Dalam industri penerbangan, pemeliharaan pesawat adalah bagian penting dalam memastikan keamanan dan kinerja pesawat. Namun, pemeliharaan yang tidak terjadwal atau terlalu sering dapat menyebabkan gangguan operasional dan biaya yang tinggi. Di sisi lain, kurangnya pemeliharaan yang memadai dapat meningkatkan risiko kegagalan dan bahaya keselamatan. Jet engine adalah komponen kunci dalam industri penerbangan yang memerlukan pemeliharaan yang tepat waktu untuk menjaga keandalan dan keamanan operasional. Kerusakan pada mesin jet adalah isu kritis dalam industri penerbangan. Salah satu tantangan utama dalam pemeliharaan mesin jet adalah memprediksi kapan komponen atau sistem akan mengalami kerusakan sehingga pemeliharaan dapat dilakukan sebelum terjadinya kegagalan yang tidak terduga. Dalam upaya untuk meningkatkan efisiensi pemeliharaan mesin jet, penelitian ini fokus pada penggunaan teknik machine learning untuk memprediksi Remaining Useful Life(RUL) jet engine. Serta untuk meningkatkan efisiensi dan efektivitas pemeliharaan pesawat, banyak perusahaan penerbangan mulai mengadopsi pendekatan yang didorong oleh data. Dengan menggunakan teknik-teknik pemeliharaan berbasis prediksi, perusahaan dapat merencanakan pemeliharaan secara lebih cerdas, mengoptimalkan penggunaan sumber daya, dan mengurangi gangguan yang tidak terduga dalam operasi penerbangan.
Salah satu pendekatan yang digunakan adalah menggunakan teknik machine learning, seperti regresi linear, untuk memprediksi kebutuhan pemeliharaan pesawat. Dengan menganalisis data historis tentang pemeliharaan, pengoperasian pesawat, dan faktor-faktor lain yang mempengaruhi kondisi pesawat, model regresi linear dapat digunakan untuk memperkirakan waktu pemeliharaan berikutnya, mendeteksi potensi kegagalan komponen, atau bahkan memprediksi sumber daya yang diperlukan untuk pemeliharaan di masa mendatang. Dengan demikian, penggunaan regresi linear dalam proyek pemeliharaan pesawat menjadi salah satu langkah yang menarik dalam upaya untuk meningkatkan efisiensi, keselamatan, dan kinerja operasional dalam industri penerbangan. Hasil penelitian ini memberikan wawasan berharga dalam pemeliharaan prediktif mesin jet dan menunjukkan manfaat signifikan dari penerapan machine learning dalam meningkatkan efisiensi dan keandalan pesawat. Strategi pemeliharaan yang buruk dapat mengakibatkan produktivitas mesin yang lebih rendah. Kurangnya pemeliharaan pada mesin juga dapat menyebabkan kerugian finansial. Oleh karena itu, diperlukan sebuah strategi pemeliharaan yang baik untuk mencegah terjadinya downtimeyang tidak direncanakan. Predictive maintenance adalah metode yang menggunakan alat prediksi untuk menentukan kapan pemeliharaan harus dilakukan. Teknik ini didasari pada pemantauan (monitoring) berkelanjutan pada peralatan sehingga memungkinkan dilakukannya pemeliharaan jika diperlukan
Pemilihan proyek ini juga dipicu oleh kesadaran akan pentingnya pemeliharaan pesawat yang efisien dalam industri penerbangan. Efisiensi dalam pemeliharaan bukan hanya tentang menjaga keamanan penerbangan, tetapi juga tentang mengurangi biaya operasional yang signifikan. Namun, tantangan utama dalam merencanakan pemeliharaan adalah kompleksitas pengaruh siklus operasional dan pengaturan mesin terhadap kebutuhan pemeliharaan. Pengaruh ini seringkali sulit diprediksi dengan akurat karena melibatkan banyak faktor yang saling terkait. Dalam konteks ini, data sensor yang terus-menerus dihasilkan oleh mesin pesawat menjadi sumber informasi yang sangat berharga. Data ini, yang mencakup pembacaan suhu, tekanan, dan parameter lainnya, memberikan wawasan yang mendalam tentang kondisi mesin. Dengan memanfaatkan data sensor ini dan teknik machine learning seperti regresi linear, kami bertujuan untuk mengembangkan model yang dapat meramalkan waktu pemeliharaan pesawat dengan lebih akurat. Dengan demikian, proyek ini bukan hanya tentang meningkatkan efisiensi operasional, tetapi juga tentang meningkatkan keselamatan penerbangan dan mengurangi risiko gangguan yang tidak terduga.
