Penerapan Deteksi Outlier Regresi Cox Vibrasi Bearing

Ervieta Syiffa Amanda, Sutawanir Darwis

Abstract


Abstract. The health of the machine is monitored prognostically as a priority to avoid unexpected downtime of operation or maintenance. The prognostic tics of health in the machine are defined as the ability to observe the future condition of a part or component of the machine and the time remaining before the failure of the machine component. This relates to predictions of the health condition of the machine especially on bearings. One of the analyses used for prognostic on machine health is survival analysis. In survival analysis, an outlier can affect the estimated parameters of the model and can change the selected model. The common approach used in detecting outliers is through residual analysis. There are several theories that have been discussed about survival analysis including Kaplan-Meier and Cox. This paper discusses the application of PH Cox regression to detect outliers in bearing vibration data. The study used vibration data from Prognostics and Health Management, FEMTO ST-Institute. Vibration data is converted into the form of kurtosis, then converted into time to failure by giving the limit of failure to the kurtosis using the threshold value. In this thesis, the Kaplan-Meier method is applied to predict bearing resistance and bearing failure degradation resulting from bearing vibration experiments. Cox Proportional Hazard regression is applied to test the effect of RPM (X1) speed and Load load (X2) on time to failure (Y). The dataset consists of three eskperimen conditions (1800 rpm, 4000 N), (1650 rpm, 4200 N), (1500 rpm, 5000 N) and obtained 24 times to failure, 12 of which were censored 12 others did not. Cox's regression obtained is h(t) = exp(-0.005212RPM+ 0.000786Load)h_0(t). Residual analysis concluded there were no pencils.

Keywords: Survival Analysis, Kaplan-Meier, Outlier, Cox Regression, Threshold, Vibration Bearing.

Abstrak. Kesehatan mesin di pantau secara prognostik sebagai prioritas untuk menghindari downtime operasi atau pemeliharaan yang tak terduga. Prognostik kesehatan pada mesin didefinisikan sebagai kemampuan untuk mengamati kondisi dimasa depan suatu bagian atau komponen mesin tersebut dan waktu yang tersisa sebelum terjadinya kegagalan pada komponen mesin. Ini berkaitan dengan prediksi kondisi kesehatan mesin khususnya pada bearing. Salah satu analisis yang digunakan untuk prognostik pada kesehatan mesin adalah analisis survival. Dalam analisis survival, outlier dapat mempengaruhi estimasi parameter model dan dapat mengubah model yang dipilih. Pendekatan umum yang digunakan dalam mendeteksi outlier adalah melalui analisis residual. Ada beberapa teori yang pernah membahas tentang survival analysis diantaranya adalah Kaplan-Meier dan Cox. Makalah ini membahas penerapan regresi PH Cox untuk mendeteksi outlier pada data vibrasi bearing. Penelitian ini menggunakan data vibrasi dari Prognostics and Health Management, FEMTO ST-Institute. Data vibrasi diubah kedalam bentuk kurtosis, kemudian diubah kedalam time to failure dengan memberikan batas failure pada kurtosis menggunakan nilai threshold. Dalam skripsi ini, metode Kaplan-Meier diterapkan untuk memprediksi ketahanan bearing dan failure degradation bearing hasil eksperimen vibrasi bearing. Regresi Cox Proportional Hazard diterapkan untuk menguji efek kecepatan RPM (X1) dan beban Load (X2) terhadap time to failure (Y). Dataset terdiri dari tiga kondisi eskperimen yaitu (1800 rpm, 4000 N), (1650 rpm, 4200 N), (1500 rpm, 5000 N) dan diperoleh 24 time to failure, 12 diantaranya tersensor 12 lainnya tidak. Regresi Cox yang diperoleh adalah h(t) = exp (-0,005212RPM+ 0,000786Load)h0(t). Analisis residual menyimpulkan tidak terdapat pencilan.

Kata kunci: Analisis Survival, Kaplan-Meier, Outlier, Regresi Cox, Threshold, Vibrasi Bearing.


Keywords


Survival Analysis, Kaplan-Meier, Outlier, Cox Regression, Threshold, Vibration Bearing

Full Text:

PDF

References


Akmal, N. M., Ibrahim, M., 2008. A Detection Measure of Outliers Based on Forward Search Approach for Cox-Regression Model. Statistika, Forum Teori dan Aplikasi Statistika, 8 (2): 103–109.

Collet, D., (1994). Modelling Survival Data in Medical Research. London: Chapman & Hall.

Cox, D. R. 1972. Regression Models and Life-Tables. Journal of the Royal Society.

Series B (Methodological), 34 (2):187-220..

Kleinbaum, D.G. and Klein. 2012. Survival Analysis – A Self-Learning Text. 3rd Edition. New York: Springer.

Negara, G. A. 2018. Deteksi Cacat Multi Jenis pada Bantalan Tipe Double Row Menggunakan Sinyal Vibrasi. Yogyakarta: Program Studi Teknik Mesin, Fakultas Teknik, Universitas Muhammadiyah Yogyakarta

Sari, D.R. 2011. Analisis Survival Untuk Data Tersensor Tipe II Menggunakan Model Distribusi Log-Logistik. Skipsi:1-13.Yogyakarta: Universitas Negeri Yogyakarta.

Sudjana, M.A. 2005. Metode Statistika. Bandung: PT. Tarsito Bandung.

Wenbin, W. & Zhang, W. 2008. Early defect: Application of Statistical Process Control Methods. 14(3). 229.




DOI: http://dx.doi.org/10.29313/.v6i2.23283

Flag Counter