ITS-paper-20098-Paper tugas tk vibarasi.pdf

8/17/2019 ITS-paper-20098-Paper tugas tk vibarasi.pdf

1/9

ANALISIS PROTEKSI VIBRASI PADA POMPA SENTRIFUGAL DENGAN

MENGGUNAKAN FAST FOURIER TRANSFORM DAN NEURAL NETWORK

Moh. Ishak1)

, Dr. Moch. Rivai ST, MT2)

, Dr Tri Arief Sardjono, ST, MT3)

1)

Politeknik Caltex Riau

Email : [email protected] 2,3)Intitut Teknologi Sepuluh Nopember (ITS)

Email : [email protected] [email protected] Surabaya 60111,

INDONESIA

Pompa jenis sentrifugal sangat luas

penggunaannya di dunia industri termasuk di

industri perminyakan. Pompa sentrifugal

banyak berperan dalam peralatan yang penting

sehingga kerusakan pada pompa sentrifugal

akan mempengaruhi produksi.Dalam penelitianini, dibuat prototipe pompa sentrifugal untuk

melihat pola vibrasi terhadap jenis-jenis

kondisi abnormal dengan FFT dan neural

network. Ada tiga jenis kondisi abnormal yang

dibahas yaitu misalignment, unbalance dan

looseness. Dari hasil penelitian didapat bahwa

pada kondisi unbalance amplitudo frekuensi

putaran 3 kali amplitudo kondisi unfault pada

frekuensi yang sama. Untuk kondisi

misalignment, harmonik yang muncul pada

penelitian ini yaitu frekuensi harmonik ke 2.

Pada kondisi looseness, amplitudo frekuensi

dasar menjadi 2 kali nilai kondisi normal. Dan

tingkat keberhasilan neural network dalam

mendeteksi pola spektrum vibrasi mencapai

90%.

Kata kunci: Pompa injeksi sentrifugal, proteksi

vibrasi, misalignment, unbalance, looseness

1. Pendahuluan

Pompa sentrifugal merupakan pompayang sangat banyak penggunaanya di dunia

industri. Peranan pompa jenis ini banyak

melaksankan fungsi-fungsi yang vital di suatuindustri. Kegagalan fungsi pompa akan

menyebabkan tidak berfungsi suatu sistem

produksi. Hal ini dapat menyebabkan kerugiandan kehilangan produksi.

Vibrasi merupakan salah satu hal utama

yang menyebabkan kerusakan pompa

sentifugal. Sumber-sumber vibrasi sangat banyak, misalnya keadaan pompa yang tidak

selurus dengan motor penggeraknya

(misalignment). Untuk menghindari kerusakanyang disebabkan oleh vibrasi, biasanya

dipasang alat pemantau vibrasi. Di dunia

industri saat ini, kebanyakan yang dipasangadalah yang memonitor vibrasi sesaat tanpa

melihat sumber dan pola vibrasi yang muncul.

Melalui penelitian ini, akan dilihat

beberapa pola vibrasi yang tejadi pada pompa

sentrifugal. Ada empat pola vibrasi yang akanditeliti yaitu unfault, unbalance, looseness dan

misalignment. Algoritma yang akan digunakan

adalah fast fourier transform (FFT) dan neuralnetwork.

2. Metode Penelitian

Metode yang digunakan dalam penelitian

ini meliputi pembuatan prototipe untukidentifikasi pola vibrasi secara on-line

mengunakan neural network.

2.1 Perancangan Sistem

Diagram blok sistem yang dirancangterdiri dari sensor accelerometer, A/Dconverter, FFT, neural network dan hasil

Identifikasi kondisi vibrasi seperti yang tampak

pada gambar 2.1.


2/9

Gambar 2.1 Diagram Blok Identifikasi pola

vibrasi on-line

2.1.1 Sensor Accelerometer

Sensor yang digunakan dalam penelitianini adalah accelerometer ADXL330. Sensor ini

mengukur percepatan dari suatu peralatan.

Keluaran dari sensor berupa tegangan DCdengan jangkauan 0~3,3 VDC. Setiap 300mV

keluaran sensor setara dengan 1g (9,8 m/).Sehingga 1 mV = (9,8m/)/300 = 0,0327m/. Saat pengukuran, sensor diletakantegaklurus terhadap poros pada sisi inboard

motor (dekat kopling).

