Diagnosis Kerusakan Boiler Feed Pump Berbasis Integrasi Deep Learning dan Sistem Expert pada Industri Pembangkit Listrik

Abstract

Perkembangan teknologi dalam era Industri 4.0 telah mendorong pergeseran paradigma dari pemeliharaan deskriptif menuju pemeliharaan preskriptif. Penelitian ini menyajikan bagian dari kerangka kerja prescriptive maintenance yang dirancang untuk mendiagnosis kerusakan boiler feed pump pada industri pembangkit listrik. Kerangka kerja yang diusulkan berfokus pada diagnosis kerusakan, serta pemberian rekomendasi tindakan guna meningkatkan keandalan operasional. Pendekatan ini menggunakan kerangka deteksi anomali berbasis deep learning menggunakan Long Short-Term Memory Autoencoder (LSTM-AE). Ketika anomali terdeteksi, jenis kerusakan diklasifikasikan menggunakan aturan diagnosis yang dikembangkan oleh para expert yang mengorelasikan parameter operasi yang anomali dengan jenis kerusakan beserta rekomendasi. Model yang diusulkan mampu mempelajari pola temporal dari data sensor multivariat secara efektif dan menunjukkan kemampuan rekonstruksi yang sangat baik dengan nilai R² antara 0.92–0.99 dan Mean Squared Error (MSE) yang rendah pada seluruh parameter operasi. Berdasarkan experimen menunjukan bahwa integrasi antara deteksi anomali berbasis deep learning dan aturan diagnosis berbasis pengetahuan expert merupakan langkah praktis dan efektif menuju penerapan prescriptive maintenance di lingkungan industri.