Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKPerkembangan dunia manufaktur di abad ke-21 ini berkembang seiring bertambahnya permintaan produk. Pembuatan produk baru yang inovatif, cepat, dan murah dapat memberikan keuntungan bagi industri manufaktur. Desain produk dengan pembuatan prototipe nyata membuat harga penelitian produk dan risiko kegagalan menjadi tinggi. Penelitian ini menggagas konsep virtual manufacturing yang dapat digunakan untuk melakukan assembly dan desain memanfaatkan hasil data image processing. Penggunaan perakitan secara virtual dapat memangkas harga pembuatan produk uji coba dan merasakan sensasi langsung. Model software yang dikembangkan menggunakan kamera webcam pada laptop dan integrasi hasil identifikasi dan tracking tangan dengan 3D CAD System. Pengguna menggunakan software ini tanpa perlu terganggu dengan sensor yang banyak maupun pembelian device tambahan yang mahal sehingga lebih leluasa dalam melakukan simulasi virtual manufacturing. Hasil akhir dari penelitian ini adalah model software virtual designing dan virtual assembly sebagai bagian dari virtual manufacturing.

---

ABSTRACTThe development of the manufacturing world in the 21st century is growing as the demand for product rsquo s increase. Creating innovative, fast, and inexpensive new products can provide benefits for the manufacturing industry. Product design with real prototype has expensive cost for research and the failure is too high. This research initiated a concept of virtual manufacturing that can be used to perform assembly and design utilize the results of image processing data. The use of virtual assembly can cut the price of making test products and feel the sensation instantly. The software model is developed using webcam cameras on laptop and integration of the results of identification and hand tracking based on image processing with 3D CAD System. User can use this software without feeling interupted by the sensors so they can feel more flexible in performing virtual manufacturing simulation and do not have to purchase of additional devices that are expensive. The end results of this research are virtual designing and virtual assembly software model as part of virtual manufacturing. "

"Turbin gas di Pembangkit Listrik Tenaga Gas dan Uap (PLTGU) harus dijaga keandalannya dengan melakukan prediksi anomali untuk menghindari kerusakan turbin gas. Untuk melakukan prediksi anomali turbin gas, perlu menggunakan metode yang tepat dengan memperhatikan beberapa hal. Prediksi anomali pada real-performance turbin gas di pembangkit listrik sulit dilakukan dengan simulasi model fisik karena kondisinya yang dinamis dan banyaknya parameter operasi yang saling memiliki korelasi, sehingga, dibutuhkan metode yang memiliki kemampuan ekstrasi informasi input dengan baik. Selain itu, parameter operasi turbin gas juga memiliki sifat sekuensi waktu, dimana hubungan parameter sebelum dan sesudah waktu tertentu memiliki hubungan yang berkorelasi. Beberapa penelitian belum dapat mengatasi kedua permasalahan tersebut untuk pemodelan real-performance turbin gas. Metode Convolutinal Neural Network dapat digunakan untuk menjawab permasalahan pertama dan metode Recurrent Neural Network dapat menjawab permasalahan kedua. Oleh karena itu, penelitian ini mengajukan metode hybrid Convolutional Neural Network (CNN) dengan tipe dari Recurrent Neural Network (RNN), yakni Long Short-term Memory (LSTM) dan Gate Recurrent Unit (GRU), untuk dapat mengekstrasi korelasi hubungan antar-parameter yang tepat dengan kemampuan komputasi time variant yang baik. Prediksi anomali yang didapatkan menggunakan model CNN sebesar 81,33%, metode hybrid CNN-LSTM sebesar 91,79%, dan hybrid CNN-GRU sebesar 91,46%. Sehingga, hybrid CNN-LSTM memberikan peningkatan akurasi prediksi anomali turbin gas dengan kemampuan ekstrasi fitur parameter dan komputasi time-variant yang lebih baik.

---

The reliability of the gas turbine in Combined Cycle Power Plant (CCPP) should be maintained by predicting anomalies to avoid damage failure. To predict the gas turbine anomaly, it is necessary to use the right method by paying attention to several things. The operating parameters of the gas turbine system are a form of inter-parameter correlation with a high dynamic change correlation, so it requires a method that can extract the feature input between parameters correctly. In addition, the gas turbine operating parameters also have time sequence properties, where the correlation between parameters before and after a certain time has a correlated variant. Several studies have not been able to overcome these two problems for modeling real-performance gas turbines. The Convolutional Neural Network method can be used to answer the first problem and the Recurrent Neural Network method can answer the second problem. Therefore, this research proposes a hybrid Convolutional Neural Network (CNN) method with a type of Recurrent Neural Network, called Long Short-term Memory (LSTM) and Gate Recurrent Unit (GRU), in order to extract the right correlation between parameters with better time variant computation. The anomaly prediction obtained using the CNN model is 81.33%, the CNN-LSTM hybrid method is 91.79%, and the CNN-GRU hybrid is 91.46%. Thus, the CNN-LSTM hybrids provide increased accuracy of gas turbine anomaly predictions with better parameter extraction and time-variant analysis capabilities."