IDENTIFIKASI SECARA SERENTAK KERUSAKAN MESIN MENGGUNAKAN INDEPENDENT COMPONENT ANALYSIS BERDASARKAN CONVOLUTIVE MIXTURE

Transkripsi

1 IDENTIFIKASI SECARA SERENTAK KERUSAKAN MESIN MENGGUNAKAN INDEPENDENT COMPONENT ANALYSIS BERDASARKAN CONVOLUTIVE MIXTURE SEPTIAN FIRMANDA DOSEN PEMBIMBING Dr.Dhany Arifianto,ST., M.Eng JURUSAN TEKNIK FISIKA FAKULTAS TEKNOLOGI INDUSTRI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2010

2 PENDAHULUAN Predictive Maintenance (PdM) mesin berputar sebelumnya: Thermografi Vibrasi Analisis Tribology usulan metode baru: Blind Source Separation (BSS)

3 Manfaat & Implementasi S1 S2 x1 x2 x3 ICA y1 y2 y3 I F #1 #2 #3 S3 Implementai BSS yang dalam mendeteksi kerusakan mesin yang dilakukan dalam kegiatan predictive maintenance (PdM)

4 Masalah & Tujuan Masalah Pemisahan sinyal suara melalu teknik Blind Source Separation (BSS) padaconvolutive Mixture untuk identifikasi pola kerusakan mesin secara serentak Tujuan Mampu merancang sebuah sistem pemisahan sinyal suara yang diemisikan oleh getaran mesin dengan teknik BSS padaconvolutive Mixture untuk identifikasi pola kerusakan mesin secara serentak

5 Penelitian Sebelumnya Linier Predictive Cepstrum (LPC) Single Motor Fuad Hasan (2002) Instantaneous Frequency Single Motor Rifqi Anda (2006) Real Plant Single Motor Yuniar Ramadana (2007) BSS Multi Motor Bagus Tris Atmaja (2009) BLIND SOURCE SEPARATION UNTUK CONVOLUTIVE MIXTURE DALAM APLIKASI PENGIDENTIFIKASIAN SERENTAK KERUSAKAN MESIN SEPTIAN FIRMANDA (2010) Keterangan : = Penelitian Sebelumnya = Yang sedang dilakukan

6 Blind Source Separation (BSS) Untuk Convolutive Mixture Setiap elemen dari matrik pencampur dan matriks pemisah dalam model BSS convolutive mixture bukan dalam skalar dalam BSS instan model Model diatas dipertimbangkan guna mengatasi efek dari multi jalur penangkapan sinyal dan delay dalam perambatan sinyal yang terjadi

7 ICA DEMO: Pemisahan Suara ICA!?!!! Black!?!!! Box Sources Sensors Independent Components

8 Microphone Array Dalam penyusunan array harus diperhatikan sudut datang untuk frekuensi yang harus ditangkap dan arah yang tidak diinginkan karena mempengaruhi lambat atau tidaknya cuplikan sinyal, jika syarat diatas gagal, maka akan terjadi spatial aliasing Keterangan: D = jarak antar mikrofon λ min = panjang gelombang minimum

9 Batasan Kondisi Mesin Normal Misalignment Bearing Fault Unbalance

10 Metodologi Penelitian A) Perekaman Multichannel melalui software Adobe Audition 1.5 yang disimpan dalam.wav (PCM), frekuensi sampling Hz, mono, dan 16 bit. B) Pengolahan sinyal suara yang terdiri dari pencampuran (Convolutive Mixture), proses ICA untuk pemisahan, penentuan sinyal estimasi, dan plotting frekuensi sesaat. Analisa dalam domain waktu, frekuensi, dan gabungan keduanya. S 1 S 2 x 1 x 2 x 3 ICA y 1 y 2 y 3 I F #1 #2 #3 S 3

11 Teknik Pengambilan Data 2 mikrofon 2 pompa 3 mikrofon 3 pompa

12 Flowchart Penelitian Mulai Rancang Bangun Machinery Fault Simulator Pengambilan Data Pencampuran Sinyal Suara Dengan Convolutive Mixture Pemisahan Sinyal Suara Dengan Menggunakan ICA Suara Terpisah Tidak Ya Analisa Pola Suara Dengan Frekuensi Sesaat Deteksi Kerusakan Mesin Selesai

13 No Jadwal Kegiatan Progam Bulan1 Bulan II Bulan III Bulan IV Bulan V 1 Pembuatan dan Perakitan Hardware a) Perakitan Machinery Simulator b) Perakitan Sensor Mic 2 Eksperimen dan pengembalian data 3 Analisa Data (sinyal suara) 4 Penyusun laporan

14 Daftar Pustaka [1] Anda, AR, Penggunaan Frekuensi Sesaat Untuk Deteksi Pola Suara Kerusakan Motor Listrik, Tugas Akhir, ITS, [2] Tris Atmaja, Bagus. Pemisahan Banyak Sumber Suara Mesin Dari Microphone Array Dengan Metode Independent Componen Analysis (ICA) Untuk Deteksi Kerusakan, Tugas Akhir, ITS, 2008 [3] Aichner, R., Araki, S., Makino, S., Time Domain Blind Source Separation Of Non-Stasionary Convolved Signal By Utilizing Geometric Beamforming, Nara Institute of Science and Technology. [4] A. Ypma, Blind Source Separation of rotating machine source: bilinear forms and convolutive mixtures, Elsevier Neurocomputing 29, [5] Araki, S., Makino, S., Mukai, R., Nishikawa, T., Saruwatari, H., Fundamental Limitation Of Frequency Domain Blind Source Separation For Convolved Mixture Of Speech, Nara Institute of Science and Technology. [6] A, Jèrôme, 2005, Blind Separation Of Vibration Components: Principles and Demon strations, Universitè de Technology de Compiègne. [7] A. Hyvärinen, and H Erkki, Independent Component Analysis:Algorithm and Applications, Helsinki Univ. Of Tech, [8] SC. Douglas, Microphone Array: BSS of Acoustic Signal, (Bredstein-D.Ware, Eds.). Berlin: Springer Inc, [9] ML. Seltzer and L Mitchel, Microphone Array Processing for Robust Speech Recognition, PhD Thesis,Carnegie Mellon University, [10] BT. Atmaja, D. Arifianto, Machinery fault diagnosis using Independent Component Analysis (ICA) and Instantaneous Frequency (IF), Proc. ICICI-BME pp , Bandung, Indonesia [11] BT. Atmaja, D. Arifianto, Blind sound separation using Frequency-domain and Time-domain Independent Component Analysis For Machines Fault Detection, Proc. ICACSIS 2009, accepted & presented [12] BT Atmaja, AS Aisyah, D. Arifianto, Machines Sound Separation using Independent Component Analysis For Fault Detection,Indonesian Journal on Computer Science, Nov. 2009, submitted