analisis vibrasi untuk klasifikasi kerusakan … · teori dasar vibrasi motor fast fourier...
TRANSCRIPT
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