IDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Seminar Tugas Akhir O L E H : 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 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 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 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. 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. P xx N 1 1 j k n k N n 0 x n e 2 2 k k, k 0,1,..., N 1 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 1 x+q 1 y+r 1 ) Rule 2: If ( x is A 2 ) and ( y is B 2 ) then ( f 2 = p 2 x+q 2 y+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 Frekuensi Frekuensi Frekuensi Nama Dasar Dominan 1 Dominan 2 Nilai 43.07 Hz 990.53 Hz 1809 Hz Deskripsi Pembagian Set Data untuk masing-masing Kondisi Kondisi Operasi Jumlah Data Training Jumlah Data Checking Kode Kerusakan Normal 25 25 100 Unbalance 25 25 200 Total 50 50
METODOLOGI PENELITIAN Perancangan Sistem Identifikasi Hasil Perancangan dengan Fungsi Kenggotaan : triangular No Number Number Number Training RMSE RMSE of MF of MF of MF Epochs Training Checking (Input 1) (Input 2) (Input 3) 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 No Number Number Number Training RMSE RMSE of MF of MF of MF Epochs Training Checking (Input 1) (Input 2) (Input 3) 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 No Number Number Number Training RMSE RMSE of MF of MF of MF Epochs Training Checking (Input 1) (Input 2) (Input 3) 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 No Number Number Number Training RMSE RMSE of MF of MF of MF Epochs Training Checking (Input 1) (Input 2) (Input 3) 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 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 ratarata 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.