ANALISIS VIBRASI UNTUK KLASIFIKASI KERUSAKAN MOTOR DI PT PETROKIMIA GRESIK MENGGUNAKAN FAST FOURIER TRANSFORM DAN NEURAL NETWORK

Nirma Priatama NRP. 2210100159

Dosen Pembimbing : Dimas Anton Asfani, ST., MT., Ph.D Dr.Eng. I Made Yulistya Negara, ST., M.Sc

PENDAHULUAN

Latar Belakang

Tujuan

TEORI DASAR

Vibrasi Motor

Fast Fourier Transform

(FFT)

Neural Network

(NN)

PERANCANGAN SISTEM

KLASIFIKASI

Spesifikasi FFT

Karakteristik Spektrum

Data Training dan

Testing

Spesifikasi NN

HASIL PENGUJIAN

DAN ANALISIS

Plot Matlab

Confusion Matrix

KESIMPULAN

DAFTAR ISI

2

PENDAHULUAN

Latar Belakang

Pemeliharaan prediktif motor dengan pengukuran vibrasi

3

Pengukuran vibrasi motor

Tren data vibrasi digunakan untuk menilai kondisi motor

Jika terindikasi ada kerusakan segera dilakukan perbaikan

4

Alur Pemeliharaan Prediktif Motor

Klasifikasi Kerusakan Motor Berdasarkan Spektrum Vibrasi

5

6

Displacement Velocity Acceleration

Sudut fase Frekuensi Waktu

TEORI DASAR

Parameter Vibrasi

Satuan Frekuensi Vibrasi

Hertz (Cycles per Second)

CPM (Cycles per Minute) >> vibrasi RPM (Rotations per Minute) >> putaran motor

7

1 Hz = 60 CPM

Alat Ukur Vibrasi di PT Petrokimia Gresik

8

CSI 2130 Machinery Health Analyzer

Software : AMS Suite Machinery Health Manager

Titik Pengukuran Vibrasi

9

1H / MOH : Motor Outboard Horizontal (arah belakang horizontal)

1V / MOV : Motor Outboard Vertical (arah belakang vertikal)

1A / MOA : Motor Outboard Axial (arah belakang aksial)

2H / MIH : Motor Inboard Horizontal (arah depan horizontal)

2V / MIV : Motor Inboard Vertical (arah depan vertikal)

2A / MIA : Motor Inboard Axial (arah depan aksial)

Penyebab Kerusakan Motor & Karakteristik Spektrum Vibrasinya

Unbalance Unbalance adalah ketidakseimbangan distribusi massa pada

rotor atau poros saat berputar. Unbalance menimbulkan vibrasi yang tinggi pada 1x

frekuensi putaran motor atau 1x RPM dengan arah dominan radial.

10

Penyebab Kerusakan Motor & Karakteristik Spektrum Vibrasinya

Misalignment Misalignment adalah pergeseran atau penyimpangan salah

satu bagian mesin dari garis pusatnya. Misalignment menimbulkan vibrasi yang tinggi pada 1x dan

2x frekuensi putaran motor atau 1x dan 2x RPM dengan arah dominan aksial.

11

Penyebab Kerusakan Motor & Karakteristik Spektrum Vibrasinya

Looseness Looseness atau kerenggangan pada suatu mesin dapat

disebabkan oleh kerenggangan baut, kerenggangan bearing, keretakan di pondasi, kerenggangan antara rotor dengan poros, dan sebagainya.

Looseness menimbulkan vibrasi harmonik yang tinggi pada frekuensi antara 1x hingga 6x frekuensi putaran motor dengan arah dominan radial.

12

Penyebab Kerusakan Motor & Karakteristik Spektrum Vibrasinya

Kerusakan Anti-Friction Bearing

Kerusakan pada anti-friction bearing dapat terjadi pada salah satu atau lebih komponen-komponennya, bisa pada ball/roll, alur luar atau dalam, maupun rumah bearing. Kerusakan ini umumnya disertai dengan resonansi.

Kerusakan anti-friction bearing menimbulkan vibrasi pada frekuensi tinggi dan bukan merupakan fungsi dari putaran.

13

Fast Fourier Transform (FFT)

14

0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1-10

0

10Sinyal Asli (Domain Waktu)

Waktu

Ampl

itudo

0 50 100 150 200 250 300 350 400 450 5000

2

4

6 Spektrum Hasil FFT (Domain Frekuensi)

Frekuensi

Mag

nitu

do

FFT >> Mengubah data sinyal vibrasi dari domain waktu menjadi spektrum dalam domain frekuensi

Neural Network

15

Neural Network >> Mengklasifikasikan jenis kerusakan motor berdasarkan data spektrum vibrasi yang dimasukkan

