ANALISIS PROTEKSI VIBRASI PADA POMPA SENTRIFUGAL DENGAN

MENGGUNAKAN FAST FOURIER TRANSFORM DAN NEURAL NETWORK

Moh. Ishak 1), Dr. Moch. Rivai ST, MT 2), Dr Tri Arief Sardjono, ST, MT 3)
1)
Politeknik Caltex Riau
Email : ishak09@mhs.ee.its.ac.id
2,3)
Intitut Teknologi Sepuluh Nopember (ITS)
Email : muhammad_rivai@ee.its.ac.id sardjono@elect-eng.its.ac.id
Surabaya 60111,
INDONESIA
Pompa jenis sentrifugal sangat luas
penggunaannya di dunia industri termasuk di
industri perminyakan. Pompa sentrifugal
banyak berperan dalam peralatan yang penting
sehingga kerusakan pada pompa sentrifugal
akan mempengaruhi produksi.Dalam penelitian
ini, dibuat prototipe pompa sentrifugal untuk
melihat pola vibrasi terhadap jenis-jenis
kondisi abnormal dengan FFT dan neural
network. Ada tiga jenis kondisi abnormal yang
dibahas yaitu misalignment, unbalance dan
looseness. Dari hasil penelitian didapat bahwa
pada kondisi unbalance amplitudo frekuensi
putaran 3 kali amplitudo kondisi unfault pada
frekuensi yang sama. Untuk kondisi
misalignment, harmonik yang muncul pada
penelitian ini yaitu frekuensi harmonik ke 2.
Pada kondisi looseness, amplitudo frekuensi
dasar menjadi 2 kali nilai kondisi normal. Dan
tingkat keberhasilan neural network dalam
mendeteksi pola spektrum vibrasi mencapai
90%.
Kata kunci: Pompa injeksi sentrifugal, proteksi
vibrasi, misalignment, unbalance, looseness
1. Pendahuluan
Pompa sentrifugal merupakan pompa
yang sangat banyak penggunaanya di dunia
industri. Peranan pompa jenis ini banyak
melaksankan fungsi-fungsi yang vital di suatu
industri. Kegagalan fungsi pompa akan
menyebabkan tidak berfungsi suatu sistem
produksi. Hal ini dapat menyebabkan kerugian
dan kehilangan produksi.

Vibrasi merupakan salah satu hal utama

yang
menyebabkan
kerusakan
pompa
sentifugal. Sumber-sumber vibrasi sangat
banyak, misalnya keadaan pompa yang tidak
selurus
dengan
motor
penggeraknya
(misalignment). Untuk menghindari kerusakan
yang disebabkan oleh vibrasi, biasanya
dipasang alat pemantau vibrasi. Di dunia
industri saat ini, kebanyakan yang dipasang
adalah yang memonitor vibrasi sesaat tanpa
melihat sumber dan pola vibrasi yang muncul.
Melalui penelitian ini, akan dilihat
beberapa pola vibrasi yang tejadi pada pompa
sentrifugal. Ada empat pola vibrasi yang akan
diteliti yaitu unfault, unbalance, looseness dan
misalignment. Algoritma yang akan digunakan
adalah fast fourier transform (FFT) dan neural
network.
2. Metode Penelitian
Metode yang digunakan dalam penelitian
ini meliputi pembuatan prototipe untuk
identifikasi pola vibrasi secara on-line
mengunakan neural network.
2.1 Perancangan Sistem
Diagram blok sistem yang dirancang
terdiri dari sensor accelerometer, A/D
converter, FFT, neural network dan hasil
Identifikasi kondisi vibrasi seperti yang tampak
pada gambar 2.1.

Gambar 2.1 Diagram Blok Identifikasi pola

vibrasi on-line

satuan tegangan). Kemudian hasil dalam satuan

mV dikalikan dengan 0,0327 m/s^2. Sehingga
tampilan sinyalnya adalah dalam satuan
percepatan. Sinyal yang dikeluarakan oleh
mikrokontroller ini berupa sinyal dalam fungsi
waktu (domain waktu). Hasil keluaran dari A/D
converter ini ditampilkan dalam bentuk grafik
dibawah ini.