2.1.2 A/D Converter

ADC yang digunakan adalah ADC

internal dari Mikrokontroller Atmega8535

dengan resolusi 10 bit. Hasil konversi ADCdapat dihitung dengan rumus sebagai berikut:

hasil Konversi ADC 10bit = Vin/Vref x 1024dimana :

Vin = tegangan masukan mikrokontroller

Vref= tegangan reference (5 Vdc)

Nilai output yang dihasilkan adalah dari 0

sampai 1024 (10 bit = 2^10 = 1024). Juga dapatdihitung nilai dari 1 bit yaitu : nilai 1 bit = (5

VDC)/1024 = 0,00488 Vdc = 4,88 mVdc.

Baudrate yang digunakan adalah 115200 bps.

2.1.3 FFT (Fast Fourier Transform)

Nilai keluaran mikrokontroller akan

dibaca oleh komputer dengan menggunakan

pemrograman delphi7. Nilai LSB dan MSByang diterima oleh komputer kemudian akan

dijumlahkan dan dikalikan dengan 0,00488

Vdc (4,88 mV) (dikonversikan kembali ke

satuan tegangan). Kemudian hasil dalam satuanmV dikalikan dengan 0,0327 m/s^2. Sehingga

tampilan sinyalnya adalah dalam satuan

percepatan. Sinyal yang dikeluarakan olehmikrokontroller ini berupa sinyal dalam fungsi

waktu (domain waktu). Hasil keluaran dari A/D

converter ini ditampilkan dalam bentuk grafikdibawah ini.

Gambar 2.2 Sinyal domain waktu keluaran

mikrokontroller

Sinyal domain waktu akandikonversikan ke domain frekuensi dengan

persamaan dasar dari FFT berikut.

X(k) = ∑ xn WNN (2.1)

dimana :

n, k, N adalah integer

k = 0,1,2,3,.....,N-1

J = √ 1

=eπ/N=Cos

– j Sin

sehingga :

WN eπ/N Cosπ

N jsin π

N

(2.4)

karena x(n)=xr(n)+jx(n) bisa bernilaikompleks, dan X(k) = XR(k) + jXI(k) maka :

XR(k)=∑ xrn cos πN

xn sinπ

N

XI(k)= ∑ xrnsin πN

xn cos

πN

Magnitude pada domain frekuensi dapat

dihitung berdasarkan persamaan berikut ini :


3/9

|Xk| real imaginer XRk XIk

Proses FFT dilakukan setiap 1000 data

masukan domain waktu. Adapun flow chart

untuk proses FFT adalah seperti gambar 2.3.

Tampilan grafik dalam fungsi frekuensiseperti gambar 2.4. Dalam domain frekuensi

jika semua data ditampilkan maka frekuensi

sebelah kanan sebagai pencerminan frekuensisebelah kiri, dalam hal ini yang ditampilkan

bagian kanan saja.

Gambar 2.3 Flow chart Proses FFT dengan sample

data vibrasi 1000 data

Gambar 2.4 Grafik sinyal dalam domain frekuensi.

2.1.4 Neural Network

Proses FFT akan menghasilkan data

frekuensi (f0 sampai f500). Data-data frekuensiini kemudian akan dilewatkan melalui proses

neural network untuk menentukan pola vibrasi

yang terjadi. Jika digambarkan secara umum

grafik frekuensi akan tampak seperti gambar2.5.

Dari grafik ini tampak bahwa ada 500

nilai frekuensi (f0 ~ f500). Nilai-nilai ini

kemudian akan menjadi data masukan padaneural network. Adapun arsitektur neural

network pada penelitian ini untuk pembacaan

online adalah seperti gambar 2.6.

Gambar 2.5 Grafik domain frekuensi

Gambar 2.6 Arsitektur neural network dalam

penelitian ini

Untuk nilai keluaran neural network (target)

akan mengacu kepada Tabel 2.1.

Tabel 2.1 Hubungan pola vibrasi dan targetuntuk neural network

Persamaan yang digunakan dalam

neural network ini pada setiap layer adalahsebagai berikut.

Persamaan umum :

Persamaan umum :

Output

(2.2)

y ∑ wi xiN bias (2.3)

Pola VibrasiTarget

Yo Y1 Y2 Y3

Unfault (Normal) 1 0 0 0

Unbalance (Ketidakseimbangan) 0 1 0 0

Looseness (Longgar/Kendur) 0 0 1 0

Misalignment (Ketidaklurusan) 0 0 0 1


4/9

Untuk nilai-nilai bobot yang digunakan adalahhasil pembelajaran yang dilakukan dengan NN

backpropagation secara terpisah.

