploration will be confirmed using least squares support vector machine. The parameter of support vector machine estimated using heuristic optimization particle swarm optimization. The proposed method can be applied in the detection of faults of bearing
Deteksi Kerusakan Bearing Menggunakan Komponen Utama Kernel Allyaa Putri Asti; Sutawanir Darwis
Jurnal Riset Statistika Volume 3, No. 1, Juli 2023, Jurnal Riset Statistika (JRS)
Publisher : UPT Publikasi Ilmiah Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jrs.v3i1.1771

Abstract

Abstract. Various factors can cause bearing damage, this is a major problem because it can cause substansial losses and affect production schedules. It is recommended to control bearing damage in order to provide early information about the damage. The method used in this paper is Hotelling T2 through Kernel Principal Component Analysis(KPCA). The principal component of kernel used to construct Hotelling T2 statistics in order to obtain T2 statistical values for detection bearing damage. The purpose of this paper is to apply KPCA as a statistic to use normal and damaged bearing. Data from NASA Bearing Dataset that contains normal bearing and damage bearing. Data divided into 1153 data for training and 323 data for testing. In this paper, 8 features are used as input for KPCA, reduced to 6 kernel principal component. Training data can obtained eigenvalue as input Hotelling T2, testing is used to detect bearings condition. Bearings are detected to damaged when T2 > 12.6939 with a significance level of 5%, from 323 training data 294 observations detected as damaged bearings and 29 observations detected as normal bearings. After conducting research, KPCA method can use to detect bearing damage. Abstrak. Berbagai faktor dapat menyebabkan kerusakan bearing, hal ini merupakan masalah utama karena dapat menyebabkan kerugian cukup besar dan mempengaruhi jadwal produksi. Dianjurkan mengontrol kerusakan bearing agar dapat memberikan informasi awal kerusakan bearing. Metode digunakan dalam penelitian Hotelling T2 melalui komponen utama kernel. Komponen utama kernel digunakan untuk mengkontruksi statistik Hotelling T2 sehingga diperoleh nilai statistik T2 untuk deteksi kerusakan bearing. Tujuan penelitian adalah menerapkan komponen utama kernel sebagai statistik untuk menggunakan Hotelling T2 bearing normal dan bearing rusak. Data sekunder NASA Bearing Dataset berisikan data bearing normal serta data bearing rusak. Proses deteksi bearing melalui komponen utama kernel dibagi menjadi data training sebanyak 1153 data sedangkan data testing sebanyak 323 data. Berdasarkan hasil penelitian, 8 fitur dijadikan sebagai input komponen utama kernel, direduksi menjadi enam komponen utama kernel. Menggunakan data training diperoleh nilai eigen sebagai input Hotelling T2, data testing digunakan untuk mendeteksi kondisi bearing. Bearing terdeteksi rusak ketika statistik T2 > 12.6939. Dengan taraf signifikansi 5 %, didapatkan sebanyak 294 data pengamatan dari 323 terdeteksi merupakan bearing rusak sedangkan sisanya 29 data pengamatan terdeteksi merupakan bearing normal. Setelah dilakukan penelitian metode komponen utama kernel layak digunakan untuk mendeteksi kerusakan bearing.
Kesesuaian Distribusi Magnitude Gempa dengan Distribusi Teoritis Gempa dalam Perhitungan Premi Asuransi Gempa Bumi Nadya Chaerunisa Apriani; Sutawanir Darwis
Bandung Conference Series: Statistics Vol. 3 No. 2 (2023): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v3i2.7872

