"Peralatan putar memegang peranan penting dalam menjaga kesinambungan produksi di industri petrokimia. Meskipun kegagalan pada peralatan ini tergolong jarang terjadi, dampaknya dapat menimbulkan gangguan operasional yang signifikan, termasuk downtime produksi dan kerugian finansial yang besar. Penelitian ini bertujuan untuk mengembangkan kerangka kerja berbasis deep learning yang terintegrasi guna meningkatkan akurasi deteksi kegagalan pada kondisi data yang tidak seimbang dan input sensor yang kompleks. Permasalahan utama yang diangkat adalah ketidakseimbangan data kegagalan serta keterbatasan interpretabilitas pada metode machine learning konvensional. Pendekatan yang diusulkan menggabungkan Wasserstein Generative Adversarial Network (WGAN) untuk menghasilkan data sintetik pada kelas kegagalan, dan TabNet sebagai model klasifikasi deep learning yang dapat diinterpretasikan untuk data sensor terstruktur. Model ini dilatih menggunakan data historis sensor dari tahun 2015 hingga 2024, mencakup 147 variabel proses seperti suhu, tekanan, aliran, getaran, dan kecepatan. Model gabungan WGAN-TabNet menunjukkan kinerja yang unggul dibanding algoritma pembanding (Logistic Regression, SVM, dan XGBoost) dengan akurasi 96,01%, presisi 93,25%, recall 93,14%, F1-score 93,20%, dan AUC 93,13%. Untuk interpretasi model, digunakan SHAP (SHapley Additive exPlanations) yang berhasil mengidentifikasi variabel penting seperti suhu oli dan laju aliran gas. Keunggulan dalam fitur pembeda, kemampuan penyeimbangan data, akurasi prediksi yang tinggi, dan interpretabilitas model memungkinkan deteksi dini gejala kegagalan secara efektif. Model ini dinilai layak untuk diterapkan dalam sistem pemantauan waktu nyata guna mendukung perawatan prediktif di lingkungan industri yang kritis. Pendekatan ini juga berpotensi diterapkan pada jenis peralatan putar lainnya dan perlu divalidasi lebih lanjut dalam penelitian mendatang.
Rotating machinery plays a critical role in sustaining production continuity in the petrochemical industry. Although failures in such equipment are relatively rare, they can cause operational disruptions leading to significant production downtime and financial losses. The objective of this study is to develop an integrated deep learning-based framework to improve fault detection accuracy under conditions of data imbalance and complex sensor input. The research addresses the problem of imbalanced fault data and limited interpretability in conventional machine learning methods. An integrated model approach is proposed by combining Wasserstein Generative Adversarial Network (WGAN) to generate synthetic failure data, and TabNet as an interpretable deep learning classifier for structured sensor data. The model was trained using historical sensor readings collected from 2015 to 2024, comprising 147 process variables such as temperature, pressure, flow, vibration, and speed. The proposed WGAN-TabNet model outperformed benchmark algorithms (Logistic Regression, SVM, and XGBoost) with accuracy of 96.01%, precision of 93.25%, recall of 93.14%, F1-score of 93.20%, and AUC of 93.13%. SHAP (SHapley Additive exPlanations) was employed to interpret the model, identifying key contributing variables such as oil temperature and gas flow rate. These distinctive features, data balancing capability, high predictive performance, and model interpretability enabled effective detection of early failure symptoms. The model is suitable for practical deployment in real-time monitoring systems, supporting predictive maintenance in critical industrial environments. This approach also holds potential to be applied to other types of rotating equipment, which should be validated in future studies."
