Background

Perkembangan industri yang sangat pesat, menimbukan banyak persaingan yang menuntut akan adanyan peningkatan performance pengoperasian dalam sebuah proses. Hal ini dilakukan agar mampu menghadapi persaingan dalam hal kualitas, kecepatan pemenuhan permintaan produsen, dan harga yang kompetitif. Upaya dalam peningkatan performance pengoperasian dan kelancaran suatu proses yaitu dengan dilakukannya pemeliharaan dan perbaikan yang konsisten agar dapat meningkatkan efesiensi dan peoduktivitas mesin.

Pemeliharaan dan perawatan mesin pada turbofan merupakan fungsi dalam suatu industri penerbangan. Apabila kita mempunyai mesin turbofan pesawat, maka kita akan selalu memperhatikan kesehatan mesin tersebut karena akan menyangkut terhadap keselamatan pengguna jasa pesawat tersebut dan dengan harapan bahwa mesin turbofan tersebut dapat digunakan dalam jangka waktu yang lama.

Untuk itu diperlukan kegiatan-kegiatan yang meliputi pemeriksaan, perbaikan atau reparasi atas kerusakan kerusakan peralatan serta mengadakan penyesuaian maupun penggantian suku cadang atau komponen dari perlatan tersebut.

Problem Statement

Untuk mengidentifikasi sebuah mesin turbofan kita dapat menganalisis dari bagian bagian pada mesin tersebut, Dengan menunggu mesin rusak atau melakukan perbaikan mesin secara berkala tanpa mengetahui secara rinci mesin mana yang mengalami kerusakan,merupakan hal yang membuat terjadinya hambatan dalam suatu proses (downtime), dimana bisa saja didapatkan suatu masalah dengan kejadian yang seharusnya sedang terjadi urgensi yang tinggi. Dimana pada case tersebut bisa menyebabkan lost time dengan menunggu ketersediaan spare part mesin jika dalam keadaan stok kosong dan lama waktu pengerjaan perbaikan mesin yang bisa mengakibatkan berkurangnya revenue

Project Idea

Pencengahan adanya kerusakan mesin yang terjadi secara langsung tanpa adanya persiapan, mulai dari man power yang akan memperbaiki mesin dan juga spare part mesin yang dibutuhkan. Oleh karena itu pada project ini akan dikembangkan sebuah model forecast (LSTM) untuk membuat predictive maintenance, adalah untuk mengantisipasi kegagalan sebuah mesin sebelum terjadi kehancuran/kerusakan total karena predictive maintenance menganalisa suatu situasi mesin dari trend dan perilaku mesin. Trend ini dapat dipakai untuk menebak sampai kapan mesin dapat berfungsi dengan normal. Dari hal tersebut perusahaan dapat menentukan pendekatan terbaik untuk mencapai manfaat sambil mempertahankan penghematan.

Problem Scope

Pada project ini akan digunakan sebuah data turbofan dari NASA, yang diperoleh dari NASA Ames Progostic Center. Dataset ini mengandung informasi berikut :
* engine number
* time (in cycles)
* operating setting 1
* operating setting 2
* operating setting 3
* sensor 1
* sensor 2
* ….
* sensor 21

Selanjutnya, pembuatan model machine learning untuk mengidentifikasi dari setiap engine number tersebut dalam melakukan perbaikan mesin sebelum terjadinya kerusakan pada mesin dan memberikan waktu dari engine lifetime. Sedangkan modelnya sendiri akan dibuat dengan deep learning dengan memanfaatkan algoritma LSTM.

Output

Output dari project ini berupa dashboard analysis yang menampilkan umur dari tiap mesin tersebut, sampai harus melakukan pergantian mesin tanpa harus melakukan shutdown pada mesin dan mengecek mesin secara keseluruhan. Selain itu user juga dapat menginput file baru dengan asumsi mesin tersebut telah dilakukan perbaikan sehingga dapat mengetahui kembali umur dari mesin tersebut.

Dashboard

Business Impact

Selain disisi turbofan engine, project ini bisa dikebangkan untuk mendeteksi mesin lainnya, seperti mesin industri produksi yang sangat banyak bergerak dari sektor pangan, otomotif, pakaian dan lainnya agar tidak terjadi breakdown pada mesin yang mengakibatkan terhambatnya suatu produksi.