Abstract

Abstract. Earthquake insurance is insurance that guarantees loss or damage to insured property and/or interests that are directly caused by an earthquake. The purpose of this study was to determine the suitability of the earthquake magnitude distribution model with the theoretical distribution using the goodness of fit method, as well as to know the calculation steps and the amount of earthquake insurance premiums for 3 regions in West Java. The method used in this research is goodness of fit (GOF) based on empirical distribution function with five types of test statistics, and the following method is used probabilistic seismic hazard analysis (PSHA). The data used in this study is secondary data in the form of historical data on earthquake events in the 3 research areas for 10 years, 2013-2022. The results of this study are that the model on the distribution of earthquake magnitudes is in accordance with the theoretical distribution, namely the exponential distribution, as well as the model for the distribution of earthquake hypocenter distances which is in accordance with the theoretical distribution that has been determined. As well as Obtained the total amount of insurance premiums for Garut Regency is Rp. 206,610, - for a house that has a total tax object of Rp. 14,681,468, - for Tasikmalaya Regency is Rp. 274,630, - for a house that has a total tax object of Rp. 15,121,366, - and for Sukabumi Regency it is Rp. 228,610, - for a house that has a total tax object of Rp. 14,969,526, - the total premium is the amount of money that must be paid by the insured to the insurance company every month. Abstrak. Asuransi gempa bumi adalah asuransi yang menjamin kerugian atau kerusakan harta benda dan/atau kepentingan yang dipertanggungkan yang secara langsung disebabkan oleh gempa bumi. Tujuan dari penelitian adalah untuk mengetahui kesesuaian model distribusi magnitude gempa dengan distribusi teoritisnya menggunakan metode goodness of fit, dan mengetahui langkah perhitungan dan besarnya premi asuransi gempa bumi untuk 3 wilayah di Jawa Barat. Metode yang digunakan yaitu goodness of fi (GOF) berdasarkan distribusi fungsi empiris dengan lima jenis statistik uji, dan probabilistic seismic hazard analysis (PSHA). Data yang digunakan pada penelitian ini adalah data sekunder berupa data historis kejadian gempa bumi di 3 wilayah penelitian selama 10 tahun yaitu 2013-2022. Hasil dari penelitian ini adalah model pada distribusi magnitude gempa sudah sesuai dengan distribusi teoritisnya yaitu distribusi eksponensial, begitu juga untuk model distribusi jarak hiposenter gempa yang sudah sesuai dengan distribusi teoritisnya yang sudah ditentukan. Serta Diperoleh besarnya total premi asuransi untuk Kabupaten Garut adalah sebesar Rp. 206.610,- untuk rumah yang memiliki jumlah dari objek pajaknya sebesar Rp. 14.681.468,- untuk Kabupaten Tasikmalaya adalah sebesar Rp. 274.630,- untuk rumah yang memiliki jumlah dari objek pajaknya sebesar Rp. 15.121.366,- dan untuk Kabupaten Sukabumi adalah sebesar Rp. 228.610,- untuk rumah yang memiliki jumlah dari objek pajaknya sebesar Rp. 14.969.526,- total premi tersebut adalah sejumlah uang yang harus dibayar pihat tertanggung kepada pihak perusahaan asuransi setiap bulannya.
Penerapan Metode Bayesian Change Point dalam Menentukan Bahaya Gempa di Jawa Barat Iqbal Arya Ramadhan; Sutawanir Darwis
Bandung Conference Series: Statistics Vol. 3 No. 2 (2023): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v3i2.8162

Abstract

Abstract. Geologically, the area of Indonesia is prone to earthquakes, including the province of West Java, because it is located in the ring of fire and can cause severe damage, so Indonesia needs earthquake insurance. The Bayesian PSHA (Probabilistic Seismic Hazard Analysis) method can provide an assessment of the uncertainty of future earthquakes, by utilizing the prior distribution at the start of the analysis and the likelihood function is formulated into a posterior distribution to measure future observed data with uncertain parameters. The uncertainty in this research is time, taking into account the Bayesian Change Point (potential change in the rate of seismicity at that point in time). This Bayesian PSHA will produce seismic hazard values and combined with the Mean Damage Ratio (MDR) using the Yucemen method to generate insurance premiums. There were 25 earthquake events in West Java province in 2006-2021 around Kertajati Airport with coordinates 6.39'02° S, 108.10'10°E, depth of 100 km and radius of 300 km and there is a Bayesian factor of 0.0035 so that a change in the earthquake rate was identified between the 3rd and 4th incident, and the change in the earthquake rate occurred the day before the 4th incident, namely on July 17 2006 with an incident ratio rate of 0.7769. The seismic hazard value or earthquake hazard involving a Change Point for an intensity scale of 11 is 0.23%. Abstrak. Secara geologi wilayah Indonesia rawan gempa bumi, termasuk provinsi Jawa Barat karena terletak pada kawasan cincin api (ring of fire) dan dapat menimbulkan kerusakan yang sangat parah sehingga Indonesia memerlukan asuransi gempa bumi. Metode Bayesian PSHA (Probabilistic Seismic Hazard Analysis) dapat memberikan penilaian ketidakpastian gempa di masa depan, dengan memanfaatkan distribusi prior pada awal analisis dan fungsi likelihood diformulasikan menjadi distribusi posterior untuk mengukur data yang diamati di masa depan dengan parameter yang tidak pasti. Ketidakpastiaan pada peneilitian ini yaitu waktu, dengan memperhitungkan Bayesian Change Point (potensi perubahan laju kegempaan pada titik waktu). Bayesian PSHA ini akan menghasilkan nilai seismic hazard dan dikombinasikan dengan Mean Damage Ratio (MDR) menggunakan metode Yucemen untuk menghasilkan premi asuransi. Terdapat 25 kejadian gempa bumi provinsi Jawa Barat tahun 2006-2021 yang berada di sekitar Bandara Kertajati dengan titik koordinat 6.39’02° S, 108.10’10°E, kedalaman 100 km dan radius 300 km dan terdapat faktor Bayesian sebesar 0,0035 sehingga terindentifikasi perubahan laju gempa antara kejadian ke-3 dan ke-4, dan perubahan laju gempa tersebut terjadi sehari sebelum kejadian ke-4 yaitu pada tanggal 17 Juli 2006 dengan tingkat rasio kejadian sebesar 0,7769. Nilai seismic hazard atau bahaya gempa melibatkan Change Point untuk skala intensitas 11 yaitu 0,23%.
Ordinary Kriging Magnitude dan Nilai B-Value Gutenberg-Richterpada Katalog Gempa Bumi Jawa Barat Salsabila Nur Fitriana; Sutawanir Darwis
Bandung Conference Series: Statistics Vol. 3 No. 2 (2023): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v3i2.8385