Data amplitudo spektrum

Jenis kerusakan

PERANCANGAN SISTEM KLASIFIKASI

Spesifikasi FFT

Jumlah sampel data (N) = 1024 Waktu sampling (T) = 60 ms = 0.06 s

Frekuensi sampling Fs = NT = 1024

0.06 = 17000 Hz

Frekuensi maksimum (Fmax) = Fs2 = 17000

2 = 8500 Hz

Jumlah spectral lines = N2 = 1024

2 = 512

Resolusi frekuensi (dF) = FsN = 17000

1024 = 16.6

Dari hasil perhitungan FFT diperoleh 512 spectral lines, namun karena

terdapat 1 spectral line komponen DC (frekuensi yang bernilai nol), maka jumlah spectral lines yang didapat menjadi 513. 16

Contoh Sinyal dan Spektrum Vibrasi Hasil FFT

17

0 10 20 30 40 50 60-20

-10

0

10

20

Waktu (ms)

Vel

ocity

(mm

/s)

0 50 100 150 200 250 300 350 400 450 5000

0.5

1

1.5

2

2.5

Frekuensi (Hz)

Ampl

itudo

(mm

/s)

Batas Vibrasi Normal (ISO-10816-1)

18

Batas vibrasi yang digunakan adalah Kelas 1, sehingga yang masuk kondisi normal adalah data vibrasi dengan RMS velocity di bawah 4.5 mm/s

Karakteristik Spektrum Vibrasi Motor

19

Pembagian Data Training & Testing

Kondisi Data Training Data Testing

Normal 8 2

Unbalance 8 2

Misalignment 8 2

Looseness 8 2

Kerusakan bearing 8 2

Total Data 40 10

20

Input Neural Network

Data spektrum vibrasi yang dijadikan input neural network adalah data amplitudo.

Tiap data amplitudo terdiri dari 513 elemen nilai, sehingga jumlah neuron pada input layer adalah 513 unit.

21

Target Neural Network

22

Kondisi Kelas Matriks Target

T1 T2 T3 T4 T5

Normal 1 1 0 0 0 0

Unbalance 2 0 1 0 0 0

Misalignment 3 0 0 1 0 0

Looseness 4 0 0 0 1 0

Kerusakan bearing 5 0 0 0 0 1

Hidden Layer Neural Network

Jumlah hidden layer yang digunakan ada dua buah.

Pemilihan jumlah neuron pada hidden layer dilakukan dengan melatih neural network menggunakan beberapa variasi jumlah neuron.

Kombinasi jumlah neuron untuk tiap hidden layer dipilih antara 8 hingga 20 unit.

Dari hasil pelatihan dicari nilai MSE (Mean Squared Error) yang paling kecil.

23

Hasil MSE pelatihan dengan variasi jumlah neuron

24

Jumlah neuron pada hidden layer kedua

Jumlah neuron pada hidden layer pertam

a

8 9 10 11 12 13 14 15 16 17 18 19 20

8 0.0164 0.0027 0.0011 0.0043 0.0171 0.0099 0.0245 0.0917 0.1155 0.0527 0.0604 0.0122 0.0046

9 0.0051 0.0451 0.0006 0.0021 0.0115 0.0028 0.0042 0.0093 0.0152 0.0324 0.0083 0.0126 0.0048

10 0.0104 0.0282 0.0016 0.0068 0.0172 0.0602 0.0108 0.0130 0.0140 0.0063 0.0036 0.0087 0.0105

11 0.0044 0.0044 0.0480 0.0075 0.0304 0.0049 0.0078 0.0568 0.0092 0.0520 0.0205 0.0069 0.0089

12 0.0169 0.0388 0.0070 0.0131 0.0082 0.0067 0.0040 0.0110 0.0048 0.0131 0.0624 0.0101 0.0225

13 0.0099 0.0054 0.0017 0.0053 0.0255 0.0098 0.0036 0.0068 0.0049 0.0093 0.0161 0.0072 0.0452

14 0.0054 0.0009 0.1230 0.0067 0.0100 0.0024 0.0038 0.0056 0.0153 0.0091 0.0190 0.0481 0.0070

15 0.0060 0.0076 0.0017 0.0428 0.0057 0.0068 0.0147 0.0127 0.0171 0.0083 0.0135 0.0159 0.0048

16 0.0048 0.0040 0.0053 0.0062 0.0115 0.0091 0.0041 0.0075 0.0159 0.0103 0.0040 0.0142 0.0032

17 0.0043 0.0007 0.0063 0.0042 0.0029 0.0051 0.0055 0.0592 0.0108 0.1597 0.0040 0.0106 0.0009

18 0.0081 0.0609 0.0383 0.0041 0.0091 0.0160 0.0034 0.0349 0.0400 0.0239 0.0014 0.0050 0.0224

19 0.0051 0.0037 0.0006 0.0060 0.0117 0.0166 0.0086 0.0663 0.0122 0.0246 0.0148 0.0039 0.0056

20 0.0051 0.0025 0.0037 0.0091 0.0102 0.0070 0.0211 0.0042 0.0053 0.0114 0.0104 0.0148 0.0062

Hasil MSE pelatihan dengan variasi jumlah neuron

25

Dari tabel hasil MSE pelatihan diperoleh tiga kombinasi jumlah neuron yang menghasilkan nilai MSE terkecil yaitu 9-10 dan 19-10. Keduanya sama-sama menghasilkan MSE sebesar 0.0006

Karena model neural network yang baik adalah model yang sederhana, maka kombinasi jumlah neuron yang dipilih adalah 9-10 atau 9 neuron pada hidden layer pertama dan 10 neuron pada hidden layer kedua.

