PEMISAHAN BANYAK SUMBER SUARA MESIN MENGGUNAKAN ANALISIS KOMPONEN INDEPENDEN (ICA) UNTUK DETEKSI KERUSAKAN. B.T. Atmaja, A.S. Aisyah, dan D.

Transkripsi

1 PEMISAHAN BANYAK SUMBER SUARA MESIN MENGGUNAKAN ANALISIS KOMPONEN INDEPENDEN (ICA) UNUK DEEKSI KERUSAKAN B.. Atmaja, A.S. Aisyah, dan D. Arifianto Jurusan eni Fisia,Faultas enologi Industri, Institut enologi Sepuluh Nopember (IS) Kampus IS Suolilo, Surabaya bacguys@ep.its.ac.id, auliasa@ep.its.ac.id, dhany@ep.its.ac.id Abstra Pemeliharaan ondisi mesin di industri membutuhan ecepatan dan emudahan, salah satu metodenya adalah dengan analisis getaran. Getaran mesin menyebaban pola suara yang diemisian mesin, di mana suara mesin satu bercampur dengan mesin lainnya. Blind Source Separation (BSS) merupaan teni memisahan sinyal campuran berdasaran sifat ebebasan statisti antar sumber. Melalui simulasi dengan beberapa motor dan susunan mirofon sebagai sensor didapatan data suara campuran dari beberapa motor yang teream melalui tiap mirofon, di mana intensitas sinyal yang diterima mirofon berbeda satu sama lain, tergantung pada jara dan sudut datangnya. ujuan penelitian ini adalah untu memisahan sinyal campuran dari tiap mirofon sehingga didapatan sinyal estimasi sumber untu mendetesi erusaan motor. Berdasaran hasil penelitian diperoleh pemisahan sinyal terbai dalam ime-domain ICA. Sinyal estimasi tersebut dianalisis untu menentuan ondisi erusaan mesin berdasaran pola freuensi sesaatnya. Kata unci: ICA, detesi erusaan, sinyal suara 1. Pendahuluan Strategi dalam dunia pemeliharaan di industri mulai mengarah pada predictive maintenance (PdM). PdM memonitor peralatan berdasaran ondisi peralatan tersebut sehingga teni ini disebut pula condition monitoring. Ada beberapa metode yang digunaan dalam PdM, antara lain analisis vibrasi, termografi, tribologi, dan motor current. Menurut operator di lapangan, analisis vibrasi merupaan metode yang paling handal dalam menentuan erusaan mesin. Perubahan terhadap parameter sinyal vibrasi (amplitudo, freuensi dan fase) bisa didetesi sebagai elainan ondisi mesin terhadap ondisi normal. eni inilah yang banya digunaan di industri untu pemeliharan peralatannya. Perubahan parameter getaran juga mengaibatan perubahan terhadap parameter suara yang diemisian mesin. Hal ini disebaban arena suara yang ditimbulan mesin berasal dari mesin tersebut. Ini berlau secara umum. Dengan mengetahui arateristi suara mesin normal dan abnormal maa dapat dibangun suatu metode pemeliharaan berdasaran analisis pola suara. Pada penelitian sebelumnya (Hasan, 22; Anda, 26; Rahmadana, 27) telah berhasil dilauan analisis sinyal suara mesin dari satu mesin dengan menggunaan satu mirofon sebagai sensornya. Namun, enyataannya mesin yang digunaan di industri tidalah tunggal tetapi lebih dari satu mesin. Suara dari mesin satu aan bercampur dengan mesin lainnya. Untu mengembangan metode pemeliharaan dengan analisis pola suara maa dibutuhan metode untu memisahan sinyal suara antar mesin tersebut, sehingga nantinya didapatan sinyal estimasi sumber suara mesin yang dapat dianalisis untu menentuan ondisi mesin. Pada maalah ini aan dipaparan hasil penelitan yang telah dilauan tentang pemisahan sinyal suara dari banya mesin untu detesi erusaan. Metode pemisahan yang digunaan adalah independent component analysis (ICA) berdasaran pada jurnal [1,3,4]. Penulisan maalah ini diawali dengan latar belaang penelitian, penelitan yang telah dilauan sebelumnya, teori yang digunaan pada penelitian ini, metode penelitian yang digunaan, hasil dan analisis data serta esimpulan dari penelitian yang telah dilauan. Hasil penelitian ini diharapan mampu mengembangan permasalahan pada penelitian sebelumnya serta berelanjutan untu mengembangan metode baru pemeliharaan mesin berdasaran analisis pola suara. Jurnal Ilmu Komputer dan Informasi, Volume 3, Nomor 1, ISSN

