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 karakteristik mengindikasikan kondisi suatu motor di samping karakteristik getaran.
Penyimpangan pada suara motor dari kondisi normal
kemungkinan tinggi menyatakan adanya kerusakan pada motor.
Pada umumnya, pola pengenalan atau identifikasi didasarkan dari informasi karakteristik spektrum frekuensi atau dengan kata lain melalui pengamatan visual.
ANFIS merupakan metode yang memiliki kemampuan dalam
menirukan sistem pengambilan keputusan seperti halnya pada otak manusia (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 predominant
pada 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.
1
20
1
N j knxx k
n
P x n e
N
2 , 0,1,..., 1
k
k k 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 A
1) and ( y is B
1) then ( f
1= p
1x+q
1y+r
1)
Rule 2: If ( x is A
2) and ( y is B
2) then ( f
2= p
2x+q
2y+r
2)
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
Nama Frekuensi Dasar
Frekuensi Dominan 1
Frekuensi Dominan 2 Nilai 43.07 Hz 990.53 Hz 1809 Hz Nilai 43.07 Hz 990.53 Hz 1809 Hz
Kondisi Operasi
Jumlah Data Training
Jumlah Data Checking
Kode Kerusakan
Normal 25 25 100
Unbalance 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 Number
Training RMSE RMSE No
Number of MF (Input 1)
Number of MF (Input 2)
Number of MF (Input 3)
Training Epochs
RMSE Training
RMSE Checking
1 3 3 3 30 0.080963 23.295900
2 3 3 4 1 0.047213 141.422000
3 3 4 3 1000 0.000552 142.379000
4 3 4 4 197 0.000978 142.139000
5 4 3 3 1 0.000214 141.421000
6 4 3 4 62 0.000482 141.421000
7 4 4 3 1000 0.000486 142.397000
8 4 4 4 327 0.001096 142.172000
METODOLOGI PENELITIAN
Perancangan Sistem Identifikasi
Hasil Perancangan dengan Fungsi Kenggotaan : trapezoidal
Number Number Number
Training RMSE RMSE No
Number of MF (Input 1)
Number of MF (Input 2)
Number of MF (Input 3)
Training Epochs
RMSE Training
RMSE Checking
1 3 3 3 1 0.000013 158.081000
2 3 3 4 11 0.000015 158.081000
3 3 4 3 42 0.002934 141.437000
4 3 4 4 12 0.000082 141.437000
5 4 3 3 111 0.001244 158.081000
6 4 3 4 70 0.003909 158.081000
7 4 4 3 164 0.004591 141.435000
8 4 4 4 77 0.003904 141.436000
METODOLOGI PENELITIAN
Perancangan Sistem Identifikasi
Hasil Perancangan dengan Fungsi Kenggotaan : gaussian
Number Number Number
Training RMSE RMSE No
Number of MF (Input 1)
Number of MF (Input 2)
Number of MF (Input 3)
Training Epochs
RMSE Training
RMSE Checking
1 3 3 3 437 0.000003 0.010728
2 3 3 4 10 0.016119 139.029000
3 3 4 3 1 0.016202 14.492200
4 3 4 4 8 0.021049 141.330000
5 4 3 3 190 0.000031 0.004153
6 4 3 4 76 0.009524 92.156800
7 4 4 3 147 0.001698 12.022700
8 4 4 4 89 0.004496 126.735000
METODOLOGI PENELITIAN
Perancangan Sistem Identifikasi
Hasil Perancangan dengan Fungsi Kenggotaan : generalized bell
Number Number Number
Training RMSE RMSE No
Number of MF (Input 1)
Number of MF (Input 2)
Number of MF (Input 3)
Training Epochs
RMSE Training
RMSE Checking
1 3 3 3 706 0.000027 0.000026
2 3 3 4 31 0.013424 3.268750
3 3 4 3 210 0.000381 0.499514
4 3 4 4 79 0.012599 4.549290
5 4 3 3 280 0.000022 0.000022
6 4 3 4 970 0.002213 0.042639
7 4 4 3 314 0.000447 0.650520
8 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 dari frekuensi dasar, nilai peak dari frekuensi harmonik ke-2, nilai peak dari frekuensi harmonik ke-3. Masing-masing memiliki 4, 3, 3 jumlah fungsi 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 jenis
motor 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 unbalance dan/atau jenis-jenis bearing defect, maupun jenis kerusakan lain.
dan/atau jenis-jenis bearing defect, maupun jenis kerusakan lain.