2.1.1 Sensor Accelerometer

Sensor yang digunakan dalam penelitian
ini adalah accelerometer ADXL330. Sensor ini
mengukur percepatan dari suatu peralatan.
Keluaran dari sensor berupa tegangan DC
dengan jangkauan 0~3,3 VDC. Setiap 300mV
keluaran sensor setara dengan 1g (9,8 m/ ).
Sehingga 1 mV = (9,8m/ )/300 = 0,0327
m/ . Saat pengukuran, sensor diletakan
tegaklurus terhadap poros pada sisi inboard
motor (dekat kopling).
2.1.2 A/D Converter
ADC yang digunakan adalah ADC
internal dari Mikrokontroller Atmega8535
dengan resolusi 10 bit. Hasil konversi ADC
dapat dihitung dengan rumus sebagai berikut:
hasil Konversi ADC 10bit = Vin/Vref x 1024
dimana :
Vin = tegangan masukan mikrokontroller

Gambar 2.2 Sinyal domain waktu keluaran

mikrokontroller
Sinyal
domain
waktu
akan
dikonversikan ke domain frekuensi dengan
persamaan dasar dari FFT berikut.
X(k) = N

x n WN

(2.1)

dimana :
n, k, N adalah integer
k = 0,1,2,3,.....,N-1
J= 1
=e

/N

=Cos

j Sin

Vref= tegangan reference (5 Vdc)

sehingga :
Nilai output yang dihasilkan adalah dari 0
sampai 1024 (10 bit = 2^10 = 1024). Juga dapat
dihitung nilai dari 1 bit yaitu : nilai 1 bit = (5
VDC)/1024 = 0,00488 Vdc = 4,88 mVdc.
Baudrate yang digunakan adalah 115200 bps.
2.1.3 FFT (Fast Fourier Transform)
Nilai keluaran mikrokontroller akan
dibaca oleh komputer dengan menggunakan
pemrograman delphi7. Nilai LSB dan MSB
yang diterima oleh komputer kemudian akan
dijumlahkan dan dikalikan dengan 0,00488
Vdc (4,88 mV) (dikonversikan kembali ke

WN
(2.4)

/N

Cos

jsin

karena
x(n)=xr(n)+jxI (n)
bisa
bernilai
kompleks, dan X(k) = XR(k) + jXI(k) maka :
XR(k)=

xr n cos

XI(k)=

xr n sin

N
N

xI n sin
xI n cos

Magnitude pada domain frekuensi dapat

dihitung berdasarkan persamaan berikut ini :

|X k | real
XI k
XR k

imaginer

Proses FFT dilakukan setiap 1000 data

masukan domain waktu. Adapun flow chart
untuk proses FFT adalah seperti gambar 2.3.
Tampilan grafik dalam fungsi frekuensi
seperti gambar 2.4. Dalam domain frekuensi
jika semua data ditampilkan maka frekuensi
sebelah kanan sebagai pencerminan frekuensi
sebelah kiri, dalam hal ini yang ditampilkan
bagian kanan saja.

kemudian akan menjadi data masukan pada

neural network. Adapun arsitektur neural
network pada penelitian ini untuk pembacaan
online adalah seperti gambar 2.6.

Gambar 2.5 Grafik domain frekuensi

Gambar 2.3 Flow chart Proses FFT dengan sample

data vibrasi 1000 data

Gambar 2.6 Arsitektur neural network dalam

penelitian ini

Untuk nilai keluaran neural network (target)

akan mengacu kepada Tabel 2.1.
Tabel 2.1 Hubungan pola vibrasi dan target
untuk neural network
Pola Vibrasi
Unfault (Normal)
Unbalance (Ketidakseimbangan)
Looseness (Longgar/Kendur)
Misalignment (Ketidaklurusan)

Gambar 2.4 Grafik sinyal dalam domain frekuensi.

2.1.4 Neural Network

Proses FFT akan menghasilkan data
frekuensi (f0 sampai f500). Data-data frekuensi
ini kemudian akan dilewatkan melalui proses
neural network untuk menentukan pola vibrasi
yang terjadi. Jika digambarkan secara umum
grafik frekuensi akan tampak seperti gambar
2.5.
Dari grafik ini tampak bahwa ada 500
nilai frekuensi (f0 ~ f500). Nilai-nilai ini

Yo
1
0
0
0

Target
Y1
Y2
0
0
1
0
0
1
0
0

Y3
0
0
0
1

Persamaan yang digunakan dalam

neural network ini pada setiap layer adalah
sebagai berikut.
Persamaan umum :
Persamaan umum :
Output
y

N w i

(2.2)
x i

bias

(2.3)

Untuk nilai-nilai bobot yang digunakan adalah

hasil pembelajaran yang dilakukan dengan NN
backpropagation secara terpisah.
2.1.5

Pembelajaran
Backpropagation

dengan

NN

Gambar 2.8 adalah blok diagram untuk

proses pembelajaran neural dan dapat dilihat
bahwa data-data frekuensi yang akan dijadikan
sebagai acuan pembelajaran dimasukan dalam
pemrograman back propagation NN dan
akhirnya akan menghasilkan bobot dan bias.

