View
264
Download
1
Category
Preview:
Citation preview
O L E H : M I F T A H U D D I N
IDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA
DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
Seminar Tugas Akhir
M I F T A H U D D I N
P E M B I M B I N G :I R . Y E R R I S U S A T I O , M T
D R . I R . A U L I A S I T I A I S Y A H , M T
Bidang Minat Akustik
Jurusan Teknik Fisika
Institut Teknologi Sepuluh Nopember
PENDAHULUAN
Latar BelakangLatar Belakang Motor merupakan salah satu komponen yang sering dipakai di
industri sehingga menjadi komponen penting yang perlu diperhatikan.
Suara motor merupakan karakteristik penting yang mengindikasikan kondisi suatu motor di samping karakteristikmengindikasikan kondisi suatu motor di samping karakteristikgetaran.
Penyimpangan pada suara motor dari kondisi normal kemungkinan tinggi menyatakan adanya kerusakan pada motor.
Pada umumnya, pola pengenalan atau identifikasi didasarkan dariinformasi karakteristik spektrum frekuensi atau dengan kata lain melalui pengamatan visual.
ANFIS merupakan metode yang memiliki kemampuan dalammenirukan sistem pengambilan keputusan seperti halnya pada otakmanusia (melalui pengamatan visual).
PENDAHULUAN
Permasalahan Bagaimana merancang suatu sistem identifikasi
kerusakan mesin berdasarkan pola sinyal suara menggunakan ANFIS yang meliputi proses perekaman menggunakan ANFIS yang meliputi proses perekaman data, proses pengolahan data dan proses identifikasi.
Tujuan Untuk merancang suatu sistem identifikasi kerusakan
motor berdasarkan pola sinyal suara menggunakan ANFIS
TINJAUAN PUSTAKA
Getaran dan Suara Suara adalah kompresi mekanikal atau gelombang
longitudinal yang merambat melalui suatu medium pada kecepatan yang tergantung pada suhu.pada kecepatan yang tergantung pada suhu.
Suara dihasilkan ketika sebuah objek bergetar. Tanpa getaran ini tidak akan ada suara.
Deteksi kerusakan dapat dilakukan karena perbedaan kerusakan akan menyebabkan perbedaan getaran dan perbedaan getaran pada akhirnya akan menimbulkan perbedaan suara yang keluar dari mesin.
TINJAUAN PUSTAKA
Pembangkitan Gelombang Suara
TINJAUAN PUSTAKA
Kerusakan pada Mesin Berputar Unbalance merupakan ketidak- seimbangan distribusi
massa di sekitar centerline (garis tengah) rotasi rotor.
Pada analisa getaran akan menunjukkan predominant Pada analisa getaran akan menunjukkan predominantpada frekuensi getaran 1 x rpm
TINJAUAN PUSTAKA
Power Spectral Density Power spectral density (PSD) merupakan distribusi
daya (energi) sebagai fungsi frekuensi dalam bentuk kerapatan spectrum yang diestimasi menggunakan FFT.kerapatan spectrum yang diestimasi menggunakan FFT.
21
0
1k
Nj n
xx kn
P x n eN
2, 0,1,..., 1k
kk N
N
TINJAUAN PUSTAKA
Adaptive Neuro Fuzzy Inference Adaptive Neuro Fuzzy Inference merupakan hasil
perpaduan dari jaringan syaraf tiruan dan logika fuzzy.
Untuk sistem berbasis aturan linguistik, teknik jaringan Untuk sistem berbasis aturan linguistik, teknik jaringan syaraf tiruan akan memberikan kemampuan pembelajaran dan adaptasi untuk mengekstraksi parameter-parameter (premis dan konsekuen) aturan fuzzy dari sekumpulan data numerik.
TINJAUAN PUSTAKA
Struktur Adaptive Neuro Fuzzy Inference
Rule 1: If ( x is A1) and ( y is B1) then ( f1 = p1x+q1y+r1)Rule 2: If ( x is A2) and ( y is B2) then ( f2 = p2x+q2y+r2)
METODOLOGI PENELITIAN
METODOLOGI PENELITIAN
Perekaman Sinyal Suara Frekuensi sampling pada proses perekaman ini adalah
44.100 kHz, mono dan 16 bits
METODOLOGI PENELITIAN
Pengolahan Sinyal Suara Waveform dan PSD (Normal)
Pada kondisi operasi normal, mesin memiliki frekuensi dasar dengan amplitudo puncak (peak) pada frekuensi 43.07 Hz sebesar -63.71 dB/Hz, frekuensi harmonik kedua 990.53 Hz sebesar -74.80 dB/Hz dan frekuensi harmonik ketiga 1809 Hz sebesar -75.09 dB/Hz
METODOLOGI PENELITIAN
Pengolahan Sinyal Suara Waveform dan PSD (Unbalance )
Pada kondisi operasi unbalance muncul peak dengan amplitudo tinggi pada frekuensi dasar 43.07 Hz sebesar -52.67 dB/Hz (amplitudo tinggi pada 1 x rpm), frekuensi harmonik kedua 990.53 Hz sebesar -71.09 dB/Hz dan frekuensi harmonik ketiga 1809 Hz sebesar -82. 28 dB/Hz
METODOLOGI PENELITIAN
Pengolahan Sinyal Suara Ekstrasi Fitur Frekuensi
