LOGO

MONITORING PERFORMANSI MESIN BERPUTAR MELALUI PENERAPAN BLIND SOURCE SEPARATION (BSS)

DI PT. GRESIK POWER INDONESIA (THE LINDE GROUP)

SEMINAR TUGAS AKHIR Laboratorium Akustik Dan Fisika Bangunan

Oleh Risqi ilham Zulfahmi 2408100039

Dosen Pembimbing : Dr. Dhany Arifianto ST, M.Eng NIP. 19731007 199802 1 001

PROGRAM STUDI S-1 TEKNIK FISIKA JURUSAN TEKNIK FISIKA

FAKULTAS TEKNOLOGI INDUSTRI INSTITUT TEKNOLOGI SEPULUH NOPEMBER

SURABAYA 2012

1

LOGO LATAR BELAKANG

Monitoring sinyal suara mesin Metode TFBSS (Time-Frequency Blind Source Separation)

Metode BSS

Diperlukan metode pemisahan suara

Perubahan getaran = perubahan suara mesin

Monitoring mesin

penting di industri

2

LOGO ROAD MAP PENELITIAN BSS- MULTI MOTOR

Bagus Tris Atmaja [2009]

BSS DENGAN BACKGROUND NOISE Aris surya Yunata [2010]

convolutive mixture - ICA

Septian Firmanda [2010]

ICA- ARMATIM MSE FDICA>TDICA Ricky permana P[2011]

ICA- LINDE GROUP MSE TDICA>FDICA

Dian Nur Hayati [2011]

convolutive mixture – ICA LINDE

GROUP Risqi Ilham Z[2012]

3

LOGO RUMUSAN MASALAH

COOLING WATER PUMP LINDE GROUP

BSS BSS-ICA PADA

TIME DOMAIN DAN FREKUENSI DOMAIN

4

LOGO TUJUAN

Mengetahui performansi dari metode blind source separation (BSS) dalam memonitoring performansi mesin berputar (cooling water pump) di PT. Gresik Power Indonesia (The Linde Group).

5

LOGO BATASAN MASALAH Mesin yang digunakan CWP (kecepatan 590rpm) di LINDE GROUP

1.

Sensor yang digunakan adalah mikrofon array bertipe super cardioid (Behringer XM1800)

2.

Sinyal suara yang direkam dalam kondisi wide sense stationary (WSS)

3.

Metode yang digunakan BSS-ICA berdasarkan pencampuran convolutive mixture.

4.

5. Software yang digunakan matlab R2009a dengan monitoring sinyal suara secara offline

6

LOGO Blind Source Separation (BSS) Model ICA

xi(t)= A*zn(t)+n(t)

dimana x=[x1,x2,...xm]T adalah vektor yang mewakili sinyal terukur xi, z=[z1,z2,...,zn] adalah vektor yang mewakili sumber (m≥n)

Convolutive mixture

x1(t)=a11s1(t)+a12s2(t)+ n1(t) x2(t)=a21s1(t)+a22s2(t)+ n2(t)

7

LOGO

BSS BLACK BOX

Sources

Mixing Matrix

BLA!!

BLA!!

BLA!!

BLA!!

Independent

Components

BLA!!

BLA!!

BLA!!

BLA!!

DEMO BSS-ICA

8

LOGO Independent component analysis (ICA)

Time domain ICA (TDICA) Fequency domain ICA (FDICA)

s(t) =Wx(t) dimana matrik W = A-1

9

LOGO Desain eksperimen

IMPELLER

SHAFT

ROTOR

Dimana diasumsikan bahwa 1. Sinyal baseline=sinyal

paling ekat dengan mesin (5cm).

2. Sinyal campuran 3mikrofon pada jarak 30 cm dengan jarak antar mikrofon 25 cm

KIRI DEPAN, BELAKANG, ATAS, BAWAH KANAN

10

LOGO PENGAMBILAN DATA Sinyal baseline 1. Pengambilan data dilakukan pada jarak 5cm

Tampak depan

bawah

depan

atas

Tampak belakang

belakang

kiri

kanan

11

LOGO PENGAMBILAN DATA Sinyal Kombinasi 1. Pengambilan data pada jarak 30 cm dengan menggunakan 3 microphone array. 2. Posisi sensor sesuai dengan pengambilan data sinyal baseline

depan kiri

12

LOGO MICROPHONE ARRAY

Hal yang harus diperhatikan dalam penyusunan microphone yaitu :

JARAK ANTAR MIC

d = λ min / 2 d=25 cm

SUDUT DATANG

SPATIAL ALIASING

(Jika diabaikan)

13

LOGO MEAN SQUARE ERROR (MSE)

MSE adalah perbedaan antara sinyal asli dengan sinyal estimasi. sinyal estimasi merupakan sinyal output dari sistem [3]

Dimana :

