Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
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.

Abstrak :

Dewasa ini, pengurangan daya dorong (thrust) atau derate praktiknya telah digunakan secara umum sebagai prosedur standar dari lepas landas (takeoff). Berhubung daya digunakan secara maksimal ketika fase lepas landas, praktik ini memiliki banyak keuntungan dalam pengoperasian pesawat terbang. Tidak hanya tindakan ini mampu mengurangi konsumsi bahan bakar ketika fase lepas landas, tetapi juga mengurangi keausan mesin yang disebabkan tegangan dan suhu tinggi. Exhaust Gas Temperature (EGT) adalah salah satu parameter penting yang digunakan untuk memonitori kerusakan mesin. Terdapat hubungan pasti antara pengurangan daya dorong dan EGT dimana nilai diantara keduanya saling berlawanan. Tetapi, perhitungan harus dilakukan terlebih dahulu oleh kru penerbang berapa persen derate yang layak digunakan sebelum lepas landas. Tujuan penulisan karya ilmiah ini adalah untuk menemukan efektivitas derate untuk menurukan EGT dengan maksud meningkatkan performa, memperpanjang umur mesin dan mengurasi biaya operasi oleh operator.

 

---

Reduced thrust or derate has been practiced commonly nowadays as a standard procedure of takeoff. Since power is being used at maximum during the takeoff phase, the practice has many benefits for the operation of aircraft. Not only it reduced fuel consumption during the takeoff phase, but also reduced the engines wear and tear that caused by stress and very high temperature. Exhaust Gas Temperature (EGT) is one of the most important parameters that is used to monitor engine deterioration. There is a definite correlation between reducing takeoff thrust and EGT reduction, where both values are contradicting one another. However, there must be some calculation by the flight crew on how much percentage of derate is eligible prior to takeoff. The goal of this paper is to find the effectiveness of derate to reduce EGT in order to improve performance, prolong engine life and reduce operating costs of the operators.