diam. Waktu yang dibutuhkan untuk satu siklus disebut sebagai periode getaran. Jumlah
siklus pada suatu selang waktu tertentu disebut sebagai frekuensi getaran. Perpindahan
(displacement) mengindikasikan berapa jauh suatu objek bergetar, kecepatan (velocity)
mengindikasikan berapa cepat objek bergetar dan percepatan (acceleration) suatu objek
bergetar terkait dengan gaya penyebab getaran.
Unbalance (Ketidakseimbangan)
Berdasarkan International Standart Organization (ISO) definisi unbalance adalah kondisi
yang terjadi pada rotor akibat dari gaya sentrifugal, dimana ketika bergetar, gaya atau
gerak rotor akan diteruskan pada bantalannya. Unbalance dapat juga didefinisikan
distribusi massa yang tidak merata terhadap sumbu putar rotor.
Kurtosis.
Didefinisikan sebagai momen keempat dari distribusi dan mengukur kelancipan dan
kedataran relative sebuah distribusi dibanding distribusi normal. Kurtosis memberikan
suatu pengukuran dari ukuran tail distribusi dan digunakan sebagai indikator puncak
utama dalam sebuah kumpulan data. Untuk mendapatkan nilai kurtosis (K), persamaan
yang digunakan adalah :
Shape-Factor
Shape factor didefinisikan sebagai rasio antara nilai RMS dengan nilai rata-rata. Shape
factor merupakan salah satu symtoms paramaters (SP). Pada diagnosa kerusakan
symtoms paramater digunakan untuk indentifikasi kondisi mesin, karena menunjukkan
informasi yang diindikasikan oleh sinyal hasil pengukuran. Untuk mendapatkan nilai
shape factor (SF), persamaan yang digunakan adalah :
Skewnes
Skewnes menunjukkan sebuah kemiringan atau ketidaksimetrisan dari sebuah distribusi
frekuensi. Untuk mendapatkan nilai skewness (sk), maka persamaan yang digunakan
adalah:
Fuzzy Logic
Pada tahun 1965, Lotfi Zadeh memperkenalkan Fuzzy logic, sebuah tool matematika
untuk menyelesaikan permasalahan yang berhubungan dengan ketidakpastian. Fuzzy
logic memberikan teknik untuk menyelsaikan ketidakpresisian dan kegranularitasan
informasi.
Himpunan Fuzzy
Lotfi Zadeh menawarkan ide tentang himpunan keanggotaan agar menghasilkan
keputusan yang sesuai ketika menghadapi ketidakpastian. Nilai keanggotaanya adalah 1
jika masuk kedalam himpunan tersebut dan 0 jika tidak. Keanggotaan ini kemudian
diperluas untuk memproses “derajat keanggotaan” pada interval kontinyu nyata [0,1].
Zadeh membentuk himpunan fuzzy pada semua himpunan X yang dapat
mengakomodasi “derajat keanggotaan”. Suatu himpunan fuzzy dalam semesta U
direpresentasikan sebagai pasangan elemen u dengan tingkat fungsi keanggotaan
dinyatakan pada persamaan 8.
Fungsi Keanggotaan
Fungsi keanggotaan menyatakan derajat keanggotaan dari masing-masing anggota
dalam semesta pembicaraan. Adapun fungsi keanggotaan yang sering dipakai dalam
praktek antara lain:
Namun analisis vibrasi merupakan kunci untuk melakukan predictive maintenance. Pada
dasarnya, semua yang bergerak menghasilkan vibrasi. Mesin-mesin tertentu akan
menghasilkan vibrasi yang khas. Analisis vibrasi mula-mula digunakan untuk mesin-
mesin berputar, seperti: turbin uap dan gas, pompa, motor, kompresor, mesin kertas,
rolling mill, mesin perkakas dan gearbox. Kemajuan terbaru dalam teknologi ini
memungkinkan analisis pada peralatan torak seperti mesin diesel besar dan kompresor
torak.
Keuntungan penting dari analisis vibrasi ini adalah bahwa analisis ini dapat mendeteksi
adanya masalah yang sedang berkembang sebelum menjadi serius yang menyebabkan
unscheduled downtime. Pemantauan vibrasi bisa dilakukan secara:
a) Berbasis kontinu
b) Terjadwal berkala.
Analisis Diagnostik
Kalau analisis potensi kerusakan lebih proaktif, maka analisis diagnostik lebih bersifat
reaktif, yang dilakukan bila terjadi kerusakan. Seringkali masalahnya begitu berat,
sehingga mesih harus dimatikan. Kerusakan yang bisa dideteksi melalui diagnosis
vibrasi adalah:
a) Baut tidak kencang
b) Lasan yang retak
c) Grouting yang lepas atau menjadi bubuk
d) Rotor tak seimbang, dll.
Vibrasi secara sedehana berarti gerakan mesin atau bagiannya bolak-balik dari posisi
diamnya. Jika suatu massa digatung pada sebuah pegas kemudian dikenakan sedikit
dorongan (kecepatan awal), kemudian dibiarkan bergarak, maka massa tersebut akan
bergerak. Vibrasi bisa juga dalam bentuk gerakan bolak-balik, yang dilakukan oleh
sejumlah titik secara berurutan seperti gelombang pada tali atau pada permukaan air.
Gelombang seperti ini disebut gelombang transversal.
Frekuensi adalah banyaknya getaran yang teradi dalam 1 detik. Amplitudo adalah jarak
titik tertinggi dari titik kesetimbangan. Panjang gelombang adalah jarak ditempati oleh
satu gelombang sempurna pada gelombang transversal.
Vibrasi yang terjadi adalah vibrasi bebas, dimana massa akan bergetar dengan
frekuensi naturalnya. Posisi benda pada waktu t terhadap titik O, dinyatakan oleh x(t).