2.1.5 Pembelajaran dengan NN

Backpropagation

Gambar 2.8 adalah blok diagram untuk

proses pembelajaran neural dan dapat dilihat bahwa data-data frekuensi yang akan dijadikan

sebagai acuan pembelajaran dimasukan dalam pemrograman back propagation NN dan

akhirnya akan menghasilkan bobot dan bias.

Gambar 2.7 Flow chart proses neural network untuk

identifikasi pola vibrasi

Gambar 2.8 Blok diagram proses pembelajaran NN

Gambar 2.9 Flow chart pembelajaran NN

2.2 Metode Pengambilan Data

2.2.1 Model kondisi Unfault (Kondisi

normal)

Kondisi Unfault atau kondisi normal

didefinisikan sebagai kondisi normal operasi pompa dan pompa dapat beroperasi secara

kontinyu. Salah satu ciri kondisi ini yaitu

kopling pompa dpat dengan mudah diputar

secara manual dengan tangan.

Data masukanfrekuensi

o 1[j]:=1/(1+e xp(-temp))

o 2[j]:=1/(1+e xp(-temp));

o 3[j]:=1/(1+e xp(-temp));

Hasil Identifikasi Pola

Vibrasi : Un fault,

Unbalance, Looseness

atau Misalignment

MULAI

Masukan dataspektrum frekuensi

Menentukanmatrik Target

Menentukan nilai ParameterNN :- Set jumlah iterasi- Menentukan jumlah hiddenlayer

Pelatihan NN menggunakanBack Propagation. Algoritma

training : gradient descentbackpropagation withadaptive learning rate;

Transfer function : sigmoid

MSE < 0.001

Simpan bobot danbias

SELESAI

Tidak

Ya


5/9

2.2.2 Model kondisi Unbalance

(Ketidakseimbangan)

Kondisi unbalance yaitu kondisi dimana

terjadi ketidakseimbangan pada poros pompaatau motor ketika berputar. Berikut ini adalah

gambar posisi-posisi baut pada base pompa danmotor pada prototipe penelitian ini.

Gambar 2.10 Hubungan kopling pompa dan motor

saat Unfault

Gambar 2.11 Posisi baut pada prototipe base pompa

dan motor

Motor akan dikondisikan unbalancedengan cara menaikan satu atau dua titik pada

base motor. Hal ini dilakukan dengan cara

pengaturan putaran baut.

-Kondisi 1 : Base motor dinaikan pada baut

no.1 sebanyak 1 putaran baut (2mm)-Kondisi 2 : Base motor dinaikan pada baut

no.1 sebanyak 1 putaran baut (2mm) dan pada baut no.2 sebanyak 1 putaran baut (2 mm)


no.1 sebesar 1 putaran baut (2mm) dan pada baut no.2 sebesar 1 putaran baut (2 mm) dan

pada baut no.3 sebesar 1 putaran baut (2 mm)


no.1 sebesar 1 putaran baut (2mm), pada bautno.2 sebesar 1 putaran baut (2 mm), pada bautno.3 sebesar 1 putaran baut (2 mm) dan pada

baut no.4 sebesar 0.5 putaran baut (1 mm)

Gambar 2.12 Base pompa saat Unbalance kondisi 1




2.2.3 Model kondisi Misalignment (Tidak

Selurus)

Kondisi ini didapat dengan cara

menurunkan base motor dari kondisi normal.

2.2.4 Model kondisi Looseness (Kondisi

base Longgar atau kendur)

Dalam penelitian ini, berikut kondisi untukmendapatkan looseness.

-Kondisi 1: Semua baut base motor dan semua

baut base pompa dalam keadaan

kendur/longgar.

-Kondisi 2 : Semua baut base motor dalam

keadaan kendur/longgar, sementara semua baut base pompa dipasang kuat

Gambar 2.16 Kondisi pompa saat misalignment


6/9

3. Hasil dan Pembahasan

Hasil dari penelitian untuk ke empat pola

spektrum vibrasi akan dijelaskan dibawah

ini.

3.1 Pola-pola Spektrum Vibrasi padaPrototipe Pompa Sentrifugal

Prototipe pada penelitian ini

menggunakan pompa dan motor yang memilikikecepatan putaran poros sebesar 2800 rpm

(putaran per menit). Sehingga frekuensi putaran

pompa/frekuensi dasar adalah sebagai berikut :frekuensi putaran poros / frekuensi dasar =

rpm/(60 detik) = 2800/60= 46,7 Hz.

