Deteksi Getaran Untuk Menganalisa Gejala Mechanical Looseness
Menggunakan Discrete Wavelet Transform (DWT)
Richa Watiasih
1,2)
Muhammad Rivai
1)
Totok Mujiono1)
1) Jurusan Teknik Elektro Fakultas Teknologi Industri
Institut Teknologi Sepuluh November, Kampus ITS Sukolilo, Surabaya 60111 2) Jurusan Teknik Elektro UBHARA Surabaya, e-mail :[email protected]
Abstrak – Mechanical looseness (Ketidakrapatan) merupakan gejala kerusakan pada motor induksi yang dapat mengakibatkan kerusakan yang lain, seperti :
unbalance (ketidakseimbangan) dan misalignment
(ketidaklurusan) pada motor induksi, sehingga akan mempengaruhi efisiensi kerja motor induksi. Deteksi getaran untuk menganalisa gejala mechanical
looseness merupakan salah satu hal yang sangat
penting untuk predictive maintenance saat ini di industri.
Dalam penelitian ini telah melakukan deteksi getaran pada kompresor elektrik untuk menganalisa gejala mechanical looseness menggunakan 2 LVDT sebagai sensor getaran dan Discrete Wavelet
Transform (DWT) sebagai pemroses sinyal getaran
yang dapat menggambarkan komponen frekuensi rendah dan frekuensi tinggi. Pada dasarnya Wavelet
Transform adalah ’mathematical microscope’ yang
mana dapat mengamati bagian-bagian yang berbeda dari sinyal. Untuk klasifikasi data getaran menggunakan Jaringan Syaraf Tiruan
(JST)-Backpropagation untuk tiga kondisi yang dideteksi,
yaitu: kondisi normal/bagus, kondisi baut kendor (mechanical looseness) dan kondisi bantalan/base mengalami lemah struktural (mechanical looseness), dimana data getaran dari sensor LVDT1 berhasil 98% diklasifikasikan, sedangkan untuk data getaran dari sensor LVDT2 berhasil 99% diklasifikasikan.
Kata Kunci : Getaran, Mechanical looseness, DWT, JST-Backpropagation.
1. Pendahuluan
Getaran adalah representasi dari osilasi mekanik pada titik equilibrium. Pada umumnya getaran tidaklah diinginkan karena dapat melemahkan daya maupun menimbulkan suara yang tidak diinginkan seperti
noise.
Terminologi getaran yang paling sederhana untuk analisa getaran adalah nilai puncak dan nilai rata-rata. Nilai puncak biasanya menyatakan tekanan maksimum yang dialami bagian yang bergetar. Nilai rata-rata menyatakan nilai tunak (steady) atau nilai statik yang agak serupa dengan tingkat DC suatu arus listrik.Nilai ini dapat diperoleh dengan integral waktu :
∫
=
Tx
t
T
x
0)
(
1
lim
dt...(1)Kuadrat simpangannya biasanya dikaitkan dengan energi getaran yang diukur dari nilai perata kuadrat. Nilai perata kuadrat (mean square value) suatu fungsi waktu x(t) ditentukan dari rata-rata nilai yang dikuadratkan dan diintegrasi untuk selang waktu T .
dt
t
x
T
x
T)
(
1
lim
0 2 2∫
=
...(2) Getaran yang berlebihan pada mesin merupakan awal dari beberapa gejala kerusakan pada mesin seperti Mechanical looseness yang merupakan gejala kerusakan pada mesin yang dapat mengakibatkan kerusakan yang lain, seperti unbalance danmisalignment pada motor induksi, sehingga akan
mempengaruhi efisiensi kerja motor.
Teknik monitoring getaran sangat sesuai untuk menganalisa berbagai kerusakan dalam bearing. Teknik ini dapat memberikan informasi dini tentang kondisi dari bagian – bagian Bearing [1-3]. Dengan menggunakan metode analisa sinyal getaran dan tekanan untuk mengidentifikasi kerusakan pada kompresor [4].
