Penerapan Model Vector Autoregressive Untuk Deteksi Anomali Performa Bearing Turbin Pada Pembangkit Listrik Tenaga Uap

MUHAMMAD AKMAL K, Ir. Nazrul Effendy, S. T., M. T., Ph.D., IPM; Ir. Agus Arif, M.T.

2022 | Skripsi | S1 TEKNIK FISIKA

Penurunan nilai efisiensi produksi listrik pada pembangkit listrik tenaga uap dipengaruhi oleh berbagai faktor, salah satunya adalah anomali pada komponen turbin uap. Kondisi anomali yang terdeteksi oleh suatu sensor dapat mengindikasikan bahwa peralatan yang diamati oleh sensor sudah hampir mengalami kerusakan. Hal ini tentu sangat menguntungkan jika kondisi anomali ini dapat terdeteksi karena peralatan yang hampir rusak tersebut akan langsung ditangani dan tidak sampai mempengaruhi proses produksi. Pada penelitian ini akan dilakukan deteksi anomali pada komponen bearing turbin dengan menggunakan machine learning. Metode machine learning yang untuk deteksi anomali ini adalah Vector Autoregressive. Dataset yang digunakan berasal dari data histori DCS turbin PT. Makmur Sejahtera Wisesa. Untuk mendeteksi anomali pada penelitian ini digunakan dua macam threshold yaitu three sigma rule dan T 2 Hotelling. Deteksi anomali menggunakan VAR dengan threshold three sigma rule memiliki akurasi sebesar 0,983 dan nilai area under curve nya 0,527. Sementara deteksi anomali menggunakan VAR dengan threshold T2 Hotelling memiliki akurasi sebesar 0,920 serta nilai area under curve nya 0,643.

The efficiency of steam power plants is influenced by many factors; one of them is the anomalous condition of the turbine-bearing components. Anomaly conditions detected by a sensor could indicate that the components observed by the sensor are almost damaged. Therefore, it is certainly profitable if this anomaly condition could be detected because the nearly damaged components would be handled immediately and would not affect the production process. This study conducted anomaly detection in turbine-bearing components using machine learning. The machine learning method for anomaly detection was Vector Autoregressive. Meanwhile, the dataset used was from the historical data on the DCS turbine of PT. Makmur Sejahtera Wisesa. To detect anomalies, this study employed two types of thresholds: the three-sigma rule and T2 Hotelling. The anomaly detection using VAR with the three-sigma rule threshold has an accuracy of 0.983, and the value of the area under the curve is 0.527. Meanwhile, anomaly detection using VAR with a T2 Hotelling threshold has an accuracy of 0.920, and the value of the area under the curve is 0.643.

Kata Kunci : Machine Learning, Vector Autoregressive, Anomaly, Turbine, Bearing