Jika setelah itu kemudian massa m dilepaskan, maka m akan berosilasi. Pada kondisi ini
akan terjadi 3 gaya yang jumlahnya sama dengan nol, yaitu:
1. Kelembaman massa M, yang besarnya = m a
2. Kekakuan pegas k , yang besarnya = m x
3. Peredaman viskus c, yang besarnya = c v
Gambar dibawah menunjukkan posisi benda x(t) dari waktu ke waktu pada berbagai
kondisi peredaman.
Pada kondisi peredaman sama dengan nol (tak teredam), posisinya, kecepatan dan
percepatanya setiap saat adalah:
Frekuensi natural tak teredam (undamped natural frequency) dari sisem tersebut adalah:
Dimana:
fn = ω/2π = frekuensi natural tak teredam [Hz]
ω = kecepatan sudut vibrasi [rad/s]
k = konstanta pegas [N/m]
m = massa [kg]
Bila ada peredaman, frekuensi natural teredam (damped natural frequency) adalah:
Suatu mesin yang sedang diobservasi atau didiagnosis bisa dipandang sebagai sebuah
sistem vibrasi. Sistem tersebut mempunyai massa, pegas dan peredam, bervibrasi
akibat fungsi paksa yang dihasilkan berbagai komponen di dalam mesin itu sendiri,
misalnya massa tak seimbang dari rotor yang berputar.
Vibrasi yang terjadi pada sistem tersebut, diukur dengan pickup vibrasi berupa
transduser, diolah, kemudian dipresentasikan atau disimpan.
Analisis Frekuensi
Data vibrasi dari transduser harus diubah menjadi bentuk yang bermakna dan sesuai
untuk diagnosis. Ada dua jenis yang dapat ditampilkan yaitu domain waktu dan domain
frekuensi. Tampilan domain waktu menunjukkan bagaimana sinyal amplitudo bervaiasi
terhadap waktu. Gambar berikut ini menunjukkan tampilan data domain waktu yang
diperoleh dari sebuah fan.
Tampilan data vibrasi dalam domain waktu berupa gelombang sinusoidal yang
mengalami distorsi harmonik. Dengan menggunakan analisis FFT (Fast Fourier
Transformation), bentuk data vibrasi dalam domain waktu dapat dipecah menjadi
gelombang sinusoidal murni dasar dan harmoniknya. Sinyal domain frekuensi adalah
plot sinyal amplitudo pada sumbu y, terhadap frekuensi pada sumbu x. Hal ini disebut
signature frequency dalam dunia industri. Gambar ini menunjukkan signature frequency
diperoleh dari data vibrasi dalam domain waktu pada Gambar diatas
Prognosa kerusakan pada sebuah rotating machinery menjadi aspek penting dalam
penerapan maintenance karena terjadinya kerusakan dapat mengakibatkan turunnya
produktifitas sebuah perusahaan. Pengukuran getaran adalah salah satu metode yang
cukup baik untuk mengetahui kondisi mesin karena getaran merupakan indikator kondisi
mekanikal dan indikator awal dari adanya cacat pada suatu mesin secara menyeluruh.
Penerapan Artificial Intelligence dalam pemrosesan data getaran untuk prognosa
kerusakan semakin meningkat. Hal ini disebabkan karena keputusan yang dihasilkan
tidak subjektif dan performa prediksinya lebih baik. Prastowo (2006) memanfaatkan JST
(Jaringan Syaraf Tiruan) dalam memprediksi sisa umur dari sebuah mesin, akan tetapi
error yang terjadi dirasa masih cukup besar. Untuk itu diperlukan sebuah metode lain
yang diharapkan memiliki performa lebih baik.
Di dalam penelitian ini akan dilakukan prediksi sisa umur pakai dari sebuah rotating
machinery dengan metode ANFIS (Adaptive Neuro-Fuzzy Inference Systems)
menggunakan program Matlab. Data getaran yang diambil menggunakan sensor
getaran pada rentang waktu tertentu akan digunakan untuk memprediksi degradasi
unjuk kerja dari suatu mesin. Data getaran inilah yang akan digunakan untuk data
training dan testing pada ANFIS. Tipe membership function segitiga, lonceng dan
trapezoidal akan dibandingkan dalam proses training dan testing menggunakan sistem
hybrid dan backpropagation. Pengaruh penambahan jumlah membership function
sebanyak 2 buah juga akan dilihat pada proses tersebut.
Dari penelitian ini diketahui bahwa ANFIS dengan sistem pembelajaran hybrid
menghasilkan average error yang lebih baik daripada backpropagation. Uji coba dengan
data testing didapatkan bahwa ANFIS mampu memprediksi sisa umur pakai dari data
yang diinputkan kepadanya. Testing error ketika menggunakan membership function tipe
segitiga sebesar 0.002. Pengaruh penambahan 2 membership function pada sistem
hybrid akan memperbesar error sedangkan pada backpropagation akan menurunkan
error.
Dari hasil penelitian John Moubray, pada bukunya yang berjudul “RCM II”, diketahui
bahwa keandalan (reliability) dari suatu komponen mesin akan turun seiring dengan
waktu operasi dari komponen mesin tersebut. Dari kurva Potensial Failure to Failure (P-
F) penelitian dari Moubray dapat dilihat fenomena kerusakan yang terjadi sepanjang
fungsi interval waktu. Dari mulai awal terjadinya kerusakan (titik P) sampai fungsi
operasional dari peralatan tersebut tidak berfungsi bisa diamati. Dari gambar berikut
diketahui pula bahwa getaran mesin mengindikasikan kerusakan sejak awal yaitu 9
bulan sebelum kerusakan fungsional terjadi yaitu pada titik P1. Indikasi selanjutnya yang
muncul seperti adanya geram pada pelumas, kebisingan, lalu overheating.