Penggunaan DWT pada resultan cutting force merupakan algoritma untuk mendeteksi kerusakan alat dalam bentuk yang asymmetry weighting function dan diimplementasikan dengan menggunakan hardware pemrosesan sinyal pada alat pendeteksi kerusakan mesin secara on-line pengontrolan mesin CNC[5]. Kombinasi teknik DWT dan jaringan syaraf tiruan telah digunakan untuk mendeteksi dan mengklasifikasikan kerusakan ball bearing pada motor induksi tiga fasa 3,75 kW. Metode ini berhasil diujicobakan untuk tiga kondisi kerusakan bearing: retak bagian dalam, retak bagian luar dan kerusakan dalam ball bearing[6].
Pada umumnya untuk mengukur sinyal getaran digunakan sensor Accelerometer dalam teknik monitoring getaran. Pada penelitian ini sensor yang digunakan untuk mengukur getaran adalah sensor Linear Variable Differential Transformer (LVDT). Dimana teknik analisa getaran dapat digunakan untuk mengevaluasi dan sebagai inisial karakteristik untuk kestabilan mekanikal pada implan tanpa perekat sebagai metode tradisional pada pengukuran
micromotion yang menggunakan LVDT[7]. LVDT
digunakan sebagai sensor getaran untuk mendeteksi adanya gejala mechanical looseness pada motor induksi dengan menggunakan teknik Fast Fourier
Dalam praktek, data getaran yang diukur dari struktur mesin adalah berupa non-stationary, oleh karena itu ketika sinyal ditransformasikan ke dalam domain frekuensi (FFT) maka informasi yang berkaitan dengan waktu akan hilang. Jika kita melihat hasil dari transformasi Fourier suatu sinyal, maka kita tidak dapat mengetahui, kapan suatu event terjadi. Untuk sinyal stasionary, kelemahan ini tidak begitu penting. Namun sangat banyak sinyal-sinyal di alam ini memiliki karakeristik non-stasionary, sehingga analisa Fourier tidak tepat digunakan untuk
menganalisa sinyal tersebut. Short-Time Fourier
Transform (STFT) yang menerapkan transformasi Fourier untuk menganalisa bagian kecil dari sinyal
pada suatu waktu tertentu (windowing the signal).
STFT memetakan suatu sinyal ke dalam fungsi dua
dimensi dari waktu dan frekuensi, sehingga hanya memperoleh informasi kapan dan pada frekuensi berapa suatu event terjadi, dan informasi yang diperoleh bergantung pada ukuran window yang diterapkan. Analisa Wavelet menggunakan teknik yang diharapkan tersebut, yaitu teknik windowing dengan ukuran window bervariasi. Analisa wavelet
memungkinkan penggunaan interval waktu yang panjang dimana kita ingin informasi frekuensi rendah yang tepat dan daerah yang pendek dimana kita inginkan informasi frekuensi tinggi. Frekuensi rendah dari sebagian besar sinyal merupakan bagian yang paling penting karena memberikan identitas dari sinyal tersebut. Sedangkan frekuensi tinggi dari sinyal itu hanya bersifat nuansa saja. Analisa dengan menggunakan Discret Wavelet Transform (DWT) akan melakukan pemisahan komponen sinyal yaitu komponen frekuensi rendah dan frekuensi tinggi sehingga panjang koefisien sinyal masukan pada setiap tingkat DWT akan berkurang setengah kalinya. Hasil dari analisa DWT ini adalah beberapa koefisien DWT yang mempunyai fungsi skala dan posisi.
Dalam paper ini menjelaskan penggunaan
Discrete Wavelet Transform (DWT) untuk mendekomposisi data getaran kedalam beberapa range frekuensi pada level yang berbeda resolusinya. Nilai RMS untuk data hasil dekomposisi yang terseleksi kemudian dikalkulasi untuk tiap-tiap kondisi yang dideteksi. Jaringan Syaraf Tiruan (JST) diterapkan untuk melakukan pembelajaran dengan metode pembelajaran Backpropagation untuk klasifikasi data getaran.
