1, (2014) 1-6
I.
PENDAHULUAN
1024 = 17000 Hz
(1)
0.06
N
2
= 512
(3)
Fs
= 16.6
= 17000
N
1024
(4)
Karakteristik Spektrum
Vibrasi
Normal
Unbalance
Misalignment
Kerusaka
n Antifriction
Bearing
Nilai
Amplitu
do yang
Semua nilai
amplitudo
tidak tinggi,
di bawah
4.5 mm/s
Pada 1x
frekuensi
putaran
motor
Pada 1x
dan 2x
frekuensi
putaran
motor
Antara 1x
hingga 6x
frekuensi
putaran
motor
Pada
frekuensi
tinggi.
Bukan
merupakan
fungsi dari
putaran
Data Training
Data Testing
Normal
Unbalance
Misalignment
Looseness
Kerusakan bearing
40
10
Total Data
Tabel 3.
Kondisi
Kela
s
Matriks Target
T1
T2
T3
T4
T5
Normal
Unbalance
Misalignment
Looseness
Kerusakan
bearing
Tabel 4.
Hasil MSE Pelatihan Neural Network dengan Variasi Jumlah Neuron
Jumlah neuron pada hidden layer kedua
8
Ju
ml
ah
ne
ur
on
pa
da
hi
dd
en
la
ye
r
pe
rt
a
10
11
12
13
14
15
16
17
18
19
20
0.016
4
0.005
0.00
27
0.04
0.00
43
0.00
0.01
71
0.01
0.00
99
0.00
0.02
45
0.00
0.09
17
0.00
0.11
55
0.01
0.05
27
0.03
0.06
04
0.00
0.01
22
0.01
0.00
46
0.00
1
1
11
0.010
0.004
40.016
0.02
0.00
44
0.03
0.00
11
0.00
06
0.00
16
0.04
80
0.00
0.00
0.00
75
0.01
0.01
0.03
04
0.00
0.06
0.00
49
0.00
0.01
0.00
78
0.00
0.01
0.05
68
0.01
0.01
0.00
92
0.00
0.00
0.05
20
0.01
0.00
0.02
05
0.06
0.00
0.00
69
0.01
0.01
0.00
89
0.02
12
31
90.009
90.005
88
0.00
54
0.00
70
0.00
17
0.12
31
0.00
53
0.00
82
0.02
55
0.01
67
0.00
98
0.00
40
0.00
36
0.00
10
0.00
68
0.00
48
0.00
49
0.01
31
0.00
93
0.00
24
0.01
61
0.01
01
0.00
72
0.04
25
0.04
52
0.00
41
51
40.006
00.004
09
0.00
76
0.00
30
0.00
17
0.00
67
0.04
28
0.00
00
0.00
57
0.01
24
0.00
68
0.00
38
0.01
47
0.00
56
0.01
27
0.00
53
0.01
71
0.01
91
0.00
83
0.01
90
0.01
35
0.00
81
0.01
59
0.01
70
0.00
48
0.00
61
71
80.004
30.008
40
0.00
07
0.06
53
0.00
63
0.03
62
0.00
42
0.00
15
0.00
29
0.00
91
0.00
51
0.01
41
0.00
55
0.00
75
0.05
92
0.03
59
0.01
08
0.04
03
0.15
97
0.02
40
0.00
40
0.00
42
0.01
06
0.00
32
0.00
09
0.02
8
1
1
0.005
09
0.00
41
0.00
91
0.01
60
0.01
34
0.00
49
0.06
00
0.01
39
0.02
14
0.01
50
0.00
24
0.00
0.005
0.00
83
0.00
06
0.00
37
0.00
0.01
0.00
0.02
0.00
0.00
0.01
0.01
0.01
0.00
8
9
Tabel 5.
