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
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
2PENDAHULUAN
Pengukuran vibrasi motor
Tren data vibrasi digunakan
untuk menilai kondisi motor
Jika terindikasi ada kerusakan
segera dilakukan perbaikan
4
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
Alat Ukur Vibrasi di PT Petrokimia Gresik
8
CSI 2130 Machinery Health Analyzer
Titik Pengukuran Vibrasi
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
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.
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.
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.
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
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
10 Sinyal Asli (Domain Waktu)
W aktu A m p lit ud o 0 50 100 150 200 250 300 350 400 450 500 0 2 4
6 Spektrum Hasil FFT (Domain Frekuensi)
Frekuensi M ag n it ud o
FFT >> Mengubah data sinyal vibrasi dari domain
waktu menjadi spektrum dalam domain frekuensi
Neural Network
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 = 10240.06 = 17000 Hz
Frekuensi maksimum (Fmax) = Fs2 = 170002 = 8500 Hz Jumlah spectral lines = N2 = 10242 = 512
Resolusi frekuensi (dF) = FsN = 170001024 = 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.
Contoh Sinyal dan Spektrum Vibrasi Hasil FFT
0 10 20 30 40 50 60 -20 -10 0 10 20 W aktu (ms) V e lo c it y ( mm/ s ) 1 1.5 2 2.5 A mp lit u d o ( 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
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.
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
Hasil MSE pelatihan dengan variasi jumlah neuron
24
Jumlah neuron pada hidden layer kedua
Jum lah ne ur on pa da hi dde n lay er pe rta m 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
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.
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
Arsitektur Neural Network
HASIL PENGUJIAN DAN ANALISIS
Kondisi Normal
Putaran motor = 3000 RPM = 50 Hz
0 10 20 30 40 50 60 -5 0 5 Waveform W aktu (ms) V e lo c it y ( mm/ s ) 0.5 1 1.5 Spektrum lit u d o ( mm/ s)30 0 20 40 60 80 100 120 -40 -20 0 20 Waveform W aktu (ms) V e lo c it y ( mm/ s ) 0 50 100 150 200 250 300 350 400 450 500 0 5 10 15 Spektrum Frekuensi (Hz) A mp lit u d o ( mm/ s)
HASIL KLASIFIKASI = UNBALANCE
Kondisi Unbalance
0 10 20 30 40 50 60 -20 0 20 Waveform W aktu (ms) V e lo c it y ( mm/ s ) 5 10 Spektrum mp lit u d o ( mm/ s)
Kondisi Misalignment
Putaran motor = 3000 RPM = 50 Hz
32 0 10 20 30 40 50 60 -20 0 20 Waveform W aktu (ms) V e lo c it y ( mm/ s ) 0 50 100 150 200 250 300 350 400 450 500 0 2 4 Spektrum Frekuensi (Hz) A mp lit u d o ( mm/ s)
HASIL KLASIFIKASI = LOOSENESS
Kondisi Looseness
0 10 20 30 40 50 60 -20 0 20 40 Waveform W aktu (ms) V e lo c it y ( mm/ s ) 2 4 Spektrum mp lit u d o ( mm/ s)
Kerusakan Anti-Friction Bearing
Putaran motor = 3000 RPM = 50 Hz
Confusion Matrix Data Training
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%.
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.