Analisis Kerusakan PDF
Analisis Kerusakan PDF
1, (2014) 1-6 1
AbstrakPada studi ini data vibrasi motor dari PT secara cepat digunakan neural network [7]. Neural network
Petrokimia Gresik dianalisis untuk diklasifikasikan jenis adalah salah satu kecerdasan buatan yang memiliki
kerusakan motor yang terjadi menggunakan Fast Fourier kemampuan untuk mengidentifikasi suatu data melalui proses
Transform (FFT) dan neural network. Data sinyal vibrasi motor
penalaran yang sistematis sehingga dapat dimanfaatkan untuk
diubah ke dalam domain frekuensi menggunakan FFT, sehingga
didapat data amplitudo spektrum vibrasi tiap jenis kerusakan klasifikasi kerusakan motor [6].
yang dijadikan sebagai input neural network. Neural network Pada studi ini data vibrasi motor dari PT Petrokimia Gresik
digunakan untuk mengklasifikasikan jenis kerusakan motor ke dianalisis untuk diklasifikasikan jenis kerusakan motor yang
dalam lima kondisi, yaitu normal, unbalance, misalignment, terjadi menggunakan Fast Fourier Transform (FFT) dan neural
looseness, dan kerusakan anti-friction bearing. Neural network network. Data sinyal vibrasi motor diubah ke domain
yang dirancang diuji dengan 10 data vibrasi motor dengan jenis
frekuensi menggunakan FFT, sehingga didapat data spektrum
kerusakan yang berbeda. Tingkat ketepatan neural network
dalam mengklasifikasikan jenis kerusakan mencapai 100%. vibrasi tiap jenis kerusakan motor. Data spektrum vibrasi hasil
FFT terdiri dari data frekuensi dan data amplitudo. Data
Kata Kunci analisis vibrasi, fast fourier transform, klasifikasi amplitudo spektrum vibrasi dijadikan sebagai input neural
kerusakan motor, neural network. network. Neural network digunakan untuk mengklasifikasikan
jenis kerusakan motor ke dalam lima kondisi, yaitu normal,
I. PENDAHULUAN unbalance, misalignment, looseness, dan kerusakan anti-
friction bearing.
M otor listrik merupakan salah satu komponen penting
dalam proses industri, tak terkecuali di PT Petrokimia
Gresik. Jika motor mengalami kerusakan maka proses II. METODE KLASIFIKASI KERUSAKAN MOTOR
produksi dapat terganggu dan dapat menyebabkan kerugian Data sinyal vibrasi motor yang didapat dari PT Petrokimia
ekonomis [1]. Oleh karena itu, PT Petrokimia Gresik Gresik dianalisis untuk menentukan spesifikasi FFT yang
menerapkan sistem pemeliharaan prediktif pada motor dengan digunakan, antara lain jumlah sampel data, waktu sampling,
pemantauan vibrasi. dan frekuensi sampling. Data spektrum vibrasi hasil
Data pengukuran vibrasi dapat digunakan untuk mengenali transformasi FFT kemudian dianalisis kembali untuk
kerusakan yang terjadi pada motor [2]. Identifikasi kerusakan menentukan arsitektur neural network. Arsitektur neural
motor dilakukan dengan menganalisis spektrum vibrasi yang network yang dirancang meliputi jumlah neuron pada input
memiliki karakteristik berbeda pada tiap jenis kerusakan [3]. layer, jumlah neuron pada output layer, serta jumlah neuron
Analisis vibrasi dapat dilakukan dalam domain waktu maupun pada hidden layer.
dalam domain frekuensi. Analisis domain waktu memberikan
gambaran fisik vibrasi yang asli namun secara praktis sulit A. Spesifikasi FFT [5]
dianalisis jika sinyal vibrasi kompleks. Sebaliknya dengan Spesifikasi sinyal vibrasi dari PT Petrokimia Gresik yang
analisis domain frekuensi, amplitudo dan frekuensi spektrum dijadikan sebagai masukan FFT dihitung sebagai berikut :
vibrasi dapat diidentifikasi, sehingga diperoleh informasi yang Jumlah sampel data (N) = 1024
lebih rinci untuk mengenali kerusakan motor [4]. Salah satu Waktu sampling (T) = 60 ms = 0.06 s
metode untuk mengubah sinyal vibrasi dari domain waktu ke N 1024
domain frekuensi adalah dengan Fast Fourier Transform Frekuensi sampling (Fs) = = = 17000 Hz (1)
T 0.06
(FFT) [5].
Jenis kerusakan yang terjadi pada motor dapat dikenali Sedangkan spesifikasi spektrum keluaran FFT dihitung
secara langsung oleh operator dengan melihat spektrum sebagai berikut :
vibrasi hasil pengukuran. Namun jika jumlah data vibrasi Fs 17000
Frekuensi maksimum (Fmax ) = = = 8500 Hz (2)
motor yang akan diperiksa banyak maka proses pengenalan 2 2
jenis kerusakan akan memakan waktu yang lama [6]. Untuk N 1024
mengenali jenis kerusakan pada beberapa data vibrasi motor Jumlah spectral lines = = = 512 (3)
2 2
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) 1-6 2
Tabel 2.