Tren kenaikan amplitudo getaran akibat kerusakan komponen
Dari data diatas dapat diketahui bahwa error terkecil didapatkan pada menggunakan tipe
fungsi keanggotaan trapezoidal. Dan nilai error terkecil didapakan pada saat sinyal
kerusakan misalignment, unbalance, bearing, dan gear. Hal ini ditunjukkan dengan nilai
error yang paling kecil pada 2 tipe fungsi keanggotaan. Yaitu pada tipe trimpf (segitiga)
sebesar 9.9596*10-8 dan tipe trapezoidal sebesar 9.9598*10-8. Dari data diatas dapat
diketahui bahwa error hasil checking menggunakan data struktur ANFIS hasil
pengukuran vertikal hampir semuanya mendeteksi sinyal yang diinputkan sebagai data
kerusakan. Hal ini ditunjukkan dengan average checking error yang lebih kecil dari nilai
toleransi error yang telah ditentukan yaitu 10-6.
Sisa umur pakai pada suatu komponen mesin adalah rentang waktu dari kondisi saat ini
hingga komponen tersebut mengalami kegagalan. Untuk menentukan sisa umur pakai
biasanya dilakukan monitoring pada kondisi mesin. Degradasi unjuk kerja suatu mesin
pada umumnya dapat terlihat sebelum terjadinya kegagalan. Dengan memonitor tren
dari degradasi unjuk kerja suatu mesin maka akan dapat direncanakan suatu tindakan
yang tepat sebelum terjadinya kegagalan. Monitoring tren dari degradasi unjuk kerja
memerlukan adanya proses learning/training dan pengenalan pola (pattern recognition).
Cohen (1995) memprediksikan unjuk kerja dari sebuah gearbox dari sebuah material
handling system. Dimana dengan menempatkan sensor getaran akan dapat diketahui
unjuk kerja dari gearbox tersebut. Dari data getaran yang didapat kemudian diproses
sehingga akan diketahui degradasi unjuk kerja dari gearbox tersebut. Gambar dari data
getaran dapat diilustrasikan pada gambar 2.4. berikut
Gambar diatas adalah contoh data getaran berbasis waktu (waveform) dari tiga sumbu
(vertikal, horizontal dan aksial) pada bantalan spindel sebuah mesin CNC. Salah satu
metode yang dapat digunakan untuk memproses data getaran untuk dapat memprediksi
sisa umur pakai dari suatu mesin atau time series prediction adalah dengan membuat
jaringan syaraf. Dari susunan jaringan syaraf tiruan tersebut diharapkan akan dapat
diketahui degradasi unjuk kerja dari suatu mesin. Hal tersebut dapat diilustrasikan pada
gambar berikut
Prastowo (2006) untuk melakukan penelitian tentang prediksi sisa umur pakai mesin
Cooling Waterpump 2A PT. PJB UP. Gresik dengan metode jaringan saraf tiruan. Metode
jaringan syaraf tiruan (JST) ini memiliki kelebihan dalam mengenali, belajar, dan berlatih
dalam menyelesaikan suatu permasalahan tanpa memerlukan pemodelan matematik
sehingga dapat mereduksi asumsi-asumsi matematik seperti asumsi linearitas atau
asumsi matematik lainnya. Dalam proses belajarnya, sinyal-sinyal dari jaringan pada
Feed-forward Backpropagation Neural Network tidak hanya bergerak menuju ke satu
arah akan tetapi dapat juga berbalik arah yang nantinya dapat digunakan sebagai
feedback dari output yang diperoleh. Berikut hasil akhir penelitian dari Prastowo.
Dari hasil plot frekuensi domain oleh FFT dari sinyal learning waveform MIBV (Motor
Inboard Vertical) diketahui bahwa Jaringan saraf tiruan yang disusun Anugrah prastowo
mampu memprediksi sisa umur pakai, yaitu dengan hasil akhir ”Maintenance kurang 12
bulan”
ANFIS (Adaptive Neuro-Fuzzy Inference System) adalah gabungan dari dua sistem yaitu
sistem logika fuzzy dan jaringan syaraf tiruan. Sistem ANFIS berdasar pada sistem
inferensi fuzzy yang dilatih menggunakan algoritma pembelajaran yang diturunkan dari
sistem jaringan syaraf tiruan. Berikut ditunjukkan perbandingan kinerja antara sistem
fuzzy dengan jaringan saraf tiruan:
Tabel Perbandingan kinerja antara sistem fuzzy dengan jaringan syaraf tiruan
Dengan demikian sistem ANFIS memiliki semua kelebihan yang dimiliki oleh sistem
inferensi fuzzy dan jaringan syaraf tiruan.
b) Lapisan 2
Semua simpul pada lapisan ini adalah non adaptif (parameter tetap). Fungsi simpul
ini adalah mengalikan setiap sinyal masukan yang akan datang. Fungsi simpul :
Tiap keluaran simpul menyatakan derajat pengaktifan (firing strength) tiap aturan
fuzzy. Banyaknya simpul pada lapisan ini menunjukkan banyaknya aturan yang
dibentuk. Fungsi perkalian yang digunakan adalah interpretasi opaerator AND.
c) Lapisan 3
Setiap simpul dalam lapisan lapisan ini adalah simpul non adaptif yang menampilkan
fungsi derajat pengaktifan ternormalisasi (normalized Firing Strength) yaitu rasio
keluaran simpul ke-I pada lapisan sebelumnya, dengan bentuk simpul :
Apabila dibentuk lebih dari 2 aturan, fungsi dapat diperluas dengan membagi dengan
jumlah total W untuk semua aturan.
d) Lapisan 4
Setiap simpul pada lapisan ini adalah simpul adaptif dengan fungsi simpul :
e) Lapisan 5
Fungsi lapisan ini adalah untuk menjumlahkan semua masukan. Fungsi simpul :
Jaringan adaptif dengan lima lapisan diatas ekivalen dengan sistem inferensi fuzzy
Takagi-Sugeno-Kang (TSK ) atau yang lebih dikenal dengan sugeno.
Hasil training dari ANFIS dapat dievaluasi dengan eksperimen validasi. Eksperimen
validasi dapat berupa testing pada jaringan yang telah ditraining sebelumnya. Dengan
menentukan besar error tertentu maka akan diketahui apakah anfis yang telah disusun
valid atau tidak. Jika error RMSE (Root Mean Square Error) maka anfis berhasil
mengidentifikasi kerusakan komponen. Nilai RMSE merupakan ukuran performance
untuk melihat kemampuan dari jaringan untuk menggeneralisasi informasi yanag
didapatkan. Nilai RSME yang ditentukan adalah 10-6.
