PROGNOSIS REMAINING USEFUL LIFE BEARING DENGAN RANDOM VECTOR FUNCTIONAL LINK

Abstract

Bearing memiliki peran yang sangat penting dalam suatu industri. Namun, biaya maintenance dan pergantian dari bearing sangat mahal. Maka dari itu dibutuhkan pemantauan setiap saat untuk mengetahui kondisi bearing tersebut. Maka ditawarkan machine learning yang bertujuan untuk mengetahui prediksi dan Remaining Useful Life (RUL) dari bearing sebelum bearing tersebut mengalami kerusakan yang lebih parah. Pada perancangan ini digunakan Random Vector Functional Link (RVFL) untuk memprediksi RUL dengan menggunakan data slew bearing dari Universitas Wollongong, Australia. Lalu digunakan matriks evaluasi utama seperti RMSE sebagai penilaian terhadap performa dari model yang digunakan. Berdasarkan percobaan yang telah dilakukan, didapatkan hasil pemodelan terbaik dengan menggunakan rasio data 80:20 dan fungsi aktivasi SELU yang menghasilkan nilai rata-rata RMSE terbaik. Kemudian pada perancangan ini didapat nilai prediksi Remaining Useful Life (RUL) bearing yaitu sebesar 94.24%.