Abstract

Abstract. Earthquake is a natural phenomenon that is not known when it will occur because measurements are not made in all locations. With these limitations, we need a method that can predict the level of earthquake strength at several points where measurements are not carried out, for example by the spatial interpolation method. There are several methods used to perform spatial interpolation, one of which is the ordinary kriging method. Ordinary kriging (OK) utilizes spatial values ​​at sample locations and variograms that show correlations between spatial points to predict values ​​at non-sample locations where the predicted value depends on their proximity to the sample locations. This thesis discusses the development of the ordinary kriging method on regional earthquake magnitudes and the b-value Gutenberg Richter variable using the West Java earthquake catalog. Regional magnitude variables and b-values ​​were used to model the spatial correlation via a spherical variogram. Variogram parameters were estimated using the least squares method. The results of the Ordinary Kriging assessment of an area show that the level of rock fragility (b-value) is quite high, namely 6.523 which illustrates that the area has low stress accumulation or it can be said that a high b-value has experienced a large-scale earthquake so that only energy left that is capable of producing small earthquakes. Abstrak. Gempa bumi merupakan fenomena alam yang tidak seorang pun mengetahui kapan terjadinya karena pengukuran tidak dilakukan di semua lokasi. Dengan keterbatasan tersebut, diperlukan suatu metode yang dapat memprediksi tingkat kekuatan gempa di beberapa titik yang tidak dilakukan pengukuran, misalnya dengan metode interpolasi spasial. Terdapat beberapa metode yang digunakan untuk melakukan interpolasi spasial, salah satunya metode ordinary kriging. Ordinary kriging (OK) memanfaatkan nilai spasial pada lokasi tersampel dan variogram yang menunjukkan korelasi antar titik spasial untuk memprediksi nilai pada lokasi yang tidak tersampel yang mana nilai prediksi tersebut tergantung pada kedekatannya terhadap lokasi tersampel. Skripsi ini membahas pengembangan metode ordinary kriging pada peubah teregioanal magnitude gempa dan b-value Gutenberg Richter menggunakan katalog gempa Jawa Barat. Peubah teregional magnitude dan nilai-b digunakan untuk memodelkan korelasi spasial melalui variogram spherical. Parameter variogram diestimasi menggunakan metode kuadrat terkecil. Hasil dari penaksiran Ordinary Kriging dari suatu wilayah menunjukkan bahwa nilai tingkat kerapuhan batuan (b-value) cukup tinggi yaitu sebesar 6.523, menggambarkan bahwa daerah tersebut memiliki akumulasi stress yang rendah atau dapat dikatakan nilai b-value yang tinggi pernah terjadi gempa bumi dengan skala besar sehingga hanya tersisa energi yang mampu menghasilkan gempa kecil.
Optimasi Parameter Support Vector Machine menggunakan Particle Swarm Optimization untuk Bearing Fault Diagnosis Rizki Aulia Hawa; Sutawanir Darwis
Bandung Conference Series: Statistics Vol. 3 No. 2 (2023): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v3i2.8975

