Effectiveness of the Number of Extracted Features from MFCC on Deep Learning for Fault Classification of Industrial Machinery Based on Acoustic Signal

283 - 293

Abstrak

Klasifikasi kerusakan yang andal dan efisien pada motor induksi merupakan perhatian penting dalam lingkungan industri. Studi ini berfokus pada empat kondisi operasional motor induksi tiga fasa: fungsi normal, kerusakan ketidakseimbangan, serta kerusakan misalignment horizontal dan vertikal. Kami mengusulkan analisis komparatif terhadap dampak jumlah fitur yang diekstraksi dari Mel-Frequency Cepstral Coefficient (MFCC) untuk diagnosis kerusakan motor induksi yang andal menggunakan pemrosesan sinyal emisi akustik.Dalam penelitian ini, Long Short-Term Memory (LSTM) digunakan sebagai algoritma klasifikasi kerusakan, dan kinerjanya dibandingkan dengan tiga model deep learning lainnya: Feed-Forward Neural Network (FFNN), Convolutional Neural Network (CNN), dan Recurrent Neural Network (RNN).Hasil penelitian menunjukkan bahwa penggunaan LSTM dengan 13 fitur MFCC menghasilkan akurasi validasi sekitar 97,4%, dengan 26 fitur MFCC menghasilkan 96,12%, dan dengan 39 fitur MFCC menghasilkan 96,3%.