MSE = Mean square error

n = banyaknya sample

S = Sinyal asli

Se = Sinyal estimasi

14

LOGO Sinyal Baseline mesin CWP

15

BELAKANG KIRI

KANAN

LOGO Nilai MSE

sinyal1 sinyal2 sinyal3 Series1 sinyal2 sinyal3

Grafik nilai MSE TDICA Grafik nilai MSE FDICA

16

LOGO Perbandingan Nilai MSE rata-rata dengan

Penelitian Sebelumnya

MSE TDICA FDICA

Dalam Ruang Kedap

[8] 0,18 0,2

Di Ruang Terbuka

[12] 0,58 0,6

Di Riil plan Linde

Group [11] 0,9 1,08

Di riil plan di

Armatim [13] 0,072 0,13

Penelitian Tugas

Akhir di Linde Group 0,077 0,0096

17

LOGO Hasil perbandingan sinyal sisi kiri mesin

Frekuensi sesaat monitoring shaft (0-100 Hz, 260 Hz, 300 Hz) 18

LOGO Hasil perbandingan sinyal sisi belakang mesin

Frekuensi sesaat Shaft ( 50-100Hz, 260 Hz, 300 Hz) 19

LOGO Hasil perbandingan sinyal sisi belakang mesin

Frekuensi sesaat Rotor (150 Hz,300 Hz, 40 Hz, 80 Hz, 120 Hz 20

LOGO KESIMPULAN Pemisahan sinyal bunyi dengan metode ICA pada kondisi riil di

lapangan sudah dapat dilakukan, baik dalam domain waktu (TDICA) maupun domain frekuensi (FDICA) dimana nilai MSE TDICA sebesar 0.077, sedangkan untuk nilai MSE FDICA sebesar 0.0096. Sehingga unjuk kerja metode FDICA lebih unggul daripada metode TDICA.

Pada penelitian ini sudah didapatkan pola khusus kondisi mesin

CWP yang diindikasikan normal dari pengulangan frekuensi sesaat, khususnya pada frekuensi 40 Hz, 80 Hz, 120Hz, 260 Hz, 300 Hz baik dari metode TDICA maupun FDICA.

21

LOGO DAFTAR PUSTAKA [1] D.Popescu, Theodor, Maret.2010. “Blind separation of vibration signals and source change detection Application to machine

monitoring”. Applied Mathe matical Modelling SciennceDirect 3408-3421. [2] G. Gelle And M. Colas. Mei 2001. “Blind Source Separation: A Tool For Rotating Machine Monitoring By Vibrations Analysis?”.

Journal of Sound and vibration (2001) 248(5), 865} 885. [3]Fevotte, Cedric., Doncarli, Christian. 2004. “Two Contribution to Blind Source Separation Using Time-Frequency

Distribution”. IEEE Signal Processing Letters vol 11 no.3 March. Processing, vol. 46, pp. 2888–2897, Nov 1998. [4] Hiham,Shahram,Yannick,2010,”Devillenoisy cyclo-stationary BSS using Frequency DomainPseudo-Correlation”.Denmark,18th

European Signal Processing Conferenc (EUSIPCO-2010). [5] Saruwatari, H et.al. 2002. “Blind Source Separaion of Acoustic Signal Based on Multistage Independent

Component Analysis”. Power Point File. [6] Saruwatari, H et.al. 2003. “A Fixed-Point ICA Algorithm for Convoluted Speech Signal Separation”. ICA 2003, Nara,

Japan. [7] Seltzer, ML., Mitchel, L. 2003. “ Microphone Array Processing for Robust Speech Recognition”. PhD Thesis,Carnegie

Mellon University, 2003. [8] Tris Atmajaya, Bagus,2008 “Pemisahan banyak sumber suara mesin dari microphone array dengan metode ICA”.Tugas

Akhir,ITS. [9] Parra, Lucas,2002, “Tutorial on Blind Source Separationand ICA”, Adaptive image and signal processing group,sarnoff

Coorporation. [10] Honarkhah, M and Caers, J, 2010, “Stochastic Simulation of Patterns Using Distance-Based Pattern Modeling”, Mathematical

Geosciences, 42: 487 – 517. [11] Nur hayati,Dian.2011.”Penerapan independent component analysis (ICA) untuk bunyi mesin berputar di PT. GRESIK

POWER INDONESIA. tugas akhir.ITS, Surabaya. [12] Yunata, Aris Surya. 2010.”Identifikasi Kerusakan Mesin Secara Serentak di Ruang Terbuka dengan independent

component analysis (ICA)”. Tugas akhir. ITS, Surabaya. [13] Permana, Ricky. 2011.” Evaluasi Unjuk Kerja Independent Component Analysis (Ica) Untuk Mendeteksi Kerusakan

Mesin Kapal Di PT. Dharma Lautan Utama Surabaya”. Tugas akhir.ITS, surabaya. 22

LOGO

www.themegallery.com

23

LOGO

24