Discrete Wavelet Transform (DWT)
Frekuensi rendah dari sebagian besar sinyal merupakan bagian yang paling penting karena memberikan identitas dari sinyal tersebut. Sedangkan frekuensi tinggi dari sinyal itu hanya bersifat nuansa saja. Analisa dengan menggunakan Discrete Wavelet
Transform (DWT) akan melakukan pemisahan
komponen sinyal yaitu komponen frekuensi rendah dan frekuensi tinggi sehingga panjang koefisien sinyal masukan pada setiap tingkat DWT akan berkurang setengah kalinya. Hasil dari analisa DWT ini adalah beberapa koefisien DWT yang mempunyai fungsi
skala dan posisi. Dalam gambar 1, dimana s(n) adalah sinyal yang disampling pada f(t), disampling pada taraf
‘fs’Hz. Kemudian sinyal s(n) didekomposisi pada level
pertama ke dalam a1(n) dan d1(n) menggunakan low
pass filter h1(n) dan high pass filter g1(n), secara
berturut-turut, dimana, d1(n) di sebut fungsi ‘detail’ yang berisi komponen frekuensi tinggi dan a1(n) disebut ‘approximation’ yang berisi komponen frekuensi rendah dan ini di sebut proses dekomposisi level pertama. Dekomposisi level kedua selanjutnya berisi sinyal a1(n) yang memberi a2(n) dan d2(n). Untuk dekomposisi level yang lebih tinggi selanjutnya adalah a2(n) begitu seterusnya sampai pada level yang diinginkan’j’, sinyal approximation aj(n) akan dikomposisi pada frekuensi 0-fcHz. Begitu juga untuk sinyal detail dj(n) pada beberapa level ‘j’ akan berisi frekuensi pada taraf fc-2fcHz. Cut-off frekuensi ‘fc’ pada sinyal approximation aj(n) untuk level j di dapatkan dari persamaan :
1
2
+=
jfs
fc
...(3)Gambar 1. Multi-resolusi dekomposisi sinyal[9]
3. Metodologi
Sistem deteksi getaran untuk menganalisa gejala
mechanical looseness menggunakan Discrete Wavelet Transform (DWT) ini terdiri dari sistem pendeteksi
getaran, proses pengambilan dan pemrosesan data serta klasifikasi data getaran menggunakan Jaringan
Syaraf Tiruan.
Sistem Deteksi Getaran
Sistem deteksi getaran yang digunakan dalam
penelitian ini diperlihatkan pada gambar 2.
Gambar 2. Diagram sistem deteksi getaran untuk menganalisa gejala mechanical looseness. Dengan menggunakan dua buah LVDT yang diterapkan sebagai sensor getaran ditempatkan pada posisi yang berbeda agar diperoleh data yang akurat. Pada penelitian ini menggunakan ADC Successive
Approximation untuk proses sampling rate sebesar
komputer menggunakan USART RS-232 yang juga disediakan oleh modul Mikrokontroler AVR Atmega
8535. Sensor getaran di lengkapi dengan rangkaian
pengkondisi sinyal agar output dari LVDT dapat di jadikan input untuk modul Mikrokontroler AVR
Atmega 8535. Personal Computer (PC) digunakan
untuk proses pengambilan dan pemrosesan data getaran secara on-line.