Abstract

Abstract. To assist industrial activities in generating power, humans create components that are developed through machines. One of the key elements that plays an important role in the process of a shaft rotation movement on the machine is the bearing. Given their widespread use, bearing vibration components can predict machine breakdowns or forecast indicators by leveraging forecasting models to diagnose bearings before failure occurs. One of the popular methods used for forecasting machine failure is the Support Vector Machine (SVM) which was introduced by Cortes and Vapnik in 1995 to overcome the problem of dividing two conflicting groups when demonstrating superiority in nonlinear small sample pattern recognition. SVM is optimized by incorporating Particle Swarm Optimization (PSO). The advantage of the PSO method is that it is able to produce accuracy values that are more precise and accurate than other mathematical algorithms and heuristic techniques (Pambudi, Wihandika, & Putri, 2019). Untuk membantu aktivitas industri dalam menghasilkan tenaga, manusia menciptakan komponen yang dikembangkan melalui mesin. Salah satu bagian elemen kunci yang berperan penting dalam proses suatu gerakan putaran poros pada mesin adalah bearing. Mengingat penggunaannya yang luas, komponen getaran bearing dapat memprediksi kerusakan mesin atau indikator peramalan dengan memanfaatkan model peramalan untuk mendiagnosis bearing sebelum terjadinya kerusakan. Salah satu metode yang populer digunakan untuk peramalan pada kerusakan mesin adalah Support Vector Machine (SVM) yang diperkenalkan oleh Cortes dan Vapnik pada tahun 1995 untuk mengatasi masalah pembagian dua kelompok yang saling bertentangan saat menunjukkan keunggulan dalam pengenalan pola sampel kecil nonlinier.SVM dioptimalkan dengan menggabungkan Particle Swarm Optimization (PSO). Kelebihan dari metode PSO ini adalah mampu menghasilkan nilai akurasi lebih tepat dan cermat daripada algoritma matematika dan teknik heuristik yang lain (Pambudi, Wihandika, & Putri, 2019). Pada Analisis data bearing CWRU, hasil akurasi yang didapat dengan menggunakan algoritma SVM lebih unggul daripada hasil akurasi yang didapat dengan menggunakan PSO.
Pemodelan Degradasi Bearing Menggunakan Proses Wiener 10060119122, Jelita Ardilla; Darwis, Sutawanir
Bandung Conference Series: Statistics Vol. 4 No. 1 (2024): Bandung Conference Series: Statistics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcss.v4i1.10392

Abstract

Abstract. Bearing are important driving parts in mechanical systems. Therefore, degradation modeling can predict future performance declines. Degradation modeling is a nonlinear pattern, some of the models are the gamma process and the Wiener process. This research aims to model bearing degradation using the Wiener process. The data used is bearing data set 1_1 from XJTU-SY. By carrying out a distribution fit test, the features used are the peak value features in the horizontal and vertical directions. Parameter estimation using the MLE method produces parameter estimates and , for the peak values in the horizontal direction and vertical . Degradation modeling, namely carrying out the equation with being tested 2 times. Modeling accuracy can be seen through the best MAPE, value, namely 21%. The accuracy of is better than . This proves that the Wiener process is random, so the accuracy of the Wiener process simulation for predicting degradation models will vary. Abstrak. Bearing adalah bagian penggerak yang penting dalam sistem mekanis. Maka dari itu pemodelan degradasi dapat memprediksi penurunan kinerja di masa depan. Pemodelan degradasi merupakan pola nonlinear, beberapa modelnya yaitu proses gamma dan proses Wiener. Penelitian ini bertujuan melakukan pemodelan degradasi bearing menggunakan proses Wiener. Data yang digunakan yaitu data set bearing 1_1 dari XJTU-SY. Dengan melakukan uji kecocokan distribusi diperoleh fitur yang digunakan yaitu fitur nilai puncak arah horizontal dan vertikal. Estimasi parameter dengan metode MLE menghasilkan taksiran parameter dan , untuk nilai puncak arah horizontal dan vertikal . Pemodelan degradasi yaitu melakukan persamaan dengan dilakukan pengujian 2 kali. Akurasi pemodelan dilihat melalui nilai MAPE, yang paling baik yaitu 21%. Keakurasian lebih baik dibanding . Hal ini membuktikan proses Wiener bersifat acak, maka akurasi simulasi proses Wiener untuk prediksi model degradasi akan berbeda-beda.