Please enable JavaScript.
Coggle requires JavaScript to display documents.
BURNER CONTROL MANAGEMENT EVALUATION - Coggle…
BURNER CONTROL MANAGEMENT EVALUATION
Keanifan pemodelan Univariate (Kegagalan memahami fisika metalurgi)
Kritik : Anda memperlakukan furnace seperti lingkungan statis. Kerak yang menempel pada flame rod diengaruhi oleh termodinamika. Kenapa anda tidak memasukan Variabel eksogen ke dalam GRU anda ?
Rasio udara bahan bakar, kelembapan, udara ruang bakar, variasi tekanan, Dan temperatur furnace saat proses tapping/skimming sangat mempengaruhi tingkat konduktivitas atau insulasi kerak tersebut
Saran : Ubah model anda menjadi. Anda dituntut harus Tau juga tentang hukum Termodinamika dasar atau setidaknya mengaitkan laju degradasi mikro amperenya dengan suhu furnace saat itu
Model Pertama : Multivariate GRU
Physics-Informed Neural Network (PINN).
Gimmick Algoritna PGCSA (Over engineering yang tidak rasional)
Kritik : Di komunitas deep learning modern, menggunakan algoritma metaheuristik eksotis seperti pGCSA untuk tuning hyperparameter jaringan saraf tiruan sering dianggap sebagai gimmick agar judul thesis terlihat keren. Algoritma computer semacam ini sangat rakus memori Dan kambat karena harus mengevaluasi Fitness Function berupa MSE pada arsitektur GRU secara berulang ulang. Ini tidak relevan untuk di deploy di arsitektur Edge Computing
Saran : Jika anda bututh optimasi mengapa tidak menggunakan Bayesian Optimization (Seperti Framework Optuna) yang secara matematis jauh lebih superior, efisien Dan menjadi standar industri ?
JIka anda tetap menggunakan PGCSA, thesis anda wajib menyertakan bab analisis komparasi komputasi (waktu konvergensi Dan big-o notatiob) antara PGCSA dengan Bayesian Optimization. Buktikan kepada saya bahwa PGCSA bukan sekedar tempelan
Kegagalan memahami Arsitektur Edge secara real-time
Kritik : Python adalah bahasa tingkat tinggi dengan Global Interpreter Lock (GIL) dan Garbage Collrction yang menciptakan micro-stutter. Di industri peleburan tingkat tinggi, script python murni yang melanggan (subscribe) ke MQTT broker akan memicu masalah latensi (bottleneck) saat terjadi badai data (data storm)
Saran : Thesis anda harus membahas tentang deployment yang teroptimasi di level perangkat keras. Gunakan C++ atau rust untuk modul Data Buffering.
Pastikan model GRU anda diekspor tidak hanya ke ONNX, tetapi diakselerasi menggunakan TensorRT (JIka menggunakan NVIDIA Edge) atau OPenVINO agar interferensi berjalan dengan operasi matrix presisi rendah (INT8/FP16) yang memaksimalkan kecepatan tanpa mengorbankan akurasi
Program C++
Rust
Metrik evaluasi (Loss FUnction) yang buta terhadap risiko kesalamatan
Anda mengunakan Mean Squared Error (MSE) sebagai fungsi untuk menghitung kesalahan tebakan model AI anda
Kritik : MSE mengasumsikan bahwa kesalahan prediksi berlebih (over prediction) Dan kesalahan prediksi kekurangan (under-prediction) memiliki bobot risiko yang sama.
Ini sangat konyol dalam rekayasa kesalamatan. Jika model GRU anda memprediksi nilai mikro ampere lebih tinggi dari aslinya (padahal aslinya sudah mau short), burner akan mati mendadak Dan matte membeku. Kerugiannya bisa mencapai miliaran rupiah.
Saran : Buang MSE anda, rancang Asymmetric Loss Function dalam thesis anda. Model AI anda harus diberi hukuman (penalty) matematis 10x hingga 50x lebih besar jika ia menghasilkan tebakan Over-Estimation dibandingkan Under-Estimation. AI harus didesain untuk bersikap pesimis (lebih baik membunyikan alarm lebih awal daripada terlambat
MSE > ASYMETRIC LOSS FUNCTION
Rekayasa Pemrosesan Sinyal yang "Malas"
Dalam arsitektur Edge Anda menarik data time-series secara real-time. Sinyal arus searah (mikro Ampere) dari flame rod rentan terhadap noise elektrikal dari alat berat di sekitar furnace.
Kritik: Jika Anda sekadar memakai Moving Average atau Low-Pass Filter untuk membuang noise, Anda mungkin akan membuang fitur terpenting! Loncatan (spikes) frekuensi tinggi pada arus mikro ampere sering kali bukan sekadar noise, melainkan indikator awal mikroskopis terjadinya dielectric breakdown pada kerak di flame rod sebelum ia benar-benar short.
Saran Profesor: Masukkan modul Wavelet Transform (Continuous atau Discrete) sebagai feature extractor sebelum data masuk ke GRU. Tunjukkan bahwa Anda mengerti cara memisahkan noise gangguan elektromagnetik sungguhan dari sinyal anomali fisik.
Penambahan modul WAFELET TRANSFORM (Continuous / Discreate) sebagai FEATURE EXTRACTOR
GALI FISIKANYA
PERKETAT MATEMATIKANYA
JADIKAN ARSITEKTUR KOMPUTASINYA BENAR BENAR TAHAN BANTING DI KELAS BERAT