Setelah dilakukan eksperimen validasi, maka langkah selanjutnya adalah melakukan
testing dengan menginputkan data baru terhadap anfis yang telah disusun. Pada tahap
ini akan dapat diketahui apakah anfis yang telah disusun dapat digunakan untuk
memprediksi sisa umur efektif dari suatu komponen mekanikal atau tidak.
Setelah dilakukan eksperimen validasi dan testing, kemudian dilakukan analisa dan
pembahasan dari hasil prediksi sisa umur efektif yang diperoleh dari output anfis.
Selanjutnya performa hasil prediksi menggunakan ANFIS ini akan dibandingkan dengan
JST hasil penelitian Prastowo.
Dari hasi analisa data dan pembahasan yang dilakukan maka dapat diambil kesimpulan
dan rekomendasi saran-saran pengembangan dari penelitian ini akan diberikan demi
kesempurnaan penelitian selanjutnya.
Data yang akan digunakan untuk training jaringan adalah data MIBV (Motor Inboard
Vertikal). Pemilihan ini didasarkan pada :
1. Adanya 12 data berurutan yang menunjukkan adanya tren yang semakin naik.
Dimana hal tersebut mengindikasikan adanya gejala failure yang akan terjadi.
2. Dari keterangan yang diperoleh di lapangan diketahui bahwa komponen yang sering
mengalami kerusakan adalah bantalan.
Adapun bentuk masing-masing spektrum dari MIBV ke-1 sampai 12 ditunjukan oleh
gambar dibawah ini :
a) Dari MIBV ke-1 sampai 29 yang ditunjukkan oleh gambar diatas, dapat dilihat
bahwa adanya tren peak getaran yang semakin naik. Hal ini mengindikasikan
terjadinya gejala failure dan penurunan kondisi pada mesin. Berikut adalah data
MIBV lapangan yang diperoleh berupa 29 data spektrum getaran yang digambarkan
sebagai histogram dari amplitudo dominannya.
b) Setiap data spektrum memiliki 513 titik (titik sampel) dan data tersebut akan
digunakan sebagai acuan untuk memprediksikan sisa umur pakai dari data-data
getaran selanjutnya. Dari 29 data yang diperoleh tersebut dibagi menjadi dua yaitu :
1. Data training: Sebagai data training akan digunakan data ke-1 sampai data ke-
12.
2. Data testing: Sebagai data testing akan digunakan data ke-13 sampai data ke-
29.
Pada proses training sinyal input tersebut (data spektrum) diberi nama dengan sisa
umur pakai mesin sebagai berikut:
Pada contoh gambar diatas terlihat bahwa misalignment ditunjukkan dengan adanya
peak spektrum pada 2xRPM dengan amplitudo yang lebih tinggi daripada 1xRPM.
Gambar dibawah menunjukkan jenis-jenis misalignment yang umum terjadi.
Gambar 4.7 diatas menunjukkan bahwa pada saat terjadi misalignment pada poros
kopling, maka dalam 1 siklus terjadi 2 kali hantaman yang menyebabkan getaran. Hal
inilah yang membuktikan bahwa pada kondisi misalignment terjadi spectrum yang tinggi
pada 2xRPM. Terjadinya misalignment pada poros selalu mengakibatkan terjadinya
unbalance, hal ini diindikasikan dengan amplitudo yang besar pada 1x RPM. Selain itu,
terjadinya misalignment mengakibatkan peningkatan gaya-gaya yang terjadi pada
bearing dan seal. Apabila seal bocor maka sistem pelumasan bearing akan mengalami
kontaminasi dari partikel-partikel asing ataupun air. Kontaminasi pada pelumasan ini
dapat mempengaruhi fungsi-fungsi dari pelumas sebagai pendingin dan pencegah
keausan. Hal-hal tersebut dapat mempengaruhi umur dari bearing tersebut.
Bearing yang digunakan pada Cooling Waterpump 2A adalah SKF 6318 yang memiliki
spesifikasi sebagai berikut :
Bd = 36 mm
Pd = 140 mm
N=8
= 00
Untuk mengetahui adanya indikasi kerusakan pada bearing, maka perlu dilakukan
perhitungan empat frekuensi utama dari bearing. Empat frekuensi utama tersebut yaitu :
1. Fundamental Train Frequency (FTF) : Frekuensi ini menunjukan kondisi dari cage
ball bearing.
2. Ball Spin (BS) Frequency : Frekuensi ini menunjukkan kondisi dari bola pada
bearing.
3. Outer Race (OR) Frequency : Frekuensi ini menunjukkan kondisi dari cincin luar dari
bearing.
4. Inner Ring (IR) Frequency : Frekuensi ini menunjukkan kondisi dari cincin dalam dari
bearing.
Dimana:
rps = revolutions per second of inner race
Bd = ball diameter
Pd = pitch diameter
N = number of balls
= contact angle
Gambar Dimensi pada Bearing
Dari perhitungan dan grafik spektrum yang diperoleh terlihat adanya indikasi dari
kerusakan bearing. Kerusakan ini dapat dilihat pada spektrum MIBV ke-12 kisaran
frekuensi outer ringi (OR), yaitu 72,8 Hz (3x RPM) yang mempunyai peak value
dikisaran 0,10447 mm/s. Amplitudo pada kisaran frekuensi tersebut merupakan indikasi
terjadinya kerusakan pada bearing.
Akan tetapi dari grafik spektrum MIBV ke-12 dapat diketahui bahwa terdapat amplitudo
yang tinggi pada frekuensi 143,5553 Hz (6xRPM). Peak tersebut muncul dikarenakan
adanya excessive clearance pada sambungan kopling. Jumlah baut pada sambungan
kopling berjumlah 6. Pada saat misalignment yang terjadi semakin parah, maka
clearance pada sambungan kopling akan semakin besar. Akibatnya terjadi impact pada
keenam baut saat kopling berputar, yang direpresentasikan dengan munculnya peak
spectrum pada 6xRPM.