Proses Pengambilan dan Pemrosesan Data getaran Proses pengambilan dan pemrosesan data getaran
di terapkan pada motor induksi kompresor Multi Pro model BC- 250-DMBW dengan speed 2850 r.p.m. dengan menggunakan dua buah sensor getaran (LVDT) yang diletakan pada posisi yang berbeda untuk tiga kondisi, yaitu: kondisi normal, kondisi baut kendor dan kondisi bantalan mengalami lemah struktural. Setelah data getaran untuk tiga kondisi yang dideteksi dan di dekomposisi dengan DWT 5 level sudah didapatkan dan sudah di simpan dalam data logger, maka selanjutnya tiap-tiap data getaran untuk sinyal original dan data sinyal hasil DWT level 1 – 5 diambil nilai rata-rata.
Penaksiran yang dilakukan secara langsung dari seluruh koefisien wavelet menjadi pekerjan yang melelahkan. Oleh karena itu, wavelet node power ej pada ‘j’ level yang didekomposisi untuk mendapatkan nilai RMS dengan menggunakan rumus:
∑
= = Nj k k j w Ni ej 1 , 2 1 ...(4) Disini, Nj adalah nilai koefisien pada level ‘j’,wj,k adalah kth koefisien yang dihitung untuk level jth danej adalah RMS (Root Mean Square) nilai sinyal yang
didekomposisi pada level ‘j’.
Klasifikasi Data Getaran Menggunakan Jaringan Syaraf Tiruan (JST)
Data getaran yang sudah di ekstrasi dan diseleksi kemudian diklasifikasikan dengan menggunakan Jaringan Syaraf Tiruan (JST) yang menggunakan algoritma backpropagation[6].
Normalisasi data getaran
Data getaran yang sudah di rata-rata menjadi nilai
RMS kemudian dilakukan normalisasi yang
menggunakan persamaan: 1 . 0 8 . 0 max 5 . 1 ⎟⎠× + ⎞ ⎜ ⎝ ⎛ × = X X Xn ...(5) Dimana, X adalah data aktual, Xmax adalah nilai maksimum pada data dan Xn adalah data yang dinormalisasi. Nilai maksimum diperoleh dari set data
mechanical looseness. Nilai maksimum di kalikan oleh
faktor 1.5 sehingga jika data mechanical looseness lebih dari apa yang dipertimbangkan hingga kini, maka neural network dapat digunakan untuk klasifikasi data getaran.
Pada saat pembelajaran pada JST, varibel input yang tertinggi nilainya berpengaruh pada variabel
input yang lebih rendah nilainya, maka data lebih baik
diproses dengan merata-rata variabel input data getaran sebelum menjadi input untuk JST. Data-data tersebut kemudian dinormalisasi dalam batas 0.1 dan
0.9 untuk memperkecil pengaruh pada variabel input. Batasan 0.1 dan 0.9 di pilih sebagai pengganti 0 dan 1 karena 0 dan 1 tidak dapat direalisasikan oleh fungsi aktifasi (Sigmoid Function). Tabel 1 adalah
Target/output untuk tiap-tiap kondisi yang dideteksi.
Tabel 1. Target/output untuk 3 kondisi yang dideteksi KONDISI O1 O2 O3 NORMAL 1 0 0 BAUT KENDOR 0 1 0 BANTALAN LEMAH STRUKTURAL 0 0 1
4. Hasil dan Pembahasan
Dari hasil pengambilan dan pemrosesan data
getaran yang dilakukan secara on-line menggunakan bahasa pemrograman Delphi7 pada Personal Computer (PC) dapat di lihat pada gambar 3 yang
menggambarkan data getaran hasil pengambilan data getaran oleh LVDT1 dan gambar 4 hasil pengambilan data getaran oleh LVDT2, dimana data–data getaran tersebut hasil deteksi untuk tiga kondisi: kondisi normal, kondisi baut kendor (mechanical looseness) dan kondisi bantalan mengalami lemah struktural
(mechanical looseness) yang terdeteksi dari dua hasil
pengambilan data oleh dua sensor getaran, dimana gambar 3(b),(c) dapat diidentifikasikan dari kondisi
mechanical looseness, sedangkan kondisi normal
seperti yang tampak pada gambar 3(a). Gambar 4(b),(c) dapat diidentifikasikan dari kondisi
mechanical looseness, sedangkan kondisi normal
seperti yang tampak pada gambar 4(a) berdasarkan analisa tingkat getaran dalam domain waktu.
