ANALISIS VIBRASI UNTUK KLASIFIKASI KERUSAKAN MOTOR DI PT PETROKIMIA GRESIK MENGGUNAKAN FAST FOURIER TRANSFORM DAN NEURAL NETWORK

(1)

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

(2)

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

(3)

PENDAHULUAN

(4)

Pengukuran vibrasi motor

Tren data vibrasi digunakan

untuk menilai kondisi motor

Jika terindikasi ada kerusakan

segera dilakukan perbaikan

4

(5)

(6)

6



Displacement



_Velocity



Acceleration



Sudut fase



Frekuensi



Waktu

TEORI DASAR

Parameter Vibrasi

(7)

Satuan Frekuensi Vibrasi



Hertz (Cycles per Second)



CPM (Cycles per Minute) >> vibrasi



RPM (Rotations per Minute) >> putaran motor

(8)

Alat Ukur Vibrasi di PT Petrokimia Gresik

8

CSI 2130 Machinery Health Analyzer

(9)

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}

(10)

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.

(11)

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.

(12)

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.

(13)

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}

(14)

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

(15)

Neural Network



Neural Network >> Mengklasifikasikan jenis kerusakan

motor berdasarkan data spektrum vibrasi yang dimasukkan

Data amplitudo

spektrum

Jenis kerusakan

(16)

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) =}Fs_{2 =}17000_{2 = 8500 Hz}  Jumlah spectral lines = N2 = 1024_{2 = 512}

 _{Resolusi frekuensi (dF) = Fs}_{N =}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.

(17)

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)

(18)

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

(19)

(20)

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

(21)

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.

(22)

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

(23)

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

(24)

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

(25)

(26)



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.

(27)

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

(28)

Arsitektur Neural Network

(29)

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)

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

(31)

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)

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

(33)

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

(34)

Confusion Matrix Data Training

(35)

(36)

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%.

(37)

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.

(38)