Diagnosa dari sinyal spektrum pada pengukuran di titik MIBV adalah adanya indikasi
misalignment. Dapat diambil kesimpulan bahwa misalignment merupakan root cause
(akar permasalahan), karena mengakibatkan terjadinya indikasi kerusakan bearing dan
excessive clearance pada sambungan kopling.
Setelah proses training selesai, maka akan didapatkan sebuah struktur anfis
yang dapat digunakan untuk memprediksi sisa umur berdasarkan pola input data
yang diberikan. Stuktur anfis ini merupakan struktur FIS sugeno yang telah
mengalami proses training. Karena pada saat proses belajar (training) terjadi
perubahan-perubahan parameter pada fungsi keanggotaannya.
Pada gambar dibawah ditunjukkan struktur anfis dalam mengidentifikasi sisa
umur 1 bulan.
Record data getaran tersebut diperoleh melalui pengambilan data tiap bulan pada
sepuluh titik pengukuran yaitu:
1. MOH (Motor Outboard Horizontal)
2. MOV (Motor Outboard Vertikal)
3. MIH (Motor Inboard Horizontal)
4. MIV (Motor Inboard Vertikal)
5. MIA (Motor Inboard Aksial)
6. PIH (Pompa Inboard Horizontal)
7. PIV (Pompa Inboard Vertikal)
8. POH (Pompa Outboard Horizontal)
9. POV (Pompa Outboard Vertikal)
10. POA (Pompa Outboard Aksial)
Kurva biru menunjukkan konvergensi Root Mean Square Error (RMSE) dari data
training. Kurva konvergensi ini digunakan untuk mengevaluasi hasil dari proses training
yang dilakukan. Dari grafik konvergensi dapat dilihat juga bahwa jaringan memiliki tren
descending (semakin menurun). Apabila penurunan pada RMSE sudah tidak signifikan,
proses training bisa dihentikan. Pada gambar 5.2(a) dan 5.2(c) terlihat bahwa proses
hybrid training dengan menggunakan type membership function segitiga dan trapesium
langsung dapat mencapai error minimalnya pada iterasi ke 2. Pada gambar 5.2(b),
proses hybrid training dengan menggunakan type membership function lonceng dapat
mencapai error minimalnya pada iterasi ke 25. Karena anfis yang telah disusun telah
dapat mencapai error yang diinginkan, ini berarti jaringan telah mempelajari data dengan
baik sehingga siap untuk digunakan dalam memprediksi sisa umur.
Dari data training menggunakan sistem pembelajaran menggunakan sistem
pembelajaran hybrid dengan 3 4 membership function diperoleh data seperti pada table
dibawah.
Tabel Training data menggunakan sistem pembelajaran hybrid (3 4 MF)
Dari proses training dengan sistem pembelajaran hybrid yang telah dilakukan dapat
diketahui bahwa stuktur anfis yang disusun dapat digunakan untuk memprediksi sisa
umur bantalan pada Cooling Waterpump. Hal ini dapat dilihat dari hasil error yang
didapatkan kurang dari toleransi error yang ditentukan yaitu sebesar 10-6. Dari tabel
juga diketahui bahwa membership function tipe trapezoidal (trapesium) memiliki akurasi
yang paling baik. Hal ini dapat dilihat dari average training error sebesar 3.5239x10-7,
lebih baik dibandingkan dengan dibandingkan dengan tipe trimf (segitiga) dan tipe gbell
(lonceng) dengan average training error sebesar 7.0109x10-7 dan 9.7476x10-6.
Sedangkan contoh proses traning anfis untuk masing-masing tipe membership function
terlihat pada gambar dibawah ini :
Dari kurva konvergensi RMSE pada backpropagation training terlihat bahwa jaringan
tersebut dapat mencapai error minimalnya pada iterasi sekitar 80. Akan tetapi error
minimal tersebut dirasa masih cukup tinggi dan masih jauh dari target error yang
diinginkan
Dari tabel diatas diketahui bahwa membership function tipe trimf (segitiga) memiliki
akurasi yang paling baik. Hal ini dapat dilihat dari average training error sebesar
1.1591x10-6, lebih baik dibandingkan dengan tipe trapezoidal (trapesium) dan tipe gbell
(lonceng) dengan average training error sebesar 1.9355x10-6 dan 1.06x10-5.
Dari tabel diatas diketahui pula bahwa hasil training menggunakan membership function
tipe gbell (lonceng) memiliki tingkat keakurasian yang paling baik. Hal ini dapat dilihat
dari average training error sebesar 0.20852, lebih baik dibandingkan dengan tipe trimf
(segitiga) dan tipe trapezoidal (trapesium) dengan average training error sebesar
0.22847 dan 0.24272.
Pada proses training dengan variasi tipe membership function, didapatkan bahwa tipe
trapezoidal memiliki akurasi prediksi yang paling baik dengan average training error
sebesar 3.5239x10-7. Hal ini berarti bahwa membership function tipe trapezoidal paling
baik dalam memodelkan pola data yang diinputkan kepadanya, yaitu spektrum MIBV.
Tidak ada prosedur baku dalam proses penentuan tipe membership function, karena
proses ini sangat bergantung dengan pola data yang ingin diklasifikasikan. Pada anfis,
proses penentuan membership function sangat menguntungkan karena kemampuan
learning dari jaringan syaraf tiruan digunakan untuk mengatur parameter dalam
membership function sehingga didapatkan hasil yang optimal. Membership function tipe
trapezoidal memiliki core region yang lebih besar dari yang lain, sehingga
menguntungkan ketika digunakan dalam pola data yang kompleks (Jang,1997).
Testing Anfis
Untuk mengetahui apakah struktur anfis yang disusun telah dapat digunakan untuk
memprediksi sisa umur pakai dari mesin Cooling Waterpump 2A, maka perlu dilakukan
testing. Testing dilakukan dengan menggunakan data MIBV ke-13 sampai dengan 29.