. Sementara itu frekuensi-frekuensi

harmoniknya adalah sebagai berikut :

frekuensi harmonik-1 = 46,7 x 2 = 93,4 Hz

frekuensi harmonik-2 = 46,7 x 3 = 140.1 Hz



Gambar 3.1 Foto rangkaian prototipe saatmelakukan pengambilan data di Laboratorium

Eletronika Industri ITS Surabaya.

Pada penelitian ini, pengukuran vibrasi

akan menggunakan 1 (satu) unit sensorakselerometer Adxl330.

Sinyal yang ditampilkan sebagai hasil

pengukuran adalah domain waktu dan domainfrekuensi.

3.1.1 Spektrum Kondisi Unfault

(Normal)

Gambar 3.2 Spektrum frekuensi Kondisi Normal

Dari spektrum kondisi normal ini, dapat

dilihat bahwa amplitudo tertinggi ada padafrekuensi dasar (46.7 Hz). Sementara pada

frekuensi-frekuensi harmonik-1, 2 dan 3

spektrum tetap muncul dengan amplitudo yanglebih kecil.

3.1.2 Spektrum Kondisi Unbalance(Ketidakseimbangan)

Gambar 3.3 Spektrum frekuensi kondisi Unbalance

Pada gambar 3.3 dapat dilihat bahwa

dengan menaikan base motor pada posisikondisi 1 setinggi 2 mm maka akan

menyebabkan kondisi unbalance. Hal ini


7/9

disebabkan karena dengan turunnya satu titikmenyebabkan putaran poros menjadi tidak

seimbang. Pada kondisi ini, amplitudo pada

frekuensi dasar menjadi 3 kali lebih tinggi jikadibandingkan dengan kondisi normal pada

frekuensi yang sama. Sementara itu, spektrum

pada frekuensi harmoniknya tetap muncul dannilai amplitudonya tidak berubah hampir samaseperti pada kondisi normal.

Untuk kondisi 2, pola spektrum

frekuensi yang dihasilkan masih sama denganspektrum kondisi unbalance. Namun amplitudo

pada frekuensi dasar menurun dan lebih kecil

jika dibandingkan pada kondisi 1. Hal inidisebabkan oleh posisi non drive-end motor

(kiri dan dan kanan) mempunyai level tinggi

yang sama. Dan hanya berbeda dengan sisidrive-end motor.

Untuk kondisi 3, amplitudo pada

frekuensi dasar menjadi tinggi kembali

mencapai lebih dari dua kali tinggi amplitudo

jika dibandingkan dengan kondisi normal padafrekuensi yang sama. Hal ini dikarenakan

hanya satu titik yang tidak level seperti kondisi

1 sehingga menyebabkan ketidakseimbaganyang tinggi.

Pada spektrum kondisi 4, amplitudoyang dihasilkan pada frekuensi dasar samadengan kondisi 3. Hal ini dikarenakan titik no.4

masih belum sama levelnya dengan ketiga titik

lainnya

Dari analisis ke-empat spektrumfrekuensi untuk kondisi unbalance, dapat

disimpulkan bahwa amplitudo pada frekuensi

dasar menjadi hampir 3 kali besar jika

dibandingkan dengan kondisi normal.

Sementara amplitudo pada frekuensi-frekuensiharmonik tetap dan hampir sama dengan

kondisi normal.

3.1.3 Spektrum Kondisi Misalignment

(Tidak Selurus)

Gambar 3.4 Spektrum vibrasi kondisi misalignment

Hasil spektrum frekuensinya adalah

sebagai berikut. Dari gambar 3.4 ni dapat

dilihat bahwa pada saat misalignment spektrum pada frekuensi hormonik-2 mempunyai besar

amplitudo 2 kali dari amplitudo pada kondisi

normal. Sementara amplitudo pada frekuensi

harmonik lainnya tetap muncul dan besarnyasama dengan frekuensi dasar.

Hal ini sesuai dengan penelitian yang

telah dilakukan oleh Giovanni Betta (IEEE,

2002) yang menyatakan bahwa kondisimisalignment akan menyebabkan amplitudo

pada frekuensi harmonik akan dominan dan

lebih tinggi dari frekuensi dasar. Pada

penelitian ini frekuensi harmonik-2 yangmuncul dominan.