2 Pemisahan Banya Sumber Suara Mesin Menggunaan Analisis Komponen Independen (ICA) untu Detesi Kerusaan 2. injauan Pustaa 2.1. Analisis Komponen Independen (ICA) Suatu ejadian diataan bebas secara statisti bila ejadian tersebut tida behubungan satu sama lain. Secara matemati, peluang antar ejadian tersebut merupaan peralian tiap ejadian tersebut, p( y, y ) p( y ). p( y ) (1) Bila ada sumber-sumber yang bebas secara statisti, maa aturan di atas juga berlau. Sinyal teruur sensor dari sinyal yang diemisian sumbersumber yang bebas secara statisti dapat dinyataan, x a s a s a s j j 1 1 j jn n (2) Di mana x menyataan sinyal teruur sensor, s menyataan sumber dan a merupaan matri pencampur yang tida dietahui. Persamaan di atas merupaan ide dasar analisis omponen independent (independent component analysis-ica). Persamaan di atas dapat disederhanaan menjadi model ICA sebagai beriut. x = As (3) Bila proses pencampuran sinyal emisi sumber berlangsung secara sesaat (instantaneous) model di atas dapat ditulisan dalam domain freuensi sebagai beriut, x ( ) = A( ). s( ) (4) Apabila proses berlangsung secara onvolusi, maa model ICA dapat diformulasian ulang dalam domain watu, x ( t) = A s( t) (5) Model ICA yang dinyataan dalam Persamaan 5 di atas melibatan operasi peralian onvolusi, berbeda dengan model ICA dalam domain freuensi yang hanya dialian secara dot product. ujuan dari model ICA adalah mencari sinyal estimasi y yang ditentuan oleh, y x (6) di mana =A -1. Proses pemisahan sinyal dengan model ICA dapat digambaran dengan blo diagram beriut. S Unnown mixing system A X Separation system n m n Gambar 1. Proses ICA Permasalahan pada model ICA adalah mencari filter pemisah, pemilihan filter yang tepat dan optimal aan memengaruhi ualitas sinyal estimasi. y Beberapa algoritma aan diterangan pada subbab beriutnya untu optimasi ICA Optimasi ICA Ada beberapa algoritma ICA yang digunaan. Masing-masing algoritma memilii elebihan satu sama lain, dan dari tahun e tahun algoritma ini terus disempurnaan. Beberapa algoritma untu optimasi ICA adalah sebagai beriut: Infomax Algoritma infomax mendeati model ICA berdasaran fungsi nonlinear. Pada algoritma ini, bobot filter pemisah ditentuan sebagai beriut: J( ) 1 f ( u ) x (7) Dengan μ adalah besar langah positif f(u)=[f(u1).f(u2) f(un)], dimana u=.x merupaan fungsi sebelum nonlinearitas Natural Gradient Amari, Chicoci dan Yang (1996) mengusulan untu memodifiasi besar pembobotan filter pemisah pada algoritma Infomax dengan mengalian fungsi tersebut dengan. Sehingga besar pembobotan baru menjadi, J( ) 1 I f ( u ) u (8) Algoritma diatas lebih cepat onvergen daripada infomax, algoritma ini dienal dengan natural gradient FastICA Algoritma fastica memodelan ICA dengan pendeatan non-gaussianity yang didasaran pada negentropy dengan iterasi titi tetap (fixed-point). Algoritma ini dapat pula dideati dengan iterasi Newton yang menghasilan persamaan yang sama pula. Aturan pembobotan filter pemisah pada algoritma FastICA ditentuan sebagai beriut, + E{ xg( w x)} βw w = w E{ g '( wx)} β x (w x) ' E g E g (w x) w (9) Fungsi g merupaan turunan dari fungsi ontras. Algoritma FastICA ini dienal lebih cepat onvergen dari algoritma-algoritma sebelumnya. 1 Jurnal Ilmu Komputer dan Informasi, Volume 3, Nomor 1, ISSN