Hasil testing untuk MIBV ke-28dapat dilihat pada gambar 5.6 dan 5.7 dibawah ini:
Gambar Testing pada hybrid anfis dengan membership function trapmf
(trapesium)
Kurva merah menunjukkan output anfis aktual dan kurva biru menunjukkan output anfis
yang diharapkan. Perbedaan antara output aktual dan output yang diharapkan adalah
error prediksi yang terjadi pada titik tersebut. Pada prediksi data MIBV ke-28 dengan
sistem pembelajaran hybrid dapat dilihat bahwa error yang terjadi tidak begitu signifikan
dan relatif kecil. Sedangkan pada prediksi data MIBV ke-28 dengan sistem
pembelajaran backpropagation dapat dilihat bahwa jaringan yang disusun tidak dapat
memprediksi data testing dengan baik. Hal ini ditunjukkan dari error yang semakin besar
setelah titik ke 170 hingga 513.
Tabel Testing data pada hybrid anfis (3 4 MF)
Dari tabel diatas diketahui bahwa anfis yang disusun dapat mengenali data dengan
benar pada data ke-24 yang dikenali sebagai data sisa umur kurang 5 bulan, ke-25 yang
dikenali sebagai data sisa umur kurang 4 bulan, data ke-26 yang dikenali sebagai data
sisa umur kurang 3 bulan, data ke-27 yang dikenali sebagai data sisa umur kurang 2
bulan, data ke -28 yang dikenali sebagai data sisa umur kurang 1 bulan dan data ke-29
yang dikenali sebagai data kurang 12 bulan seperti yang dijelaskan dalam histogram
peak MIBV pada gambar 4.2. Akan tetapi pada MIBV ke-13 sampai 22 dikenali sebagai
data sisa umur 12 bulan. Hal ini terjadi karena peak spektrum pada MIBV tersebut masih
dibawah dari data training sisa umur terbesar yaitu MIBV ke-1, sehingga anfis mengenali
data tersebut dengan data yang paling mirip dengan data training. Oleh karena itu,
spektrum pada MIBV ke-13 sampai 22 bisa jadi mengindikasikan getaran dengan sisa
umur yang lebih lama. Pada MIBV ke-23 dikenali sebagai data sisa umur 7 bulan, hal ini
terjadi karna pola datanya mengalami kemiripan dengan data sisa umur 7 bulan.
Error yang didapatkan ketika menggunakan sistem pembelajaran backrpopagation lebih
besar jika dibandingkan dengan sistem pembelajaran hybrid. Hal ini berarti bahwa
tingkat akurasi dari sistem pembelajaran hybrid lebih baik jika dibandingkan dengan
backpropagation karena sistem pembelajaran hybrid merupakan gabungan dari 2
sistem, yaitu RLSE dan backpropagation. Dengan begitu, struktur anfis memiliki
kemampuan yang baik untuk memperbaiki parameter yang akan digunakan dalam
proses prediksi sisa umur.
Dengan penambahan jumlah membership function sebanyak 2 buah pada proses testing
menggunakan sistem pembelajaran hybrid didapatkan hasil bahwa average training
error akan cenderung meningkat. Baik itu menggunakan tipe membership function
segitiga, lonceng maupun trapesium. Ketika menggunakan sistem pembelajaran
backpropagation cenderung menurunkan error saat menggunakan tipe membership
function segitiga, lonceng maupun trapesium.
Dari hasil analisa data yang dilakukan, dapat diambil kesimpulan sebagai berikut :
1. Pada proses training dan testing anfis dengan menggunakan sistem pembelajaran
hybrid dihasilkan average error yang lebih baik daripada menggunakan
backpropagation.
2. Pada proses training menggunakan sistem pembelajaran hybrid dan jumlah
membership function 3 4, tipe trapesium menghasilkan average training error yang
paling baik yaitu 3.5239x10-7.
3. Pada proses training menggunakan sistem pembelajaran backpropagation dan
jumlah membership function 3 4, tipe lonceng menghasilkan average training error
yang paling baik yaitu 0.24702.
4. Penambahan membership function sebanyak 2 buah pada proses training dan
testing menggunakan sistem pembelajaran hybrid akan memperbesar nilai average
errornya.
5. Penambahan membership function sebanyak 2 buah pada proses training dan
testing menggunakan sistem pembelajaran backpropagation akan menurunkan nilai
average errornya.
6. Dari hasil testing pada data MIBV ke-24, 25, 26, 27, 28 dan 29, anfis yang disusun
mampu memprediksi sisa umurnya.
7. Dari hasil perbandingan error, diketahui bahwa metode anfis lebih baik dibanding
JST dalam memprediksi sisa umur mesin Cooling Waterpump 2A.
Saran
1. Untuk rekomendasi penelitian berikutnya, maka penulis menyarankan untuk :
2. Memperbanyak data training anfis untuk meningkatkan performa dari struktur anfis
yang disusun.
3. Dari hasil penelitian ini dapat dibuat sebuah program prediksi sisa umur secara real-
time dengan performa prediksi yang handal.
Pada proses ini dilakukan training pada 12 data yang sudah ditentukan. Tiap data
dilakukan training dengan 100 kali iterasi. Setelah data 1 sampai 12 selesai detraining
lalu dilakukan langkah ke-2.
Pada proses ini dilakukan testing untuk data test ke-1. Pada tampilan ditunjukkan bahwa
data tes 1 memiliki error terkecil dibandingkan dengan data training yang
merepresentasikan sisa umur “12 bulan”
Pada proses ini dilakukan testing untuk data test ke-3. Pada tampilan ditunjukkan bahwa
data tes 3 memiliki error terkecil dibandingkan dengan data training yang
merepresentasikan sisa umur “2 bulan”.