Data masukan
frekuensi

o 1[j]:=1/(1+exp(-temp))
o 2[j]:=1/(1+exp(-temp));
o 3[j]:=1/(1+exp(-temp));

MULAI

Masukan data
spektrum frekuensi

Menentukan
matrik Target

Menentukan nilai Parameter

NN :
- Set jumlah iterasi
- Menentukan jumlah hidden
layer

Pelatihan NN menggunakan
Back Propagation. Algoritma
training : gradient descent
backpropagation with
adaptive learning rate;
Transfer function : sigmoid

MSE < 0.001

Hasil Identifikasi Pola

Vibrasi : Unfault,
Unbalance, Looseness
atau Misalignment

Gambar 2.7 Flow chart proses neural network untuk

identifikasi pola vibrasi

Tidak

Ya
Simpan bobot dan
bias

SELESAI

Gambar 2.9 Flow chart pembelajaran NN

2.2 Metode Pengambilan Data

Gambar 2.8 Blok diagram proses pembelajaran NN

2.2.1 Model kondisi Unfault (Kondisi

normal)
Kondisi Unfault atau kondisi normal
didefinisikan sebagai kondisi normal operasi
pompa dan pompa dapat beroperasi secara
kontinyu. Salah satu ciri kondisi ini yaitu
kopling pompa dpat dengan mudah diputar
secara manual dengan tangan.

2.2.2
Model
kondisi
(Ketidakseimbangan)

Unbalance

Kondisi unbalance yaitu kondisi dimana

terjadi ketidakseimbangan pada poros pompa
atau motor ketika berputar. Berikut ini adalah
gambar posisi-posisi baut pada base pompa dan
motor pada prototipe penelitian ini.

Gambar 2.12 Base pompa saat Unbalance kondisi 1

Gambar 2.13 Base pompa saat Unbalance kondisi 2

Gambar 2.10 Hubungan kopling pompa dan motor
saat Unfault
Gambar 2.14 Base pompa saat Unbalance kondisi 3

Gambar 2.11 Posisi baut pada prototipe base pompa

dan motor

Motor akan dikondisikan unbalance

dengan cara menaikan satu atau dua titik pada
base motor. Hal ini dilakukan dengan cara
pengaturan putaran baut.
-Kondisi 1 : Base motor dinaikan pada baut
no.1 sebanyak 1 putaran baut (2mm)
-Kondisi 2 : Base motor dinaikan pada baut
no.1 sebanyak 1 putaran baut (2mm) dan pada
baut no.2 sebanyak 1 putaran baut (2 mm)
-Kondisi 3 : Base motor dinaikan pada baut
no.1 sebesar 1 putaran baut (2mm) dan pada
baut no.2 sebesar 1 putaran baut (2 mm) dan
pada baut no.3 sebesar 1 putaran baut (2 mm)
-Kondisi 4 : Base motor dinaikan pada baut
no.1 sebesar 1 putaran baut (2mm), pada baut
no.2 sebesar 1 putaran baut (2 mm), pada baut
no.3 sebesar 1 putaran baut (2 mm) dan pada
baut no.4 sebesar 0.5 putaran baut (1 mm)

Gambar 2.15 Base pompa saat Unbalance kondisi 4

2.2.3 Model kondisi Misalignment (Tidak

Selurus)
Kondisi ini didapat dengan cara
menurunkan base motor dari kondisi normal.
2.2.4 Model kondisi Looseness (Kondisi
base Longgar atau kendur)
Dalam penelitian ini, berikut kondisi untuk
mendapatkan looseness.
-Kondisi 1: Semua baut base motor dan semua
baut
base
pompa
dalam
keadaan
kendur/longgar.
-Kondisi 2 : Semua baut base motor dalam
keadaan kendur/longgar, sementara semua baut
base pompa dipasang kuat

Gambar 2.16 Kondisi pompa saat misalignment

3. Hasil dan Pembahasan

3.1.1

Hasil dari penelitian untuk ke empat pola

spektrum vibrasi akan dijelaskan dibawah
ini.