3 B. Atmaja, A.S Aisyah, dan D. Arifianto 3. Metodologi Penelitian ahapan yang digunaan pada penelitian ini dapat dibagi menjadi tiga tahap, setelah dilauan studi literatur. Pertama, pengambilan data melalui pereaman multianal. Kedua, pemisahan sinyal suara mesin dan etiga adalah detesi erusaan mesin berdasaran analisis pola suara dengan freuensi sesaat. Pengambilan data pada penelitian ini dilauan dengan pereaman multianal sinyal suara yang diemisian motor. iap-tiap mirofon aan menerima sinyal dari tiap motor dengan ondisi tertentu. Mirofon yang lebih deat dengan salah satu motor aan menerima sinyal lebih uat dari motor tersebut dibanding sinyal suara dari motor lainnya. Berdasaran perbedaan jara dan sudut datang sinyal suara motor, aan dipilah sinyal tiap motor berdasaran sifat ebebasan statisti sinyal sumber. Pada Gambar 2, ditunjuan blo diagram pemisahan tiga sumber dari tiga sensor sedangan realisasi dalam bentu hardware ditunjuan oleh Gambar 3 yang juga merupaan sistem auisisi data melalui pereaman multianal dari mirofon dan tiga motor. tiap mirofon pada penelitian ini dapat dibagi menjadi empat metode sebagai beriut: DICA (ime domain ICA) FDICA (Frequency domain ICA) MSICA 1 (ime-frequency ICA) MSICA 2 (Frequency-ime ICA) Dari eempat metode tersebut aan dibandingan metode yang paling bai untu pemisahan sinyal suara mesin. Sinyal estimasi tersebut emudian digunaan untu mendetesi ondisi erusaan mesin berdasaran pola freuensi sesaatnya. Secara umum diagram alir tiap metode di atas pada penelitan ini dapat digambaran sebagai beriut. Start Input Data (x 1,x 2..x n) Mixing Data Sphering S1 A11 A12 A13 + x1 Rotating Konvergen tida S2 S3 Source A21 A22 A23 A31 A32 A Sensor Gambar 2. Blo Diagram Sistem Pereaman (3 Sumber-3 Sensor) x2 x3 Ouput Data (y 1,y 2..y n) End ya Gambar 4. Diagram Alir ICA Sphering merupaan suatu teni agar data input tida berorelasi atau dipasa untu berorelasi seminimal mungin. Setelah itu, data diputar (rotating) sehingga didapatan vetor data baru yang onvergen. Ilustrasi mengenai sphering dan rotating dari data matris pada analisis omponen independen dapat disajian seperti gambar di bawah. Gambar 3. Auisisi Data Metode pendeatan yang dipaai untu memisahan sinyal suara motor dari sinyal campuran Gambar 5. Sphering dan Rotating [5] Jurnal Ilmu Komputer dan Informasi, Volume 3, Nomor 1, ISSN

4 Misalignment Bearing Fault Pemisahan Banya Sumber Suara Mesin Menggunaan Analisis Komponen Independen (ICA) untu Detesi Kerusaan 4. Hasil dan Pembahasan Untu meminimalan bising latar belaang, penelitian ini dilauan di Ruang Kedap Suara, Laboratorium Austi eni Fisia IS. Adapun setting esperimen yang telah dilauan adalah seperti tampa pada gambar beriut. 3 m sinyal asli, sinyal tercampur dan sinyal estimasi sebagai beriut. 2 x x x x x x Gambar 8. Perbandingan Sinyal Asli & Estimasi DICA x 1-3 x cm 3 cm 3,5 m Analisis dalam domain watu untu identifiasi sinyal estimasi terhadap sinyal asli sangat sulit dilauan (Gambar 8). Pola freuensi sesaat digunaan untu identifiasi sinyal estimasi ini untu menentuan ondisi erusaan dari sinyal yang bersangutan. S1 S2 S3 3 cm 5 5 Gambar 6. Setting Esperimen di Ruang Kedap F IS Dari proses pereaman multianal aan didapatan jumlah sinyal sesuai dengan jumlah sensor (mirofon). Sinyal suara mesin diream dengan tipe file.wav, 16 bit, mono, dan PCM. Untu mengidentifiasi sinyal estimasi, terlebih dahulu harus dietahui sinyal asli dari tiap ondisi erusaan. Sinyal asli dari tiap ondisi ini di-plot dalam spetrogram untu dicari pola freuensi sesaatnya: a. Normal b. Unbalance c. Misalignment d. Bearing Fault Gambar 7. Spetrogram Sinyal Asli Selanjutnya, sinyal tercampur dari tiap-tiap mirofon diproses untu dipisahan dengan metode ICA. Pada pereaman dengan dua mirofon-dua motor untu ondisi bearing fault dan misalignment diperoleh data a. Sinyal Asli b. Sinyal Estimasi Gambar 9. Pola Freuensi Sesaat Sinyal Asli & Estimasi DICA Analisis pola freuensi sesaat memperlihatan pola-pola yang antara sinyal estimasi dan sinyal asli, sehingga dapat diidentifiasi bahwa sinyal pertama merupaan ondisi bearing fault dan sinyal edua merepresentasian ondisi misalignment. Pada domain freuensi, sinyal suara mesin dalam domain watu ditransformasi Fourier (Fast Fourier ransform-ff) sehingga didapatan didapatan sinya campuran dalam domain freuensi. Sinyal campuran dalam domain freuensi ini emudian dipisahan dengan frequency domain ICA (FDICA). Output dari FDICA emudian ditransformasi bali dalam domain watu (IFF) untu mengetahui hasil pemisahannya Jurnal Ilmu Komputer dan Informasi, Volume 3, Nomor 1, ISSN