Hasil test data testing ke-4
Pada proses ini dilakukan testing untuk data test ke-4. Pada tampilan ditunjukkan bahwa
data tes 4 memiliki error terkecil dibandingkan dengan data training yang
merepresentasikan sisa umur “3 bulan”.
Pada proses ini dilakukan testing untuk data test ke-5. Pada tampilan ditunjukkan bahwa
data tes 5 memiliki error terkecil dibandingkan dengan data training yang
merepresentasikan sisa umur “4 bulan”.
Study remaining life assessment (RLA) dilakukan untuk dapat membantu manajemen
industri dalam menentukan rencana kerja ke depan yang ekonomis, setelah rotating
equipments beroperasi selama bertahun-tahun. Metode metallography untuk dapat
menentukan nilai martensite. Masalah yang sering timbul pada rotating equipment
adalah pada bagian fast moving objects seperti impeller, shaft, bearing pada pompa.
Ketidaksesuaian kerja pada rotating equipment dapat dideteksi dari tingkat angka
vibrasi. Vibrasi muncul akibat adanya suatu komponen yag bekerja (berputar) secara
tidak sempurna. Mesin yang terdeteksi mempunyai angka vibrasi di atas batas
kelayakan, selanjutnya harus dilakukan pemeriksaan lebih lanjut yang meliputi oil
analysis hingga penggantian komponen agar tidak terjadi perambatan menuju
komponen lain. Semua rotating equipment harus mampu bekerja tanpa henti selama
puluhan tahun, hanya saja disediakan cadangan yang dioperasikan pada saat mesin
sedang menjalani perawatan.
Pada tingkat 1 data-data dsain dan operasi dikumpulkan dan direview. Melalui review
data-data ini, dapat dilakukan pemilahan alat-alat menajdi dua bagian yaitu critical part
dan non critical part. Selanjutnya dilakukan review tentang failure mechanism yang
mungkin untuk setiap komponen. Beberapa kemungkinan failure mechanism yang
dikenal misalnya : creep, relaxation, therman fatigue, fatigue, embrittlement, erosion dan
corrosion.
Tingkat 2 memberikan “sejarah” spesifik dari instalasi, sehingga diperoleh data yang
lengkap mulai dari data desain, operasi, maintenance dan inspeksi. Melalui data
maintenance akan didapatkan berbagai informasi penting seperti riwayat penggantian
dan perbaikan komponen. Sedangkan inspeksi atau testing sangat diperlukan untuk
membnadingkan kondisi material suatu komponen/alatsaat ini dengan kondisi awalnya
untuk menentukan besarnya kemunduran (deterioration) alat tersebut.
Getaran atau vibrasi sangat erat hubungannya dengan rotatibg equipment. Tidak dapat
dipungkiri bahwa sebuah alat yang berputar tentu akan menghasilkan getaran walaupun
kerap tidak dapat dideteksi secara visual. Oleh karena itu diperlukan alat untuk
membaca besaran vibrasi. Suatu benda yang mengalami gerakan berulang-ulang akan
mengalami kelelahan (fatigue) dan semakin besar gaya (vibrasi) yang terjadi maka
semakin cepat kerusakan mesin terjadi.
Banyak hal yang menyebabkan suatu equipment mengalami vibrasi, antara lain adalah
karena unbalance, misalignment, rubbing, shaft bengkok atau kerusakan pada sistme
bantalan. Smeua indikasi penyebab gertaran tersebut dapat terbaca dari alat pengukur
vibrasi (spectrum) dengan bentuk yang berbeda-beda sesuai penyebab.
Pada prisipnya semua benda yang bergerak selalu memiliki titik lelah (fatigue). Suatu
alat yang telah mencapai titik lelahnya, jika tidak ditangani dengan tepat akan mencapai
sebuah kegagalan (failure). Untuk dapat menentukan penyebab suatu kegagalan sangat
perlu dilakukan analisis terhadap kerusakan (failure analysis) agar dapat mengetahui
dan membedakan penyebab dan mekanisme terjadinya kegagalan.
Remaining life assessment adalah usaha untuk mengukur dan memprediksi umur sisa
suatu mesin. Dengan mengethaui umur sisa suatu peralatan atau bagiannya, maka
teknisis dapat merencanakan penggantian atau perbaikan.
Mesin dikatakan ideal pada prinsipnya apabilla seluruh energi yang dihasilkan menjadi
kerja. Walaupun demikian tidak ada yang ideal dari hasil rancangan manusia karena
sebagian energy akan terbuang menjadi bentuk getaran mekanik. Keausan mesin ini
seringkali terjadi dalam jangka waktu yang cepat padahal perbaikan mesin selalu
menggantikan spare part lama dengan spare part baru. Tetapi mengapa getaran-getaran
yang memberikan peringatan bahwa mesin dalam keadaan aus ini cepat menghampiri
mesin Padahal spare part selalu diganti baru jika ada kerusakan.
Analisa vibrasi sangat penting karena salah satu indikator yang baik untuk mendeteksi
masalah mekanis untuk peralatan berputar (Rotating Equipment), karena getaran suatu
mesin yang disebabkan oleh gaya berulang seperti ketakseimbangan, misalignment,
poros bengkok, kerusakan bantalan, kelonggaran mekanik, gear aus, kavitasi dan
resonasi. Mengukur suatu getaran mesin dibutuhkan suatu transducer getaran yang
berfungsi untuk mengolah sinyal getaran menjadi sinyal lain, dalam hal ini sinyal listrik,
transducer accelerometer umumnya mempunyai bentuk yang cukup kecil dan ringan,
serta range temperature dan frekuensi kerjanya cukup lebar. Accelerometer merupakan
sensor yang dapat digunakan sebagai system monitor getaran maupun untuk analisa
getaran. Untuk membantu memperoleh hasil pengujian dari getaran yang sering terjadi
pada mesin-mesin industri. Transducer accelerometer umumnya mempunyai bentuk
yang cukup kecil dan ringan, serta range temperature dan frekuensi kerjanya cukup
lebar. Accelerometer adalah merupakan sensor yang dapat digunakan sebagai system
monitor getaran maupun untuk analisis getaran. Transducer ini mempunyai sensitifitas
yang tinggi terhadap getaran dengan frekuensi tinggi. Ukuran accelerometer cukup kecil
dan ringan, sehingga accceloremeter ini sangat cocok digunakan diokasi yang
mempunyai ruang yang sangat terbatas.