Gambar 3. Data getaran oleh LVDT 1, (a)Kondisi Normal,(b) Kondisi baut penyangga motor kompresor kendor,(c) Kondisi bantalan mengalami lemah struktural.
Gambar 4. Data getaran oleh LVDT 2, (a)Kondisi Normal,(b) Kondisi baut penyangga
motor kompresor kendor,(c) Kondisi bantalan mengalami lemah struktural.
Data getaran yang diambil oleh sensor getaran yang masih dalam domain waktu belum cukup memberikan gambaran kondisi mechanical looseness. Dalam mendeteksi mechanical looseness dibutuhkan metode untuk menganalisa yang harus digunakan sepanjang informasi dalam domain waktu. Dalam penelitian ini sistem pemroses sinyal getaran menggunakan Discrete Wavelet Transform (DWT) untuk mengekstrasi data mechanical looseness dari sinyal getaran yang di tampilkan. Keuntungan dengan menggunakan Discrete Wavelet Transform (DWT) ini adalah dapat memberikan gambaran komponen frekuensi rendah dan frekuensi tinggi secara akurat. Sebuah desain multiresolusi pada Discrete
Wavelet Transform (DWT) 5 level digunakan untuk
analisa data getaran untuk tipe kondisi yang berbeda. Adapun Mother Wavelet yang digunakan untuk analisa sinyal getaran ini adalah Daubechies, karena dapat menyediakan lebih banyak analisa yang efektif daripada wavelet yang lain (seperti Haar, Coifman, dll). Hasil pengambilan dan pemrosesan data getaran secara on-line dilakukan secara bergantian, yaitu proses pengambilan dan pemrosesan data getaran dilakukan oleh LVDT1 dulu setelah itu dilanjutkan
LVDT2 dan secara langsung menampilkan grafik
sinyalnya mulai dari sinyal asli sampai pada grafik sinyal yang sudah di dekomposisi (a1-a5, d1-d5). Adapun nilai untuk koefisien dan frekuensi band pada setiap level yang didesain adalah ditunjukkan oleh tabel 2.
Tabel 2. Nilai Koefisien dan Frekuensi band Level cj(k) (LPF) (Hz) Nilai Koefisien dj(k) (HPF) (Hz) 1 2 3 4 5 0 – 500 0 – 250 0 – 125 0 – 62,5 0 – 31,25 512 256 128 64 32 500 – 1000 250 – 500 125 – 250 62,5 – 125 31,25 - 62,5
Ketika data getaran hasil deteksi sensor kondisi yang berbeda dan telah didekomposisi via DWT, maka data-data tersebut memiliki nilai yang berbeda antara koefisien-koefisien wavelet yang diperoleh seperti yang ditunjukkan gambar 5(a,b,c) untuk data dari
LVDT 1 dan gambar 6(a,b,c) untuk data dari LVDT 2.
Gambar 5 Hasil DWT data sinyal getaran oleh LVDT1, (a)Kondisi Normal,(b) Kondisi baut penyangga motor
kompresor kendor,(c) Kondisi bantalan/base mengalami lemah struktural.
(a)
(b)
(c) Gambar 6 Hasil DWT data sinyal getaran oleh LVDT2,
(a)Kondisi Normal,(b) Kondisi baut penyangga motor kompresor kendor,(c) Kondisi bantalan/base
mengalami lemah struktural.
Tabel 3 merupakan nilai RMS dari data original getaran hasil deteksi 2 LVDT, sedangkan variasi dalam nilai RMS pada lima dekomposisi untuk satu bagian dari setiap kondisi di tunjukkan oleh tabel 4, 5 dan 6 dari data tersebut terlihat perbedaan dalam d1 – d5 pada kondisi yang dideteksi dari LVDTI dan
LVDT2.