Eksploratory Data Analysis

Membaca Data

library(dplyr)
library(tidyverse)

Membaca data train, test, dan RUL (Remaining Useful Life)

data_filename <- "train_FD001.txt"
data_path <- file.path(data_dir, data_filename)
train_set <- read_table2(data_path, col_names = FALSE, col_types = cols(X27 = "_"))

data_filename <- "test_FD001.txt"
data_path <- file.path(data_dir, data_filename)
test_set <- read_table2(data_path, col_names = FALSE, col_types = cols(X27 = "_"))

data_filename <- "RUL_FD001.txt"
data_path <- file.path(data_dir, data_filename)
RUL_test_set <- read_table2(data_path, col_names = FALSE, col_types = cols(X2 = "_"))

Penjelasan Data

Dataset turbofan menampilkan empat set data dengan kompleksitas yang meningkat. Mesin beroperasi secara normal pada awalnya tetapi mengalami kerusakan seiring waktu. Untuk train_set, mesin dijalankan hingga gagal, sedangkan dalam test_set, rangkaian waktu berakhir ‘kadang-kadang’ sebelum gagal. Tujuannya adalah untuk memprediksi Remaining Useful Life (RUL) dari setiap mesin turbofan.

Dalam case ini kami akan fokus untuk mengeksplorasi data set pertama (FD001) dimana semua mesin mengembangkan kesalahan yang sama dan hanya memiliki satu kondisi operasi.

RUL (Remaining Useful Life) adalah target wariabel tiap engine (data train) dengan tujuan:
1. Berfungsi sebagai sumbu X kami saat memplot sinyal sensor, memungkinkan kami untuk dengan mudah menafsirkan perubahan sinyal sensor saat mesin hampir rusak.
2. berfungsi sebagai variabel target untuk model pembelajaran mesin kami yang diawasi.

Turbofan

Engine turbofan adalah salah satu bentuk modifikasi turbojet, sebagai upaya untuk meningkatkan thrust dengan cara memperbesar massa udara yang masuk ke engine. Peningkatan massa udara dilakukan dengan penambahan fan dan bypass duct, disamping massa udara yang dibakar melalui gas generator. Peningkatan thrust dengan pembesaran massa udara yang masuk ke engine, lebih menguntungkan dibanding peningkatan thrust dengan meningkatkan akselerasi gas hasil pembakaran melalui jet nozzle seperti halnya yang dilakukan pada mesin jet. Keuntungan tersebut berupa pemakaian bahan bakar yang lebih ekonomis, serta tingkat kebisingan yang lebih rendah. Pada engine turbofan dikenal ada dua jenis gaya dorong, yaitu gaya dorong yang dihasilkan oleh gas generator disebut gaya dorong panas (hot thrust) dan gaya dorong yang dihasilkan oleh momentum thrust dari udara dingin yang disedot oleh fan dan diakselerasikan oleh bypass nozzle disebut thrust dingin (cold thrust). Gaya dorong total merupakan hasil penjumlahan antara thrust dingin dan thrust panas.

Merubah Nama Variabel kolom

## # A tibble: 6 x 26
##   engine cycles op_setting_1 op_setting_2 op_setting_3 sensor_1 sensor_2
##    <dbl>  <dbl>        <dbl>        <dbl>        <dbl>    <dbl>    <dbl>
## 1      1      1      -0.0007      -0.0004          100     519.     642.
## 2      1      2       0.0019      -0.0003          100     519.     642.
## 3      1      3      -0.0043       0.0003          100     519.     642.
## 4      1      4       0.0007       0               100     519.     642.
## 5      1      5      -0.0019      -0.0002          100     519.     642.
## 6      1      6      -0.0043      -0.0001          100     519.     642.
## # ... with 19 more variables: sensor_3 <dbl>, sensor_4 <dbl>, sensor_5 <dbl>,
## #   sensor_6 <dbl>, sensor_7 <dbl>, sensor_8 <dbl>, sensor_9 <dbl>,
## #   sensor_10 <dbl>, sensor_11 <dbl>, sensor_12 <dbl>, sensor_13 <dbl>,
## #   sensor_14 <dbl>, sensor_15 <dbl>, sensor_16 <dbl>, sensor_17 <dbl>,
## #   sensor_18 <dbl>, sensor_19 <dbl>, sensor_20 <dbl>, sensor_21 <dbl>

Deskripsi data :

engine : Nomor Mesin
cycles : siklus dalam satu kali mesin tersebut bekerja
op_setting_1 : waktu operasi setting pertama
op_setting_2 : waktu operasi setting kedua
op_setting_3 : waktu operasi setting ketiga
sensor_1 : sensor pertama pada mesin
sensor_2 : sensor kedua pada mesin
sensor_3 : sensor ketiga pada mesin
……
sensor_21 : sensor ke dua puluh satu pada mesin

Distribusi Data

Melakukan sebuah visualisasiuntuk melihat persebaran data cycle vs RUL mesin turbofan

## # A tibble: 6 x 3
## # Groups:   engine [6]
##   engine cycle   rul
##    <dbl> <int> <dbl>
## 1      1   192   112
## 2      2   287    98
## 3      3   179    69
## 4      4   189    82
## 5      5   269    91
## 6      6   188    93

Dari hasil visualisasi diatas banyak mesin mengalami breakdown atau kegagalan pada cycle di 200 kebawah dan hanya ada beberapa mesin yang dapat bertahan sampai breakdown di cycle ke 300