Spektrum
(Normal)

Kondisi

Unfault

3.1 Pola-pola Spektrum Vibrasi pada

Prototipe Pompa Sentrifugal
Prototipe
pada
penelitian
ini
menggunakan pompa dan motor yang memiliki
kecepatan putaran poros sebesar 2800 rpm
(putaran per menit). Sehingga frekuensi putaran
pompa/frekuensi dasar adalah sebagai berikut :
frekuensi putaran poros / frekuensi dasar =
rpm/(60 detik) = 2800/60= 46,7 Hz.
.
Sementara
itu
frekuensi-frekuensi
harmoniknya adalah sebagai berikut :

Gambar 3.2 Spektrum frekuensi Kondisi Normal

Dari spektrum kondisi normal ini, dapat

dilihat bahwa amplitudo tertinggi ada pada
frekuensi dasar (46.7 Hz). Sementara pada
frekuensi-frekuensi harmonik-1, 2 dan 3
spektrum tetap muncul dengan amplitudo yang
lebih kecil.
3.1.2

Spektrum Kondisi
(Ketidakseimbangan)

Unbalance

frekuensi harmonik-1 = 46,7 x 2 = 93,4 Hz

frekuensi harmonik-2 = 46,7 x 3 = 140.1 Hz
frekuensi harmonik-3 = 46,7 x 4 = 186,8 Hz
frekuensi harmonik-4 = 46,7 x 5 = 233,5 Hz

Gambar 3.1 Foto rangkaian prototipe saat

melakukan pengambilan data di Laboratorium
Eletronika Industri ITS Surabaya.
Pada penelitian ini, pengukuran vibrasi
akan menggunakan 1 (satu) unit sensor
akselerometer Adxl330.
Sinyal yang ditampilkan sebagai hasil
pengukuran adalah domain waktu dan domain
frekuensi.

Gambar 3.3 Spektrum frekuensi kondisi Unbalance

Pada gambar 3.3 dapat dilihat bahwa

dengan menaikan base motor pada posisi
kondisi 1 setinggi 2 mm maka akan
menyebabkan kondisi unbalance. Hal ini

disebabkan karena dengan turunnya satu titik

menyebabkan putaran poros menjadi tidak
seimbang. Pada kondisi ini, amplitudo pada
frekuensi dasar menjadi 3 kali lebih tinggi jika
dibandingkan dengan kondisi normal pada
frekuensi yang sama. Sementara itu, spektrum
pada frekuensi harmoniknya tetap muncul dan
nilai amplitudonya tidak berubah hampir sama
seperti pada kondisi normal.
Untuk kondisi 2, pola spektrum
frekuensi yang dihasilkan masih sama dengan
spektrum kondisi unbalance. Namun amplitudo
pada frekuensi dasar menurun dan lebih kecil
jika dibandingkan pada kondisi 1. Hal ini
disebabkan oleh posisi non drive-end motor
(kiri dan dan kanan) mempunyai level tinggi
yang sama. Dan hanya berbeda dengan sisi
drive-end motor.
Untuk kondisi 3, amplitudo pada
frekuensi dasar menjadi tinggi kembali
mencapai lebih dari dua kali tinggi amplitudo
jika dibandingkan dengan kondisi normal pada
frekuensi yang sama. Hal ini dikarenakan
hanya satu titik yang tidak level seperti kondisi
1 sehingga menyebabkan ketidakseimbagan
yang tinggi.

Gambar 3.4 Spektrum vibrasi kondisi misalignment

Hasil spektrum frekuensinya adalah

sebagai berikut. Dari gambar 3.4 ni dapat
dilihat bahwa pada saat misalignment spektrum
pada frekuensi hormonik-2 mempunyai besar
amplitudo 2 kali dari amplitudo pada kondisi
normal. Sementara amplitudo pada frekuensi
harmonik lainnya tetap muncul dan besarnya
sama dengan frekuensi dasar.
Hal ini sesuai dengan penelitian yang
telah dilakukan oleh Giovanni Betta (IEEE,
2002) yang menyatakan bahwa kondisi
misalignment akan menyebabkan amplitudo
pada frekuensi harmonik akan dominan dan
lebih tinggi dari frekuensi dasar. Pada
penelitian ini frekuensi harmonik-2 yang
muncul dominan.
3.1.4 Spektrum Kondisi
(kendur/Longgar)

Looseness

Pada spektrum kondisi 4, amplitudo

yang dihasilkan pada frekuensi dasar sama
dengan kondisi 3. Hal ini dikarenakan titik no.4
masih belum sama levelnya dengan ketiga titik
lainnya
Dari analisis ke-empat spektrum
frekuensi untuk kondisi unbalance, dapat
disimpulkan bahwa amplitudo pada frekuensi
dasar menjadi hampir 3 kali besar jika
dibandingkan
dengan
kondisi
normal.
Sementara amplitudo pada frekuensi-frekuensi
harmonik tetap dan hampir sama dengan
kondisi normal.
3.1.3 Spektrum Kondisi Misalignment
(Tidak Selurus)