-
Bagaimana cara untuk memprediksi waktu pemeliharaan berikutnya untuk pesawat berdasarkan siklus operasional dan pengaturan mesin?
-
Bagaimana cara untuk meningkatkan efisiensi perencanaan pemeliharaan pesawat dengan memanfaatkan data sensor yang tersedia?
-
Mengembangkan model prediksi menggunakan regresi linear untuk memperkirakan waktu pemeliharaan berikutnya berdasarkan siklus operasional dan parameter mesin.
-
Membangun sistem analisis data yang dapat menggunakan pembacaan sensor dari mesin pesawat untuk meningkatkan visibilitas kondisi pesawat dan merencanakan pemeliharaan yang lebih efisien.
Dengan model ini diharapkan dapat diantisipasi sesuai dengan prediksi yang telah dilakukan.
-
Deskripsi Dataset Dataset ini berisi informasi tentang pemeliharaan pesawat, termasuk siklus operasional, pengaturan mesin, dan pembacaan sensor dari mesin pesawat. Data ini dikumpulkan dari serangkaian penerbangan dan pemeliharaan pada armada pesawat Sumber Dataset : Kaggle
-
Jumlah Data: 32569 entri
Contoh Dataset:
| id | cycle | setting1 | setting2 | setting 3 | s1 | s2 | s3 | ... | s21 | |
|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 1 | 1 | -0.0007 | -0.0004 | 100 | 518.67 | 641.82 | 1589.70 | ... | 23.419000 |
| 1 | 1 | 2 | 0.0019 | -0.0003 | 100 | 518.67 | 642.15 | 1591.82 | ... | 23.423600 |
- id: Pengidentifikasi unik untuk setiap entri data.
- cycle: Menunjukkan siklus atau periode operasional, yang menunjukkan tahapan atau durasi pengoperasian mesin.
- setting1, setting2, setting3: Nilai numerik yang mewakili berbagai pengaturan operasional atau parameter mesin pesawat.
- s1 hingga s21: Pembacaan sensor numerik diperoleh dari 21 sensor berbeda yang dipasang pada mesin. Pembacaan ini mencakup berbagai pengukuran fisik, termasuk namun tidak terbatas pada suhu, tekanan, dan parameter relevan lainnya.
Kumpulan data "kebenaran" yang menyertainya mengaitkan setiap catatan dengan variabel tambahan, yang mungkin berfungsi sebagai target atau label. Kolom "id" dalam kumpulan data "truth" kemungkinan besar sesuai dengan masing-masing pengidentifikasi dalam kumpulan data utama, sehingga membangun hubungan antara pembacaan sensor dan nilai kebenaran yang diberikan.
- Data Concatenation Concat: Menggabungkan df_train dan df_test ke dalam satu kerangka data (df) agar berfungsi dengan seluruh kumpulan data.
- Feature Engineering Remaining Useful Life (RUL) adalah konsep penting dalam pemeliharaan prediktif, yang mewakili perkiraan umur operasional atau siklus yang tersisa untuk suatu aset sebelum diperkirakan akan rusak. Dalam konteks mesin pesawat, RUL membantu mengantisipasi titik di mana mesin tidak lagi memenuhi persyaratan kinerja. Dengan menghitung RUL, organisasi dapat secara proaktif merencanakan aktivitas pemeliharaan, mengoptimalkan alokasi sumber daya, dan meminimalkan waktu henti. Pendekatan prediktif ini memungkinkan intervensi tepat waktu, mengurangi risiko kegagalan tak terduga dan meningkatkan efisiensi dan keandalan aset secara keseluruhan. RUL berfungsi sebagai metrik utama untuk membuat keputusan yang tepat dalam strategi pemeliharaan dan operasional.
