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.