NamaFrekuensi
DasarFrekuensi
Dominan 1Frekuensi
Dominan 2Nilai 43.07 Hz 990.53 Hz 1809 HzNilai 43.07 Hz 990.53 Hz 1809 Hz
KondisiOperasi
Jumlah DataTraining
Jumlah DataChecking
KodeKerusakan
Normal 25 25 100Unbalance 25 25 200
Total 50 50
– Deskripsi Pembagian Set Data untuk masing-masing Kondisi
METODOLOGI PENELITIAN
Perancangan Sistem Identifikasi Hasil Perancangan dengan Fungsi Kenggotaan : triangular
Number Number NumberTraining RMSE RMSE
NoNumber of MF
(Input 1)
Number of MF
(Input 2)
Numberof MF
(Input 3)
Training Epochs
RMSE Training
RMSE Checking
1 3 3 3 30 0.080963 23.2959002 3 3 4 1 0.047213 141.4220003 3 4 3 1000 0.000552 142.3790004 3 4 4 197 0.000978 142.1390005 4 3 3 1 0.000214 141.4210006 4 3 4 62 0.000482 141.4210007 4 4 3 1000 0.000486 142.3970008 4 4 4 327 0.001096 142.172000
METODOLOGI PENELITIAN
Perancangan Sistem Identifikasi Hasil Perancangan dengan Fungsi Kenggotaan : trapezoidal
Number Number NumberTraining RMSE RMSE
NoNumber of MF
(Input 1)
Number of MF
(Input 2)
Numberof MF
(Input 3)
Training Epochs
RMSE Training
RMSE Checking
1 3 3 3 1 0.000013 158.0810002 3 3 4 11 0.000015 158.0810003 3 4 3 42 0.002934 141.4370004 3 4 4 12 0.000082 141.4370005 4 3 3 111 0.001244 158.0810006 4 3 4 70 0.003909 158.0810007 4 4 3 164 0.004591 141.4350008 4 4 4 77 0.003904 141.436000
METODOLOGI PENELITIAN
Perancangan Sistem Identifikasi Hasil Perancangan dengan Fungsi Kenggotaan : gaussian
Number Number NumberTraining RMSE RMSE
NoNumber of MF
(Input 1)
Number of MF
(Input 2)
Numberof MF
(Input 3)
Training Epochs
RMSE Training
RMSE Checking
1 3 3 3 437 0.000003 0.0107282 3 3 4 10 0.016119 139.0290003 3 4 3 1 0.016202 14.4922004 3 4 4 8 0.021049 141.3300005 4 3 3 190 0.000031 0.0041536 4 3 4 76 0.009524 92.1568007 4 4 3 147 0.001698 12.0227008 4 4 4 89 0.004496 126.735000
METODOLOGI PENELITIAN
Perancangan Sistem Identifikasi Hasil Perancangan dengan Fungsi Kenggotaan : generalized
bell
Number Number NumberTraining RMSE RMSE
NoNumber of MF
(Input 1)
Number of MF
(Input 2)
Numberof MF
(Input 3)
Training Epochs
RMSE Training
RMSE Checking
1 3 3 3 706 0.000027 0.0000262 3 3 4 31 0.013424 3.2687503 3 4 3 210 0.000381 0.4995144 3 4 4 79 0.012599 4.5492905 4 3 3 280 0.000022 0.0000226 4 3 4 970 0.002213 0.0426397 4 4 3 314 0.000447 0.6505208 4 4 4 411 0.000345 0.808794
HASIL
Pemilihan Model Perancangan ANFIS Terbaik
HASIL
Hasil simulasi direpresentasikan dalam bentuk rule viewer
KESIMPULAN
1. Model ANFIS terbaik yang dirancang untuk melakukan identifikasi kerusakan mesin berputar berdasarkan sinyal suara pada penelitian ini mampu melakukan identifikasi dengan logika fuzzy yang digunakan adalah Model Logika Fuzzy Sugeno Orde 0 dengan arsitektur jaringan yang digunakan adalah arsitektur ANFIS yang arsitektur jaringan yang digunakan adalah arsitektur ANFIS yang terdiri dari 4 layer. Struktur ini memiliki 3 masukan, 36 aturan fuzzy dan 1 keluaran.
2. Model ANFIS terbaik terdiri dari 3 masukan yaitu, nilai peak darifrekuensi dasar, nilai peak dari frekuensi harmonik ke-2, nilai peak dari frekuensi harmonik ke-3. Masing-masing memiliki 4, 3, 3 jumlahfungsi keanggotaan jenis generalized bell.
KESIMPULAN
3. Proses training untuk memetakan masukan dengan keluaran target pada struktur model sistem identifikasi dilakukan sebanyak 280 epoch dengan RMS eror training sebesar 2.2 x 10-5.
4. Pengujian yang dilakukan untuk mengidentifikasi kerusakan mesin berputar berdasarkan sinyal suara menghasilkan eror checking rata-berputar berdasarkan sinyal suara menghasilkan eror checking rata-rata keseluruhan (normal & unbalance) sebesar 0.00 dan eror testing rata-rata sebesar 3.90 pada jenis motor DAB, 71.05 pada jenismotor DAB K14-400, 6.18 pada jenis motor Electrical Water Pump, 20.18 pada jenis motor Sewing Machine Motor.
SARAN
Memperbanyak jenis data pengukuran sinyal kondisi operasi yang akan dilakukan identifikasi dengan model ini. Karena semakin banyak database maka proses identifikasi atau pengenalan akan semakin baik.
Melakukan identifikasi yang lebih detail seperti jenis-jenis unbalancedan/atau jenis-jenis bearing defect, maupun jenis kerusakan lain.dan/atau jenis-jenis bearing defect, maupun jenis kerusakan lain.
Recommended