Spesifikasi Neural Network
data training = 40
Jumlah data input
buah data testing =
Input layer
513 neuron
hidden layer pertama = 9
Hidden layer
neuron hidden layer kedua =
Output layer
5 neuron
Fungsi aktivasi
sigmoid bipolar (tansig)
scaled conjugate
Fungsi pembelajaran
gradient
Iterasi maksimal
100
Normalisasi input
mapminmax
Pembagian data pelatihan
training = 85% ; validation = 15%
Waveform
Velocity (mm/s)
-5
0
Amplitudo (mm/s)
10
20
30
Waktu (ms)
40
50
1
0.5
0
0
100
150
200
250
300
Frekuensi (Hz)
350
400
450
500
-40
0
20
60
Waktu (ms)
40
80
100
120
Spektrum
15
Amplitudo (mm/s)
Velocity (mm/s)
0
-20
10
5
50
100
150
200
250
300
Frekuensi (Hz)
350
400
450
500
Waveform
20
Amplitudo (mm/s)
Velocity (mm/s)
C. Kondisi Misalignment
Putaran motor = 3000 RPM = 50 Hz
10
20
30
Waktu (ms)
40
50
60
Spektrum
10
5
0
0
50
100
150
200
250
300
Frekuensi (Hz)
HASIL KLASIFIKASI = MISALIGNMENT
350
400
450
500
Velocity (mm/s)
D. Kondisi Looseness
Putaran motor = 3000 RPM = 50 Hz
Waveform
20
10
20
30
Waktu (ms)
40
50
60
Spektrum
0
0
30
Waktu (ms)
40
50
100
150
200
250
300
Frekuensi (Hz)
HASIL KLASIFIKASI = LOOSENESS
50
60
Spektrum
200
400
600
800
1000
1200
1400
Frekuensi (Hz)
HASIL KLASIFIKASI = KERUSAKAN ANTI-FRICTION BEARING
1600
1800
2000
-20
0
20
Waveform
20
Amplitudo (mm/s)
10
B. Kondisi Unbalance
Putaran motor = 1500 RPM = 25 Hz
-20
0
0
-20
0
0
0
50
0
0
20
60
Spektrum
1.5
Waveform
40
Amplitudo (mm/s)
Velocity (mm/s)
A. Kondisi Normal
Putaran motor = 3000 RPM = 50 Hz
350
400
450
500
( )2 100%
(5)
=1
Dari hasil perhitungan nilai MSE untuk klasifikasi data
testing pada Tabel 6 terlihat bahwa tingkat error rata-rata
antara target yang diharapkan dengan output neural network
cukup kecil yaitu sebesar 5.86%. Hasil ini menunjukkan
bahwa sistem klasifikasi kerusakan motor yang dirancang
memiliki tingkat akurasi yang cukup baik.
Tabel 6.
Nilai MSE Untuk Tiap Data Testing
Tabel 7.
Confusion Matrix Data Training
Kelas Output
Kelas Target
10
Kondisi
Targ
et
1
0
0
Normal
0
0
1
0
0
Normal
0
0
0
1
0
Unbalance
0
0
0
1
0
Unbalance
0
0
0
0
1
Misalignment
0
0
0
0
1
Misalignment
0
0
0
0
0
Looseness
1
0
0
0
0
Looseness
1
0
0
0
Kerusakan
0
Anti0
Friction
1
Bearing
0
0
Kerusakan
0
Anti0
Friction
1
Bearing
MSE Rata-Rata
Outp
ut
0.55
5
0.02
9
0.31
4
0.21
8
0.06
70.61
-8
0.132
0.08
5
0.54
20.08
-7
0.241
0.94
-8
0.122
0.18
10.01
-2
0.090
0.79
-9
0.112
0.21
0
0.00
50.38
-3
0.015
0.83
-4
0.058
0.02
30.38
-1
0.005
0.85
-2
0.073
0.03
3
0.13
6
0.28
-3
0.234
0.67
60.04
7
0.48
60.00
-1
0.029
0.57
4
0.06
8
0.19
-6
0.146
0.17
-3
0.108
0.89
10.60
-0
0.389
0.36
-7
0.043
1.31
6
Erro
r
0.44
5
0.02
9
0.31
4
0.21
8
0.06
70.38
2
0.13
20.08
5
0.54
20.08
7
0.24
1
0.05
2
