DIAGNOSIS KERUSAKAN PADA SISTEM KOMPRESOR PRODUKSI GAS MENGGUNAKAN ALGORITMA GENETIKA
DOI:
https://doi.org/10.53026/prosidingsntem.v5i1.668Keywords:
Diagnosis Kerusakan, Kompresor Produksi Gas, Algoritma Genetika, Pemeliharaan Prediktif, OptimasiAbstract
Sektor produksi gas sangat bergantung pada keandalan kompresor, kegagalan dapat mengakibatkan kerugian finansial dan operasional yang signifikan. Metode diagnosis kerusakan konvensional seringkali memiliki keterbatasan dalam menghadapi kompleksitas dan sifat non-linier sistem kompresor modern. Penelitian ini mengembangkan sistem diagnosis kerusakan kompresor produksi gas menggunakan Algoritma Genetika yang mengintegrasikan identifikasi jenis kerusakan, estimasi biaya perbaikan, dan durasi waktu pengerjaan. Sistem diimplementasikan dengan Python-PyQt5 dan memanfaatkan fungsi fitness multi-kriteria yang menggabungkan coverage (0,55), precision (0,15), cost factor (0,15), dan simplicity (0,15). Dengan parameter populasi 80 individu, laju crossover 0,8, dan mutasi 0,03, sistem mencapai konvergensi pada generasi ke-15 dengan fitness optimal 0,7000. Hasil diagnosis mengidentifikasi tiga kandidat kerusakan: Pressure Transmitter Failure (kecocokan 28,6%), Flow Transmitter Failure (16,7%), dan Level Transmitter Failure (0,0%). Total akumulasi estimasi biaya dari kedua kerusakan signifikan adalah Rp 41.700.000 dengan waktu perbaikan 5,9 jam. Nilai kecocokan 28,6% merupakan nilai tertinggi dibandingkan 14 kandidat lainnya dalam sistem multi-fault diagnosis dengan 80 parameter gejala, menunjukkan confidence level memadai untuk prioritas maintenance. Waktu komputasi rata-rata di bawah 5 detik memungkinkan implementasi real-time untuk pemeliharaan prediktif.
References
K. Salim, R. S. A. Hebri, and S. Besma, “Classification Predictive Maintenance Using XGboost with Genetic Algorithm,” Rev. d’Intelligence Artif., vol. 36, no. 6, pp. 833–845, 2022, doi: 10.18280/ria.360603.
A. Farhana, S. Sabeer, A. Siddiqua, and A. Anjum, “Enhancing Production System Performance: Failure Detection and Availability Improvement with Deep Learning and Genetic Algorithm,” Int. J. Adv. Comput. Sci. Appl., vol. 14, no. 12, pp. 716–726, 2023, doi: 10.14569/IJACSA.2023.0141274.
M. Ahmed, F. Gu, and A. Ball, “Feature selection and fault classification of reciprocating compressors using a genetic algorithm and a probabilistic neural network,” J. Phys. Conf. Ser., vol. 305, no. 1, 2011, doi: 10.1088/1742-6596/305/1/012112.
D. S. Donoriyanto, A. S. Anam, and E. W. Pudji, “Application of genetic algorithm method on machine maintenance,” J. Phys. Conf. Ser., vol. 953, no. 1, 2018, doi: 10.1088/1742-6596/953/1/012225.
I. Maatouk, I. Jarkass, E. Châtelet, and N. Chebbo, “Preventive maintenance optimization and comparison of genetic algorithm models in a series-parallel multi-state system,” J. Intell. Syst., vol. 28, no. 2, pp. 219–230, 2019, doi: 10.1515/jisys-2017-0096.
S. Erpolat Tasabat and O. Aydin, “Using Long-Short Term Memory Networks with Genetic Algorithm to Predict Engine Condition,” Gazi Univ. J. Sci., vol. 35, no. 3, pp. 1200–1210, 2022, doi: 10.35378/gujs.937169.
K. Zhang et al., “Compressor fault diagnosis system based on PCA-PSO-LSSVM algorithm,” Sci. Prog., vol. 104, no. 3, pp. 1–16, 2021, doi: 10.1177/00368504211026110.
X. Fan, W. Sayers, S. Zhang, Z. Han, L. Ren, and H. Chizari, “Review and Classification of Bioinspired Algorithms and Their Applications,” J. Bionic Eng., vol. 17, no. 3, pp. 611–631, 2020, doi: 10.1007/s42235-020-0049-9.
S. Katoch, S. S. Chauhan, and V. Kumar, “A review on genetic algorithm: past, present, and future,” Multimed. Tools Appl., vol. 80, no. 5, pp. 8091–8126, 2021, doi: 10.1007/s11042-020-10139-6.
K. Rajwar, K. Deep, and S. Das, “An exhaustive review of the metaheuristic algorithms for search and optimization: taxonomy, applications, and open challenges,” Artif. Intell. Rev., vol. 56, no. 11, pp. 13187–13257, 2023, doi: 10.1007/s10462-023-10470-y.
A. Hassanat, K. Almohammadi, E. Alkafaween, E. Abunawas, A. Hammouri, and V. B. S. Prasath, “Choosing mutation and crossover ratios for genetic algorithms-a review with a new dynamic approach,” Inf., vol. 10, no. 12, 2019, doi: 10.3390/info10120390.
D. Wahyuningsih and E. Helmud, “Penerapan Algoritma Genetika Untuk Optimasi Penjadwalan pada MTS Negeri 1 Pangkalpinang,” J. Sisfokom (Sistem Inf. dan Komputer), vol. 9, no. 3, pp. 435–441, 2020, doi: 10.32736/sisfokom.v9i3.994.
H. Armanto, H. A. Rosyid, M. Muladi, and G. Gunawan, “Evolutionary Algorithm in Game – A Systematic Review,” Kinet. Game Technol. Inf. Syst. Comput. Network, Comput. Electron. Control, vol. 4, no. 2, pp. 4–11, 2023, doi: 10.22219/kinetik.v8i2.1714.
Š. Hubálovský, M. Hubálovská, and I. Matoušová, "A New Hybrid Particle Swarm Optimization–Teaching–Learning-Based Optimization for Solving Optimization Problems," vol. 9, no. 1. 2024. doi: 10.3390/biomimetics9010008.
A. Slowik and H. Kwasnicka, “Evolutionary algorithms and their applications to engineering problems,” Neural Comput. Appl., vol. 32, no. 16, pp. 12363–12379, 2020, doi: 10.1007/s00521-020-04832-8.
S. P. Collins et al., "Penerapan Artificial Intelligence (AI) dalam Teknik Industri menuju Industrial 5.0." 2021.
Downloads
Published
Conference Proceedings Volume
Section
License
Copyright (c) 2025 Prosiding Seminar Nasional Teknologi Energi dan Mineral
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