Gambar 3.5 Spektrum frekuensi kondisi Looseness

Dari gambar 3.5 ini dapat dilihat bahwa

pada kondisi looseness ini, frekuensi dasar
mempunyai amplitudo lebih tinggi jika
dibandingkan
dengan
kondisi
normal.
Sementara itu, frekuensi harmonik-2 juga
mempunyai amplitudo yang lebih tinggi. Hal
ini disebabkan karena dengan dikendurkannya
semua baut pada base motor menyebabkan
ketidakseimbangan menjadi lebih tinggi.
Disamping itu, dari gambar 4.6 dapat
dilihat bahwa muncul frekuensi harmonik lain

pada frekuensi 35 Hz. Frekuensi-frekuensi

rendah ini muncul sebagai akibat kendurnya
baut-baut pada base motor dan pompa.
3.2 Klasifikasi menggunakan neural
network
Untuk proses pembelajaran dilakukan
dengan menggunakan matlab. Berikut adalah
hasil pengujian neural network dengan data
actual dari pompa.
Dari Tabel 3.1, dapat dilihat bahwa
tingkat keberhasilan neural network adalah
90% (dari 10 pengambilan data, 1 data yang
tidak tepat).
Gambar 3.5 Hasil Neural network untuk ke-4 pola
spektrum vibrasi

Tabel 3.1 Hasil pengujian NN

No.

Pola Yang muncul

Hasil Neural Network

Hasil (Tepat/Tidak Tepat)

Misalignment

Misalignment

Tepat
Tepat

Unfault

Unfault

Misalignment

Misalignment

Tepat

Looseness

Looseness

Tepat

Misalignment

Unfault

Tidak Tepat

Unfault

Unfault

Tepat

Looseness

Looseness

Tepat

Misalignment

Misalignment

Tepat

Looseness

Looseness

Tepat

10

Looseness

Looseness

Tepat

4. Kesimpulan
Dari hasil penelitian ini dapat ditarik
beberapa kesimpulan sebagai berikut:
1. Kondisi
unjuk kerja pompa dapat
diamati dengan menggunakan spektrum
vibrasi.
2. Pada kondisi Unbalance, spektrum
frekuensi dasar menjadi 3 kali lebih
besar dari kondisi normal.
3. Pada kondisi misalignment spektrum
frekuensi harmonik ke-2 akan lebih
dominan.
4. Pada kondisi looseness, spektrum
frekuensi dasar akan naik menjadi 2 kali
lebih tinggi dari kondisi normal.
5. Tingkat keberhasilan neural network
mencapai 90%.

DAFTAR PUSTAKA
[1] Birajdar R, Pati R, Khanzode K, Kirloskar
Brothers Ltd., (2009), VIBRATION AND
NOISE IN CENTRIFUGAL PUMPS SOURCES AND DIAGNOSIS METHODS,
3rd International Conference on Integrity,
Reliability and Failure, Portugal, 20-24 July
2009.

[2] Orhan Sadettin, Aktu Nizami , Veli C,

(2005), Vibration monitoring for defect
diagnosis of rolling element bearings as a
predictive maintenance tool: Comprehensive
case studies, NDT&E International 39 (2006)
293298.
[3] Ruuska, Mikko, H. Andersson, Paul,
Dubrovnik, (2003), SPINDLE BEARING
MONITORING
USING
ACOUSTIC
EMISSION, Proceedings, XVII IMEKO
World Congress, 2164~2167.
[4] Giovanni Betta, Student Member, IEEE,
Consolatina Liguori, Alfredo Paolillo, and
Antonio Pietrosanto, (2002), A DSP-BASED
FFT-ANALYZER
FOR
THE
FAULT
DIAGNOSIS OF ROTATING MACHINE
BASED ON VIBRATION ANALYSIS, IEEE
Transactions
on
Instrumentation
and
Measurement, vol. 51, no. 6.
[5] Reimche W, Sdmersen U, Pietsch Or,
Scheer C, Bach F, (2003), BASICS OF
VIBRATION MONITORING FOR FAULT
DETECTION AND PROCESS CONTROL.
University of Hannover, Institute of Material
Science, Department of NDT.

[6] H. Shreve Dennis, (1995), SIGNAL

PROCESSING
FOR
EFFECTIVE
VIBRATION
ANALYSIS,
IRD
Mechanalysis, Inc Columbus, Ohio.
[7]Ahmed, R. Supangat, J. Grieger, N. Ertugrul
and W. L. Soong, (2004), A Baseline Study for
On-Line Condition Monitoring of Induction
Machines, Australasian Universities Power
Engineering Conference (AUPEC 2004).