0.12
2
0.18
10.01
2
0.09
00.20
1
0.11
20.21
0
0.00
50.38
3
0.01
5
0.16
6
0.05
8
0.02
30.38
1
0.00
50.14
8
0.07
30.03
3
0.13
6
0.28
3
0.23
4
0.32
40.04
7
0.48
60.00
1
0.02
90.42
6
0.06
8
0.19
6
0.14
6
0.17
3
0.10
8
0.10
90.60
0
0.38
90.36
7
0.04
30.31
6
MSE
(%)
Nor
mal
8
Normal
6.992
Unbalan
ce
9.439
Misalignm
ent
Loosene
ss
2.174
0%
20%
0%
0%
0%
20%
0%
0%
0%
20
%
0
0
%
8
0%
0%
0%
20
%
100
Tot
al
100
%
0
%
100
%
0
%
100
%
0
%
100
%
0
%
100
%
0
%
100
20
%
0
0%
0
0%
0
Bearing
0%
100
Total
2.100
0%
Unbala
nce
0
Misalignm
ent
0
Loose
ness
0
Beari
ng
0
0%
0%
0%
0
%
0
0
%
0
0
%
0
100
100%
100
0%
0%
0%
0
%
0
%
Tabel 8.
Confusion Matrix Data Testing
Kelas Target
3.574
Nor
mal
2
Normal
3.471
Unbalan
ce
5.215
8.467
Kelas Output
D
a
Misalignm
ent
Loosenes
s
0%
20%
0%
0%
0%
20%
0%
0%
0%
0
%
2
20
%
100
Tot
al
100
%
0
%
100
%
0
%
100
%
0
%
100
%
0
%
100
%
0
%
100
0
%
0
%
20
%
0
0%
0
0%
0
Bearing
0%
100
Total
0%
Unbala
nce
0
Misalignm
ent
0
Loose
ness
0
Beari
ng
0
0%
0%
0%
0
%
0
20
%
0
0%
0%
0%
100
100%
100
0%
0%
0%
2.266
14.964
5.866
0
%
0
0
%
0
DAFTAR PUSTAKA
[1] Hua Su and Kil To Chong, Induction Machine Condition Monitoring
Using Neural Network Modeling, IEEE Transactions on Industrial
Electronics, Vol. 54, No. 1, February, 2007.
[2] IEEE Standard 1415-2006, IEEE Guide for Induction Machinery
Maintenance Testing and Failure Analysis, 2007.
[3] iLearn Interactive, Vibration Training Quick Reference, Mobius
Institute, 2005.
[4] 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.
[5] Michael Cerna and Audrey F. Harvey, The Fundamentals of FFTBased Signal Analysis and Measurement, National Instruments
Application Note 041, 2000.
[6] M. K. Rad, M. Torabizadeh, and A. Noshadi, Artificial Neural
Network-based Fault Diagnostics of an Electric Motor using Vibration
Monitoring, International Conference on Transportation, Mechanical,
and Electrical Engineering (TMEE), Changchun, December, 2011.
[7] MKM Rahman, Tanver Azam, Sanjoy Kumar Saha, Motor Fault
Detection Using Vibration Patterns, 6th International Conference on
Electrical and Computer Engineering (ICECE), Dhaka, December, 2010.
[8] Mauridhi Hery Purnomo dan Agus Kurniawan, Supervised Neural
Networks dan aplikasinya, Graha Ilmu, Yogyakarta, Bab. 5, 2006.
[9] 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.
[10] Wahyu Wibowo dan Mohamad Atok, Pengaruh Rasio Keuangan
Terhadap Rating Issuer Di PT Bursa Efek Surabaya, LPPM-ITS,
Surabaya, Desember, 2007.
[11] Sri Kusumadewi, Membangun Jaringan Syaraf Tiruan Menggunakan
MATLAB dan Excel Link, Graha Ilmu, Yogyakarta, Bab. 4, 2004.
[12] Wikipedia, Mean squared error <URL: http://en.wikipedia.org/
wiki/Mean_squared_error>, May, 2014.