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 Dr.Eng. I Made Yulistya Negara, ST., M.Sc
DAFTAR ISI PENDAHULUAN TEORI DASAR PERANCANGAN SISTEM KLASIFIKASI HASIL PENGUJIAN DAN ANALISIS KESIMPULAN Latar Belakang Vibrasi Motor Spesifikasi FFT Plot Matlab Tujuan Fast Fourier Transform (FFT) Karakteristik Spektrum Confusion Matrix Neural Network (NN) Data Training dan Testing Spesifikasi NN 2
PENDAHULUAN Latar Belakang Pemeliharaan prediktif motor dengan pengukuran vibrasi 3
Alur Pemeliharaan Prediktif Motor Pengukuran vibrasi motor Tren data vibrasi digunakan untuk menilai kondisi motor Jika terindikasi ada kerusakan segera dilakukan perbaikan 4
Klasifikasi Kerusakan Motor Berdasarkan Spektrum Vibrasi 5
TEORI DASAR Parameter Vibrasi Displacement Velocity Acceleration Sudut fase Frekuensi Waktu 6
Satuan Frekuensi Vibrasi Hertz (Cycles per Second) CPM (Cycles per Minute) >> vibrasi RPM (Rotations per Minute) >> putaran motor 1 Hz = 60 CPM 7
Alat Ukur Vibrasi di PT Petrokimia Gresik CSI 2130 Machinery Health Analyzer Software : AMS Suite Machinery Health Manager 8
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 (arah depan aksial) 9
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. 10
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. 11
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. 12
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 frekuensi tinggi dan bukan merupakan fungsi dari putaran. 13
Fast Fourier Transform (FFT) FFT >> Mengubah data sinyal vibrasi dari domain waktu menjadi spektrum dalam domain frekuensi 10 Sinyal Asli (Domain Waktu) Amplitudo 0-10 0 0.01 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09 0.1 Waktu 6 Spektrum Hasil FFT (Domain Frekuensi) Magnitudo 4 2 0 0 50 100 150 200 250 300 350 400 450 500 Frekuensi 14
Neural Network Neural Network >> Mengklasifikasikan jenis kerusakan motor berdasarkan data spektrum vibrasi yang dimasukkan Data amplitudo spektrum Jenis kerusakan 15
PERANCANGAN SISTEM KLASIFIKASI Spesifikasi FFT Jumlah sampel data (N) = 1024 Waktu sampling (T) = 60 ms = 0.06 s Frekuensi sampling Fs = N T = 1024 0.06 = 17000 Hz Frekuensi maksimum (Fmax) = Fs 2 = 17000 2 Jumlah spectral lines = N 2 = 1024 2 = 512 Resolusi frekuensi (df) = Fs N = 17000 1024 = 16.6 = 8500 Hz 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. 16
Contoh Sinyal dan Spektrum Vibrasi Hasil FFT 20 Velocity (mm/s) 10 0-10 -20 0 10 20 30 40 50 60 Waktu (ms) 2.5 2 Amplitudo (mm/s) 1.5 1 0.5 0 0 50 100 150 200 250 300 350 400 450 500 Frekuensi (Hz) 17
Batas Vibrasi Normal (ISO-10816-1) Batas vibrasi yang digunakan adalah Kelas 1, sehingga yang masuk kondisi normal adalah data vibrasi dengan RMS velocity di bawah 4.5 mm/s 18
Karakteristik Spektrum Vibrasi Motor 19
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
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. 21
Target Neural Network Kondisi Kelas Matriks Target T 1 T 2 T 3 T 4 T 5 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 22
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 Squared Error) yang paling kecil. 23
Hasil MSE pelatihan dengan variasi jumlah neuron Jumlah neuron pada hidden layer kedua 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 Jumlah neuron pada hidden layer pertama 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 24
Hasil MSE pelatihan dengan variasi jumlah neuron 25
Dari tabel hasil MSE pelatihan diperoleh tiga kombinasi jumlah neuron yang menghasilkan nilai MSE terkecil yaitu 9-10 dan 19-10. Keduanya samasama 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. 26
Spesifikasi Neural Network Jumlah data input Input layer Hidden layer Output layer Fungsi aktivasi Fungsi pembelajaran data training = 40 buah data testing = 10 buah 513 neuron hidden layer 1 = 9 neuron hidden layer 2 = 10 neuron 5 neuron sigmoid bipolar (tansig) scaled conjugate gradient backpropagation (trainscg) Iterasi maksimal 100 Normalisasi input mapminmax Pembagian data pelatihan training = 85%; validation = 15% 27
Arsitektur Neural Network 28
Velocity (mm/s) Amplitudo (mm/s) HASIL PENGUJIAN DAN ANALISIS Kondisi Normal 5 0 Putaran motor = 3000 RPM = 50 Hz Waveform -5 0 10 20 30 40 50 60 Waktu (ms) 1.5 1 0.5 Spektrum 0 0 50 100 150 200 250 300 350 400 450 500 Frekuensi (Hz) HASIL KLASIFIKASI = NORMAL 29
Velocity (mm/s) Kondisi Unbalance Amplitudo (mm/s) 20 0-20 Putaran motor = 1500 RPM = 25 Hz Waveform -40 0 20 40 60 80 100 120 Waktu (ms) 15 10 5 Spektrum 0 0 50 100 150 200 250 300 350 400 450 500 Frekuensi (Hz) HASIL KLASIFIKASI = UNBALANCE 30
Velocity (mm/s) Kondisi Misalignment Amplitudo (mm/s) Putaran motor = 3000 RPM = 50 Hz 20 0 Waveform -20 0 10 20 30 40 50 60 Waktu (ms) 10 5 Spektrum 0 0 50 100 150 200 250 300 350 400 450 500 Frekuensi (Hz) HASIL KLASIFIKASI = MISALIGNMENT 31
Velocity (mm/s) Kondisi Looseness 20 0 Waveform -20 0 10 20 30 40 50 60 Waktu (ms) Amplitudo (mm/s) Putaran motor = 3000 RPM = 50 Hz 4 2 Spektrum 0 0 50 100 150 200 250 300 350 400 450 500 Frekuensi (Hz) HASIL KLASIFIKASI = LOOSENESS 32
Velocity (mm/s) Kerusakan Anti-Friction Bearing 40 20 0 Waveform -20 0 10 20 30 40 50 60 Waktu (ms) Amplitudo (mm/s) Putaran motor = 3000 RPM = 50 Hz 4 2 Spektrum 0 0 200 400 600 800 1000 1200 1400 1600 1800 2000 Frekuensi (Hz) HASIL KLASIFIKASI = KERUSAKAN ANTI-FRICTION BEARING 33
Confusion Matrix Data Training 34
Confusion Matrix Data Testing 35
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%. 36
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 Networkbased 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. [5] Sri Kusumadewi, Membangun Jaringan Syaraf Tiruan Menggunakan MATLAB dan Excel Link, Graha Ilmu, Yogyakarta, Bab. 4, 2004. 37
LOGO