ABSTRAK
Mesin pesawat terbang adalah sistem yang rumit dan canggih yang menggabungkan domain mekanis, termal, dan fluida. Keausan abnormal pada komponen mekanis menjadi lebih umum karena perubahan parah dalam kondisi penerbangan dan lingkungan eksternal, yang dapat menyebabkan penurunan kinerja dan kecelakaan yang drastis. Oleh karena itu, diagnosis kesalahan keausan tersebut mendesak, dan berdasarkan kebutuhan ini, lebih banyak peneliti dan akademisi memfokuskan perhatian mereka padanya. Untuk mengatasi kekurangan algoritma diagnosis kesalahan saat ini yang hanya mengandalkan kumpulan data satu dimensi atau analisis gambar dua dimensi dan rendahnya akurasi identifikasi kesalahan akhir, algoritma hibrida yang inovatif diusulkan dalam penelitian ini. Algoritma ini mengintegrasikan data deret waktu satu dimensi dan data gambar dua dimensi, mengubah kumpulan data satu dimensi menjadi kumpulan data gambar dua dimensi melalui teknik Gramian Angle Field, dan kemudian menggunakan model algoritma GRU-CNN (Convolutional Neural Network-Gated Recurrent Unit) saluran ganda yang dirancang untuk diagnosis kesalahan, yang secara bersamaan dapat menganalisis dan memetakan fitur dan mode kesalahan dari kumpulan data satu dimensi dan gambar dua dimensi. Untuk mengekstraksi fitur dengan informasi semantik yang lebih kaya dan kemampuan diskriminatif yang lebih kuat, teknik fusi multimoda digunakan, yang berhasil mengatasi keterbatasan distribusi fitur keausan dari dua set data menggunakan metode fusi ekstraksi silang dan menggabungkan keunggulan keduanya dalam hal distribusi tren deret waktu dan distribusi fitur tepi dari urutan gambar, masing-masing. Hasil diagnosis kesalahan terbaik dicapai dengan menggunakan hubungan pemetaan yang kuat antara ekspresi fitur saliency dan mode kesalahan. Analisis akhir menunjukkan bahwa tingkat pengenalan keausan mekanis khas mesin pesawat terbang melebihi 97%, sehingga mencapai tujuan yang diinginkan.