Pada 1x Jumlah Data Training dan Data Testing
Unbalance frekuensi Kondisi Data Training Data Testing
putaran motor
Normal 8 2
Unbalance 8 2
Misalignment 8 2
Pada 1x dan 2x Looseness 8 2
Misalignment frekuensi
putaran motor Kerusakan bearing 8 2
Total Data 40 10
Tabel 3.
Antara 1x Data Target Neural Network
hingga 6x
Looseness Matriks Target
frekuensi
putaran motor Kondisi Kelas
T1 T2 T3 T4 T5
Normal 1 1 0 0 0 0
Pada frekuensi Unbalance 2 0 1 0 0 0
Kerusakan tinggi. Bukan
Misalignment 3 0 0 1 0 0
Anti-friction merupakan
Bearing fungsi dari Looseness 4 0 0 0 1 0
putaran motor
Kerusakan bearing 5 0 0 0 0 1
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) 1-6 3
Tabel 4.
Hasil MSE Pelatihan Neural Network dengan Variasi Jumlah Neuron
Jumlah neuron pada hidden layer kedua
8 9 10 11 12 13 14 15 16 17 18 19 20
Jumlah neuron pada hidden layer pertama
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
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
Tabel 5.
Spesifikasi Neural Network
data training = 40 buah
Jumlah data input
data testing = 10 buah
Input layer 513 neuron
hidden layer pertama = 9 neuron
Hidden layer
hidden layer kedua = 10 neuron
Output layer 5 neuron
Fungsi aktivasi sigmoid bipolar (tansig)
scaled conjugate gradient
Fungsi pembelajaran
backpropagation (trainscg)
Iterasi maksimal 100
Normalisasi input mapminmax
Pembagian data pelatihan training = 85% ; validation = 15%
Velocity (mm/s)
Velocity (mm/s)
20
0
0
-5 -20
0 10 20 30 40 50 60 0 10 20 30 40 50 60
Waktu (ms)
Waktu (ms)
Spektrum Spektrum
Amplitudo (mm/s)
1.5 4
Amplitudo (mm/s)
1
2
0.5
0
0 0 200 400 600 800 1000 1200 1400 1600 1800 2000
0 50 100 150 200 250 300 350 400 450 500 Frekuensi (Hz)
Frekuensi (Hz) HASIL KLASIFIKASI = KERUSAKAN ANTI-FRICTION BEARING
HASIL KLASIFIKASI = NORMAL
Gambar 4. Hasil uji klasifikasi data vibrasi motor P951B Gambar 8. Hasil uji klasifikasi data vibrasi motor P2252B
15
10
Data sinyal vibrasi motor P1241B pada Gambar 6
diklasifikasikan secara tepat ke dalam kondisi misalignment.
5
Terlihat pada spektrum Gambar 6 nilai amplitudo vibrasi
0
0 50 100 150 200 250 300 350 400 450 500 tinggi terjadi pada frekuensi 2x putaran motor (100 Hz).
Frekuensi (Hz)
HASIL KLASIFIKASI = UNBALANCE Data sinyal vibrasi motor P1207C pada Gambar 7
Gambar 5. Hasil uji klasifikasi data vibrasi motor C2212A
diklasifikasikan secara tepat ke dalam kondisi looseness.
C. Kondisi Misalignment Terlihat pada spektrum Gambar 7 nilai amplitudo vibrasi
Putaran motor = 3000 RPM = 50 Hz tinggi terjadi pada frekuensi 1x, 3x, 4x, 5x, dan 6x putaran
Waveform
20 motor yaitu pada 50 Hz, 150 Hz, 200 Hz, 250 Hz, dan 300 Hz.
Velocity (mm/s)
10
F. Perhitungan MSE
5
MSE (Mean Squared Error) adalah nilai error kuadrat yang
0
0 50 100 150 200 250 300 350 400 450 500
dirata-rata dari suatu nilai yang diharapkan dengan suatu nilai
Frekuensi (Hz)
HASIL KLASIFIKASI = MISALIGNMENT
yang aktual terjadi [12]. Dalam perhitungan MSE untuk
Gambar 6. Hasil uji klasifikasi data vibrasi motor P1241B klasifikasi, nilai yang diharapkan adalah nilai target,
sedangkan nilai yang aktual terjadi adalah nilai output. Nilai
D. Kondisi Looseness
MSE dari data target T i dan output Y i untuk untuk sejumlah n
Putaran motor = 3000 RPM = 50 Hz data dihitung dengan persamaan berikut :
Waveform
20
Velocity (mm/s)
0 1
(%) = ( )2 100% (5)
-20 =1
0 10 20 30 40 50 60
Waktu (ms)
Spektrum Dari hasil perhitungan nilai MSE untuk klasifikasi data
Amplitudo (mm/s)
4
testing pada Tabel 6 terlihat bahwa tingkat error rata-rata
2 antara target yang diharapkan dengan output neural network
cukup kecil yaitu sebesar 5.86%. Hasil ini menunjukkan
0
0 50 100 150 200 250 300
Frekuensi (Hz)
350 400 450 500 bahwa sistem klasifikasi kerusakan motor yang dirancang
HASIL KLASIFIKASI = LOOSENESS memiliki tingkat akurasi yang cukup baik.