Tabel 3. Nilai RMS untuk data original getaran
KONDISI SENSOR DATA RMS
LVDT1 0,264 Normal LVDT2 0,349 LVDT1 0,495 Baut Kendor LVDT2 0,589 Bantalan lemah LVDT1 0,459 Struktural LVDT2 0,544
Tabel 4. Nilai RMS untuk kondisi normal (semua nilai dalam ‘mm’) d1 d2 d3 d4 d5 Sensor RMS RMS RMS RMS RMS LVDT1 0,239 0,393 0,151 0,125 0,221 LVDT2 0,346 0,551 0,285 0,209 0,314
Tabel 5. Nilai RMS untuk kondisi baut kendor (semua nilai dalam ‘mm’) d1 d2 d3 d4 d5 Sensor RMS RMS RMS RMS RMS LVDT1 0,479 0,618 0,347 0,346 0,747 LVDT2 0,017 0,019 0,009 0,011 0,014
Tabel 6. Nilai RMS untuk kondisi bantalan mengalami lemah struktural (semua nilai dalam ‘mm’)
d1 d2 d3 d4 d5 Sensor
RMS RMS RMS RMS RMS LVDT1 0,589 0,361 0,408 0,58 0,424
LVDT2 0,026 0,017 0,015 0,062 0,053
Hasil Klasifikasi Data Getaran
Data getaran hasil dekomposisi pada level ke 5 yang sudah dinormalisasi menggunakan persamaan (5) dijadikan input dalam proses pembelajaran dalam JST. Dekomposisi level ke 5 pada detail (d5) dipilih sebagai input untuk JST karena Frekuensi tinggi pada spektrum getaran mengandung informasi kesalahan-kesalahan yang dapat diikuti dengan baik sebelum mempengaruhi kemampuan sebenarnya dari mesin untuk menjalankan pekerjaannya, sedangkan frekuensi rendah menunjukkan kerusakan ketika telah terjadi. Tabel 7 dan 8 adalah data getaran hasil dekomposisi level 5 dari LVDT1 dan LVDT2 yang sudah di normalisasi sebagai input dalam proses pembelajaran JST untuk klasifikasi data getaran, sedangkan pada tabel 9 adalah data normalisasi
output dalam proses pembelajaran JST untuk
klasifikasi data getaran.
Tabel 7. Normalisasi data getaran untuk set data input dari LVDT1 untuk pembelajaran JST.
KONDISI dw1 dw2 dw3 dw4 dw5 Normal 0.271 0.271 0.208 0.189 0.258 Baut Kendor 0.442 0.541 0.348 0.347 0.633 Bantalan Lemah 0.521 0.358 0.391 0.514 0.403 Struktural
Tabel 8. Normalisasi data getaran untuk set data input dari LVDT2 untuk pembelajaran JST.
KONDISI dw1 dw2 dw3 dw4 dw5 Normal 0.435 0.633 0.376 0.302 0.404 Baut Kendor 0.117 0.118 0.109 0.111 0.114 Bantalan Lemah 0.215 0.116 0.115 0.160 0.151 Struktural
Tabel 9. Normalisasi data output untuk pembelajaran JST. KONDISI Output 1 Output 2 Output 3 Normal 0.9 0.1 0.1 Baut Kendor 0.1 0.9 0.1 Bantalan lemah Struktural 0.1 0.1 0.9
Jaringan Syaraf Tiruan (JST) yang menggunakan metode pembelajaran
Backpropagation dikerjakan pada M-File Matlab
secara off-line (simulasi). Arsitektur jaringan
(network) menggunakan fungsi “newff” pada Matlab yang digunakan untuk pembelajaran. Untuk mempercepat proses pembelajaran maka diterapkan metode learning rate= 0,5 dan momentum=0,1. Dalam proses pembelajaran, jaringan ini melakukan pembelajaran hingga mencapai mean square error (mse) yang diinginkan yaitu 10e-4 (0,0001) dengan proses epoch maksimum 10e6.