5 B. Atmaja, A.S Aisyah, dan D. Arifianto f (t) Untu membandingan antar metode, maa nilai parameter di atas diset sama untu semua metode. Kualitas pemisahan pada penelitian ini dinilai pada arah overgensi (angle) pada iterasi eseratus serta nilai signal to noise ratio (SNR) dari sinyal estimasi. G j FF IFF abel 2. Perbandingan Hasil Numeri dari Beberapa Metode Pemisahan yang digunaan Metode Angle SNR DICA FDICA MSICA 1. & MSICA 2.4 & Gambar 1. FF dan IFF Metode etiga dan eempat pada penelitian ini merupaan gabungan dari time-domain dan frequency-domain ICA. Pada metode etiga (MSICA 1) digunaan time-domain lebih dahulu emudian frequency-domain ICA sedangan medote eempat (MSICA 2) merupaan ebaliannya. Dengan metode FDICA dan MSICA 1 (ime-frequency ICA) diperoleh sinyal estimasi seperti ditunjuan oleh gambar a. FDICA b. MSICA 1 Gambar 11. Sinyal Estimasi FDICA dan MSICA 1 Dari gambar di atas, dapat dilihat bahwa sinyal estimasi FDICA dan MSICA 1 tida lebih bai dari DICA. Begitu juga dengan hasil pemisahan sinyal dengan MSICA 2. Nilai numeri parameter dan ualitas hasil pemisahan sinyal suara mesin pada penelitian ini dapat dilihat pada tabel di bawah. abel 1. Nilai Parameter Pemisahan Parameter Kondisi Besar Langah.1 Blo Proses 3 Jumlah Iterasi 1 Uji performansi hasil sinyal estimasi dengan menggunaan parameter SNR menunjuan hasil yang berbeda dengan ualitatif sinyal sebenarnya. Metode DICA yang secara ualitatif menghasilan sinyal estimasi lebih bai dari etiga metode lainnya justru memilii nilai SNR terendah. 5. Kesimpulan Berdasaran penelitian yang telah dilauan tentang pemisahan sinyal suara dari bebera motor listri, dapat diambil beberapa seimpulan sebagai beriut: 1. elah berhasil dipisahan sinyal suara dari beberapa motor metode Independent Component Analysis (ICA) dengan Algoritma Natura Gradient yang memberian hasil pemisahan terbai pada domain watu (DICA). 2. Kondisi erusaan mesin dapat didetesi dari analisis pola suara menggunaan freuensi sesaat. Pada penelitian ini, ondisi mesin normal memilii freuensi 51 Hz, antara 1-13 Hz, 177 Hz dan 265 Hz, unbalance pada freunsi 46 Hz,1 Hz, 177 Hz dan 199 Hz, misalignment pada freuensi normal ditambah pada freuensi 34 Hz, 51 Hz dan 53 Hz dan bearing fault pada freuensi 73 Hz, 25 Hz dan 35 Hz. Pada penelitian selanjutnya dapat diembangan jenis erusaan mesin, onsistensi terhadap hasil penelitan ini serta implementasi pada algoritma ICA yang lain. Studi mengenai arateristi suara mesin diharapan mampu meningatan eandalan metode ini dengan memodelan filter pemisah yang lebih bai. Uji performa juga dapat dijadian tugas yang dapat diselesaian pada penelitian selanjutnya. 6. Ucapan erima Kasih Ucapan terima asih penulis sampaian pada Dirjen Perguruan inggi (DIKI), Departemen Jurnal Ilmu Komputer dan Informasi, Volume 3, Nomor 1, ISSN

6 Pemisahan Banya Sumber Suara Mesin Menggunaan Analisis Komponen Independen (ICA) untu Detesi Kerusaan Pendidian Nasional Republi Indonesia yang telah membiayai penelitian ini dalam program reativitas mahasiswa bidang penelitian (PKMP) tahun 29. Serta epada Kepala Laboratorium Austi eni Fisia IS yang telah mengizinan penulis untu melauan penelitian di tempat tersebut. REFERENSI [1] S. Amari, Natural Gradient ors Efficiently in Learning, Saitama RIKEN, [2] D. Arifianto. Fundamental Frequency Estimation and Voiced / Unvoiced Determination Using Instantaneous Frequency, Doctoral Dissertation, Department of Information Processing. oyo Institute of echnology, 25. [3] AJ Bell, dan J Sejnowsi. he Independent Components of Natural Scene are Edge Filters, Submitted to vission research. [4] A. Hyvärinen, dan H. Eri, Independent Component Analysis: Algorithm and Applications, Neural Networ Research Group, Helsini Univ. Of ech, 2. [5] N Ieda dan N Murata, A method of ICA in ime and Frequency Domain. RIKEN Brain Science Institute, Japan. 14 Jurnal Ilmu Komputer dan Informasi, Volume 3, Nomor 1, ISSN