Gambar 7. Hasil uji klasifikasi data vibrasi motor P1207C
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) 1-6 5
Tabel 6. Tabel 7.
Nilai MSE Untuk Tiap Data Testing Confusion Matrix Data Training
Data Kelas Target
Kondisi Target Output Error MSE (%)
Ke- Normal Unbalance Misalignment Looseness Bearing Total
1 0.555 0.445
0 0.029 0.029 8 0 0 0 0 100%
Normal
1 Normal 0 0.314 0.314 6.992
20% 0% 0% 0% 0% 0%
0 0.218 0.218
0 0.067 0.067 0 8 0 0 0 100%
Unbalance
1 0.618 0.382 0% 20% 0% 0% 0% 0%
0 -0.132 0.132
Kelas Output
2 Normal 0 0.085 0.085 9.439 0 0 8 0 0 100%
Misalignment
0 0.542 0.542 0% 0% 20% 0% 0% 0%
0 0.087 0.087
0 -0.241 0.241 0 0 0 8 0 100%
Looseness
1 0.948 0.052 0% 0% 0% 20% 0% 0%
3 Unbalance 0 -0.122 0.122 2.174
0 0.181 0.181 0 0 0 0 8 100%
Bearing
0 0.012 0.012 0% 0% 0% 0% 20% 0%
0 -0.090 0.090
1 0.799 0.201 100% 100% 100% 100% 100% 100%
Total
4 Unbalance 0 -0.112 0.112 2.100 0% 0% 0% 0% 0% 0%
0 0.210 0.210
0 0.005 0.005
0 0.383 0.383 Tabel 8.
Confusion Matrix Data Testing
0 -0.015 0.015
Kelas Target
5 Misalignment 1 0.834 0.166 3.574
0 -0.058 0.058 Normal Unbalance Misalignment Looseness Bearing Total
0 0.023 0.023
0 0.381 0.381 2 0 0 0 0 100%
Normal
0 -0.005 0.005 20% 0% 0% 0% 0% 0%
6 Misalignment 1 0.852 0.148 3.471
0 2 0 0 0 100%
0 -0.073 0.073
Unbalance
0 0.033 0.033 0% 20% 0% 0% 0% 0%
0 0.136 0.136
Kelas Output
0 0 2 0 0 100%
0 0.283 0.283
Misalignment
7 Looseness 0 -0.234 0.234 5.215 0% 0% 20% 0% 0% 0%
1 0.676 0.324
0 0 0 2 0 100%
0 0.047 0.047 Looseness
0 0.486 0.486 0% 0% 0% 20% 0% 0%
0 0.001 0.001
0 0 0 0 2 100%
8 Looseness 0 -0.029 0.029 8.467 Bearing
1 0.574 0.426 0% 0% 0% 0% 20% 0%
0 0.068 0.068
100% 100% 100% 100% 100% 100%
0 0.196 0.196 Total
0 -0.146 0.146 0% 0% 0% 0% 0% 0%
Kerusakan Anti-
9 0 0.173 0.173 2.266
Friction Bearing
0 -0.108 0.108
1 0.891 0.109 Dari Tabel 7 dan Tabel 8 terlihat bahwa seluruh data
0 0.600 0.600 training dan data testing diklasifikasikan secara tepat ke dalam
Kerusakan Anti-
0 -0.389 0.389 kelasnya masing-masing, sehingga total persentase klasifikasi
10 0 0.367 0.367 14.964 data training dan data testing yang benar adalah 100%.
Friction Bearing
0 -0.043 0.043
1 1.316 0.316
MSE Rata-Rata 5.866 IV. KESIMPULAN
Beberapa kesimpulan yang bisa diambil dari studi tentang
G. Analisis Confusion Matrix analisis vibrasi untuk klasifikasi kerusakan motor yaitu
Confusion matrix adalah suatu matriks yang menampilkan spesifikasi sinyal masukan FFT menentukan spesifikasi
hasil klasifikasi ke dalam kelas target dan kelas output disertai spektrum yang diperoleh. Selain itu semakin banyak jumlah
dengan persentase hasil klasifikasi yang benar dan yang salah. data pelatihan neural network maka hasil klasifikasi yang
Kolom confusion matrix menunjukkan kelas target, sedangkan diperoleh akan semakin akurat. Secara keseluruhan sistem
baris confusion matrix menunjukkan kelas output. Hasil klasifikasi kerusakan motor dengan analisis data vibrasi yang
analisis confusion matrix untuk klasifikasi data training telah dirancang mempunyai tingkat ketepatan hingga 100%.
diperlihatkan pada Tabel 7, sedangkan untuk klasifikasi data
testing diperlihatkan pada Tabel 8.
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) 1-6 6
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 FFT-
Based 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.