26

Spesifikasi Neural Network

Jumlah data input data training = 40 buah data testing = 10 buah

Input layer 513 neuron

Hidden layer hidden layer 1 = 9 neuron hidden layer 2 = 10 neuron

Output layer 5 neuron Fungsi aktivasi sigmoid bipolar (tansig)

Fungsi pembelajaran scaled conjugate gradient backpropagation (trainscg)

Iterasi maksimal 100

Normalisasi input mapminmax

Pembagian data pelatihan training = 85%; validation = 15%

27

Arsitektur Neural Network

28

HASIL PENGUJIAN DAN ANALISIS Kondisi Normal Putaran motor = 3000 RPM = 50 Hz

29

0 10 20 30 40 50 60-5

0

5 Waveform

Waktu (ms)

Velo

city

(mm

/s)

0 50 100 150 200 250 300 350 400 450 5000

0.5

1

1.5 Spektrum

Frekuensi (Hz)

Ampl

itudo

(mm

/s)

HASIL KLASIFIKASI = NORMAL

30

0 20 40 60 80 100 120-40

-20

0

20 Waveform

Waktu (ms)

Velo

city

(mm

/s)

0 50 100 150 200 250 300 350 400 450 5000

5

10

15 Spektrum

Frekuensi (Hz)

Ampl

itudo

(mm

/s)

HASIL KLASIFIKASI = UNBALANCE

Kondisi Unbalance Putaran motor = 1500 RPM = 25 Hz

31

0 10 20 30 40 50 60-20

0

20Waveform

Waktu (ms)

Velo

city

(mm

/s)

0 50 100 150 200 250 300 350 400 450 5000

5

10 Spektrum

Frekuensi (Hz)

Ampl

itudo

(mm

/s)

HASIL KLASIFIKASI = MISALIGNMENT

Kondisi Misalignment Putaran motor = 3000 RPM = 50 Hz

32

0 10 20 30 40 50 60-20

0

20Waveform

Waktu (ms)

Velo

city

(mm

/s)

0 50 100 150 200 250 300 350 400 450 5000

2

4 Spektrum

Frekuensi (Hz)

Ampl

itudo

(mm

/s)

HASIL KLASIFIKASI = LOOSENESS

Kondisi Looseness Putaran motor = 3000 RPM = 50 Hz

33

0 10 20 30 40 50 60-20

0

20

40 Waveform

Waktu (ms)

Velo

city

(mm

/s)

0 200 400 600 800 1000 1200 1400 1600 1800 20000

2

4 Spektrum

Frekuensi (Hz)

Ampl

itudo

(mm

/s)

HASIL KLASIFIKASI = KERUSAKAN ANTI-FRICTION BEARING

Kerusakan Anti-Friction Bearing Putaran motor = 3000 RPM = 50 Hz

Confusion Matrix Data Training

34

Confusion Matrix Data Testing

35

KESIMPULAN

Beberapa kesimpulan yang bisa diambil dari studi tentang analisis vibrasi untuk klasifikasi kerusakan motor adalah sebagai berikut : 1. Tiap kondisi motor memiliki karakteristik spektrum vibrasi

yang berbeda. 2. Spesifikasi sinyal masukan FFT menentukan spesifikasi

spektrum yang diperoleh. 3. Semakin banyak jumlah data pelatihan neural network

maka hasil klasifikasi yang diperoleh akan semakin akurat. 4. Sistem klasifikasi kerusakan motor dengan analisis data

vibrasi yang telah dirancang mempunyai tingkat ketepatan hingga 100%.

36

DAFTAR PUSTAKA [1] G. Betta, C. Liguori, A. Paolillo, and A. Pietrosanto, “A DSP-Based FFT-

Analyzer for the Fault Diagnosis of Rotating Machine Based on Vibration Analysis”, IEEE Transactions on Instrumentation and Measurements, Vol.51 No.6, December, 2002.

[2] M. K. Rad, M. Torabizadeh, and A. Noshadi, “Artificial Neural Network-based Fault Diagnostics of an Electric Motor using Vibration Monitoring”, International Conference on Transportation, Mechanical, and Electrical Engineering (TMEE), Changchun, December, 2011.

[3] Moh. Ishak, Moch. Rivai, dan Tri Arief Sardjono, “Analisis Proteksi Vibrasi pada Pompa Sentrifugal dengan Menggunakan Fast Fourier Transfrom dan Neural Network”, ITS, Surabaya, 2012.

[4] Wahyu Wibowo dan Mohamad Atok, “Pengaruh Rasio Keuangan Terhadap Rating Issuer Di PT Bursa Efek Surabaya”, LPPM-ITS, Surabaya, Desember, 2007.

[5] Sri Kusumadewi, “Membangun Jaringan Syaraf Tiruan Menggunakan MATLAB dan Excel Link”, Graha Ilmu, Yogyakarta, Bab. 4, 2004.

37

LOGO