3.1.4 Spektrum Kondisi Looseness

(kendur/Longgar)

Gambar 3.5 Spektrum frekuensi kondisi Looseness

Dari gambar 3.5 ini dapat dilihat bahwa

pada kondisi looseness ini, frekuensi dasarmempunyai amplitudo lebih tinggi jika

dibandingkan dengan kondisi normal.Sementara itu, frekuensi harmonik-2 jugamempunyai amplitudo yang lebih tinggi. Hal

ini disebabkan karena dengan dikendurkannya

semua baut pada base motor menyebabkan

ketidakseimbangan menjadi lebih tinggi.

Disamping itu, dari gambar 4.6 dapat

dilihat bahwa muncul frekuensi harmonik lain


8/9

pada frekuensi 35 Hz. Frekuensi-frekuensirendah ini muncul sebagai akibat kendurnya

baut-baut pada base motor dan pompa.

3.2 Klasifikasi menggunakan neural

network

Untuk proses pembelajaran dilakukan

dengan menggunakan matlab. Berikut adalahhasil pengujian neural network dengan data

actual dari pompa.

Dari Tabel 3.1, dapat dilihat bahwa

tingkat keberhasilan neural network adalah90% (dari 10 pengambilan data, 1 data yang

tidak tepat).

Tabel 3.1 Hasil pengujian NNGambar 3.5 Hasil Neural network untuk ke-4 pola

spektrum vibrasi

4. Kesimpulan

Dari hasil penelitian ini dapat ditarik beberapa kesimpulan sebagai berikut:

1. Kondisi unjuk kerja pompa dapatdiamati dengan menggunakan spektrum

vibrasi.2. Pada kondisi Unbalance, spektrum

frekuensi dasar menjadi 3 kali lebih

besar dari kondisi normal.

3. Pada kondisi misalignment spektrumfrekuensi harmonik ke-2 akan lebih

dominan.

4. Pada kondisi looseness, spektrumfrekuensi dasar akan naik menjadi 2 kali

lebih tinggi dari kondisi normal.

5. Tingkat keberhasilan neural networkmencapai 90%.

DAFTAR PUSTAKA

[1] Birajdar R, Pati R, Khanzode K, KirloskarBrothers Ltd., (2009), “VIBRATION AND

NOISE IN CENTRIFUGAL PUMPS -

SOURCES AND DIAGNOSIS METHODS”,3rd International Conference on Integrity,

Reliability and Failure, Portugal, 20-24 July

2009.

N o. Pola Yang muncul Hasil N eura l N etw ork Hasil (Tepat/Tidak Tepat )

1 Misalignment Misalignment Tepat

2 Unfault Unfault Tepat


4 Looseness Looseness Tepat

5 Misalignment Unfault Tidak Tepat

6 Unfault Unfault Tepat






9/9

[2] Orhan Sadettin, Aktu Nizami , Veli C,

(2005), “Vibration monitoring for defect

diagnosis of rolling element bearings as a predictive maintenance tool: Comprehensive

case studies”, NDT&E International 39 (2006)293–298.

[3] Ruuska, Mikko, H. Andersson, Paul,

Dubrovnik, (2003), “SPINDLE BEARINGMONITORING USING ACOUSTIC

EMISSION”, Proceedings, XVII IMEKO

World Congress, 2164~2167.

[4] Giovanni Betta, Student Member, IEEE,

Consolatina Liguori, Alfredo Paolillo, and

Antonio Pietrosanto, (2002), “A DSP-BASED

FFT-ANALYZER FOR THE FAULTDIAGNOSIS OF ROTATING MACHINE

BASED ON VIBRATION ANALYSIS”, IEEETransactions on Instrumentation and

Measurement, vol. 51, no. 6.

[5] Reimche W, Südmersen U, Pietsch Or,Scheer C, Bach F, (2003), “BASICS OF

VIBRATION MONITORING FOR FAULT

DETECTION AND PROCESS CONTROL”.University of Hannover, Institute of Material

Science, Department of NDT.

[6] H. Shreve Dennis, (1995), “SIGNALPROCESSING FOR EFFECTIVE

VIBRATION ANALYSIS”, IRD

Mechanalysis, Inc Columbus, Ohio.

[7]Ahmed, R. Supangat, J. Grieger, N. Ertugrul

and W. L. Soong, (2004), A Baseline Study forOn-Line Condition Monitoring of Induction

Machines”, Australasian Universities PowerEngineering Conference (AUPEC 2004).

ITS-paper-20098-Paper tugas tk vibarasi.pdf

Documents

Transcript of ITS-paper-20098-Paper tugas tk vibarasi.pdf