Printed
Rancang Bangun Sistem Monitoring Performa Ball Screw Berbasis LSTM-AUTOENCODER
Ball screw adalah komponen penting dalam sistem mesin presisi seperti CNC,
yang kegagalannya dapat mengakibatkan peningkatan getaran, penurunan akurasi,
dan kerusakan serius. Penelitian ini bertujuan untuk merancang sistem monitoring
performa ball screw berbasis algoritma long short term memory-autoencoder
(LSTM-Autoencoder), yang berfungsi mendeteksi anomali sebagai indikator awal
degradasi atau potensi kerusakan. Data operasional normal dikumpulkan dari
pengujian ball screw dalam kondisi operasi standar dengan variasi beban,
kemudian dinormalisasi dalam rentang [0, 1] untuk pelatihan model. Model
LSTM-Autoencoder, berbasis pendekatan unsupervised learning, berhasil
mempelajari pola data normal dengan baik tanpa overfitting, sebagaimana
ditunjukkan oleh training loss 0.0550 dan validation loss 0.0537. Deteksi anomali
dilakukan berdasarkan reconstruction error yang melampaui ambang batas
persentil ke-95. Hasil pengujian menunjukkan perbedaan distribusi error yang
signifikan antara data normal dan inferensi, yang mendukung kemampuan model
dalam membedakan pola normal dan anomali. Sistem ini juga dilengkapi dengan
dashboard visualisasi real-time untuk memudahkan identifikasi dini terhadap
gangguan dan mengurangi risiko downtime. Dengan kemampuan mendeteksi
anomali secara otomatis, penelitian ini menjadi langkah awal dalam
pengembangan sistem pemeliharaan prediktif berbasis data untuk ball screw, serta
membuka peluang untuk pengembangan lebih lanjut.
Kata kunci: Ball Screw, LSTM-Autoencoder, Monitoring, Pemeliharaan
Prediktif
Tidak tersedia versi lain