- Merging Data Merging: Menggabungkan df dengan df_truth berdasarkan ID mesin, memberikan informasi tambahan untuk analisis.
- Labeling Threshold Labeling: Membuat label biner ('label') berdasarkan ambang batas 30 untuk RUL, yang membantu dalam menciptakan masalah klasifikasi.
- Train-Test Split Splitting Data: Menggunakan fungsi pemisahan train-test untuk membagi data menjadi set pelatihan dan pengujian. Dengan persentase train_set 80% dan test_set 20%. Model akan dilatih pada set pelatihan dan dievaluasi pada set pengujian.
Model predictive regresi linear dipilih untuk memprediksi kebutuhan pemeliharaan pesawat. Dengan menganalisis data historis tentang pemeliharaan, pengoperasian pesawat, dan faktor-faktor lain yang mempengaruhi kondisi pesawat, model regresi linear dapat digunakan untuk memperkirakan waktu pemeliharaan berikutnya, mendeteksi potensi kegagalan komponen, atau bahkan memprediksi sumber daya yang diperlukan untuk pemeliharaan di masa mendatang. Dengan demikian, penggunaan regresi linear dalam proyek pemeliharaan pesawat menjadi salah satu langkah yang menarik dalam upaya untuk meningkatkan efisiensi, keselamatan, dan kinerja operasional dalam industri penerbangan. berikut adalah cara penerapannya:
- Pemilihan Model Model yang dipilih untuk proyek ini adalah Linear Regression, untuk memprediksi variabel kontinu (waktu pemeliharaan berikutnya) berdasarkan variabel-variabel prediktor.
- Persiapan Data Data yang telah dipersiapkan sebelumnya dalam tahap Data Preparation digunakan sebagai input untuk model linear regression.
- Inisialisasi Model Model linear regression diinisialisasi menggunakan fungsi LinearRegression() dari library scikit-learn.
- Pelatihan Model Model linear regression dilatih menggunakan data pelatihan (training set) yang telah dibagi sebelumnya. Proses pelatihan ini melibatkan penyesuaian koefisien model untuk menghasilkan garis regresi yang terbaik sesuai dengan data.
F1 score dan accuracy biasanya digunakan untuk evaluasi pada tugas klasifikasi, sedangkan dalam kasus regresi linear (untuk memprediksi waktu pemeliharaan pesawat), metrik evaluasi yang lebih umum digunakan adalah Mean Squared Error (MSE), Root Mean Squared Error (RMSE), dan koefisien determinasi (R-squared). Model ini telah berhasil memperoleh akurasi sebesar 94%
| precision | recall | f1-score | support | |
|---|---|---|---|---|
| 0 | 0.95 | 1.00 | 0.97 | 5883 |
| 1 | 0.91 | 0.48 | 0.63 | 631 |
-
Kasus 1 (Kelas Positif): Precision: 0.95 mengindikasikan bahwa sebagian besar dari prediksi positif yang dibuat oleh model adalah benar. Recall: 1.00 menunjukkan bahwa model berhasil mendeteksi semua kasus positif yang sebenarnya. F1-score: 0.97 adalah rata-rata harmonik antara precision dan recall, yang menggambarkan keseimbangan antara kedua metrik tersebut. Support: 5883 menunjukkan jumlah kasus positif dalam data.
-
Kasus 2 (Kelas Negatif): Precision: 0.91 menunjukkan bahwa sebagian besar dari prediksi negatif yang dibuat oleh model adalah benar. Recall: 0.48 menunjukkan bahwa model hanya berhasil mendeteksi sebagian kecil dari kasus negatif yang sebenarnya. F1-score: 0.63 adalah rata-rata harmonik antara precision dan recall untuk kelas negatif. Support: 631 menunjukkan jumlah kasus negatif dalam data.