Gambar 7, 8 dan 9 adalah hasil pembelajaran JST-Backpropagation untuk klasifikasi data getaran dari LVDT1 dan LVDT2. Dimana dalam proses pembelajarannya diterapkan fungsi Hidden Layer antara 10 sampai 30 jumlah neuron untuk mendapatkan jumlah Hidden layer yang tepat untuk klasifikasi data getaran.
Gambar 7. Hasil klasifikasi data getaran untuk kondisi
Gambar 8. Hasil klasifikasi data getaran untuk kondisi baut kendor dari LVDT1 dan LVDT2.
Gambar 9. Hasil klasifikasi data getaran untuk kondisi Bantalan lemah struktural dari LVDT1 dan LVDT2.
5. Kesimpulan
Dengan menerapkan metode Discrete Wavelet
Transform (DWT), data getaran yang dideteksi oleh
sensor getaran yang semula dalam domain waktu dilakukan proses dekomposisi hingga level ke 5 sehingga dapat diperoleh informasi untuk komponen frekuensi rendah (approximation) dan informasi yang terkandung dalam komponen frekuensi tinggi (detail). Dari hasil dekomposisi pada level ke5 (a5 dan d5) jelas terlihat perbedaan untuk tiap-tiap kondisi yang dideteksi, yaitu kondisi bagus/normal, kondisi terjadi
mechanical looseness (ketika baut-baut penyangga
motor kompresor kendor dan ketika bantalan kompresor mengalami lemah struktural).
Dengan menerapkan metode JST-Bacpropagation yang digunakan untuk klasifikasi data getaran dari sensor LVDT1 berhasil 98% diklasifikasikan,
sedangkan untuk data getaran dari sensor LVDT2 berhasil 99% diklasifikasikan.
6. Daftar Pustaka
[1] M. Amarnath, R. Shrinidhi, Ramachandra and S.B. Kandagal, (2004), “Prediction of Defect in Antifriction Bearings using Vibration Signal Analysis”, IE (I) Journal- MC.
[2] Jyoti K. Sinha and Rama Rao (2006), “vibration Based Diagnosis of Centrifugal Pump”, SAGE
Publications Vol 5(4):0325-8.
[3] Younghua Yu dan Jianguo Yang (2005), “Vibra- tion diagnosis of main Journal Bearing for diesel engine”, Int. J. Vehicle Noise andVibration, vol 1, NOS. ¾.
[4] Suwarmin dan Bambang D.W.(2006), ”Operation Abnormality Identifikasi of a Reciprocating Compressor based on Pressure and Vibration Signals”, Proceedings: Internasional Conference on Risk Technology & Management.
[5] R-T Rene de jesus, et al. (2004), “FPGA Based on-lineTool Breakage Detection System for CNC Millin Machines”, Mechatronics, vol.14, hal : 439 – 454.
[6] S. Wadhwani, S.P.Gupta dan V.Kumar (2005), “ Wavelet Based Vibration Monitoring for Detection of Faults in Ball Bearing of Rotating Machines”, Journal-EL.
[7] R. Parker Eason, Noah L Tarisa L,Philip R, R.B. Willms, R.M .Meneghini dan Arlen H (2007), “ Initial Mechanical Stability of Cementless Porous Titanium Patellar Components Using Micromotion and Vibration Analysis”.
[8] Richa W., M.Rivai dan Totok M.(2008), “LVDT Sebagai Sensor Getaran Untuk Mendeteksi Mechanical Looseness Pada Motor Induksi ”, Proseding:Seminar Teknik Elektro & Pendidikan Teknik Elektro (STE) 2008, hal:C70.
[9] C. Sidney, Ramesh A. Gopinath dan Haito Guo (1998), ”Introduction To Wavelet and wavelet
Transform”, A. Primer.