Untuk mesin-mesin yang didesain dengan jam operasi yang panjang/lama maka
diberikan secara praktis ISO 10816-3 yang memberikan batasan getaran operasional,
yaitu alarms dan trips. Alarms merupakan nilai batas dari getaran yang ditentukan untuk
memberikan peringatan dini bahwa getaran sudah mencapai ataupun ada perubahan
yang signifikan. Apabila batas alarms terjadi, pengoperasian mesin dapat dilanjutkan
untuk sementara waktu sambil dilakukan investigasi untuk mengidentifikasi penyebab
perubahan getaran dan menentukan tindakan perbaikannya.
Karakteristik lain dari getaran yang agak khusus adalah pengukuran spike energy.
Besaran dari spike energy ini agak abstrak karena tidak dapat dijelaskan dengan
gambar dari getaran bandul. Pengukuran spike energy adalah pengukuran getaran
frekuensi tinggi akibat adanya pulsa dari energi getaran. Pulsa dari energi getaran yang
terjadi pada mesin sebagai akibat dari:
1. Permukaan yang cacat dari element rolling bearing atau gear.
2. Rubs, impacts, dan terjadi kontak antara logam dengan logam di dalam mesin yang
berputar.
3. Aliran steam dengan tekanan tinggi atau kebocoran udar.
4. Kavitasi akibat aliran yang turbulen dalam fluida.
Gambar Standar Enveloping
Penilitian ini dimulai dengan penerimaan laporan dari operator mengenai kondisi pompa
yang abnormal dengan alat yang digunakan operation vibropen dan kemudian
melakukan peninjauan / pengamatan langsung dilapangan untuk mengetaui kondisi
terkini guna pengambilan data temperatur dan vibrasi menggunakan microlog analyzer
GX. Dari peninjauan yang dilakukan, diketahui masalah apa yang terjadi pada pompa
dan motor tersebut. Salah atu upaya preventive maintenance yang diakukan pihak PT.
Sulfindo Adiusaha adalah menganalisa kondisi motor dan pompa (condition monitoring)
dengan menggunakan pengamatan secara vsual dan vibration monitoring.Pengamatan
secara visual dilakukan pada komponen pompa atau motor yang mengalami kerusakan
saat pembongkaran berlangsung. Sedangkan untuk pengambilan data vibrasi, dilakukan
pada 4 bagian yaitu sisi dalam dan luar motor, serta sisi dalam dan luar pompa. Pada
setiap sisi dilakukan pengambilan data sebanyak 3 kali, yaitu pada sisi horizontal,
vertikal dan axial. Lokasi dan arah pengambilan data vibrasi seperti yang ditampilkan
pada gambar berikut.
Dari hasil laporan dari operator mengenai kondisi pompa yang abnormal dengan alat
yang digunakan operation yaitu vibropen, kemudian melakukan peninjauan dan
pengamatan langsung dilapangan untuk mengetaui kondisi terkini guna pengambilan
data vibrasi menggunakan microlog analyzer GX dengan transducer accelerometer.
Maka terdapat pompa yang mengalami masalah, nilai vibrasi sudah melebih standar,
berikut nilai vibrasi di jelaskan di Tabel 1.
Berikut analisa sinyal getaran dari pompa, P-011C sisi volute pompa:
Dari sinyal getaran enveloping volute (gambar 13) muncul frekuensi sinyal getaran
secara acak hingga di frekuensi tinggi dengan amplitude terbesar di frekuensi 1.55x
CPM (putaran kerja) dengan nilai amplitudo (0.89 gE). Dan kondisi pada saat pompa
operasi disisi volute terdengar suara dengan tingkat kebisingan yang tidak normal.
Tabel Hasil Analisa Sinyal Getaran Motor & Pompa Sentrifugal P-011C
Dari pemeriksaan yang telah dilakukan diketahui bahwa terdapat beberapa kerusakan
pada komponen pompa, sehingga perlu penelusuran lebih lanjut mengapa potongan
kayu dapat masuk ke aliran masuk pompa, dari hasil penelusuran dan pengamatan
langsung terhadap pompa sentrifugal P-011 C antara lain:
1. Struktur cooling tower diperbaki (pergantian kayu struktur) di bulan november 2016,
sehingga dapat dimungkinkan sepihan potongan kayu terjatuh di basin cooling water
dan tergerus air sehingga menuju aliran masuk pompa sentrifugal.
2. Pada sistem instalasi pompa sentrifugal P-011 C tidak terdapat strainer, sehingga
benda asing dapat masuk ke bagian volute pompa yang mengakibatkan kerusakan
pada impeller. Dan pada sisi housing bearing mengalami kebocoran seal pelumas
bantalan yang ditandai keluarnya pelumas di area cover bantalan, sehingga bantalan
mengalami kekurangan pelumas.
Berdasarkan kerusakan yang terjadi dan analisa akar penyebab kerusakannya, maka
dirumuskan strategi perbaikan dan perawatan untuk setiap komponen yang mengalami
kerusakan yang dibuat pada tabel sebagai berikut.
Penambahn strainer pada pipa aliran masuk (suction) guna untuk menghindari kotoran
atau benda asing keruang sudu impeller yang dapat mengakibatkan kerusakan tersebut
terulang kembali dan melaksanakan perbaikan atau perawatan sesuai prosedur.
Kesimpulan yang diperoleh dari hasil inspeksi dan analisa kerusakan yang dibahas
dalam tugas akhir ini antara lain:
1. Kerusakan yang terjadi pada pompa sentrifugal P-011 C adalah:
Dari sinyal getaran motor & pompa inboard diindikasikan parallel misalignment. Sisi
Pompa Inboard & outboard dari pembacaan sinyal getaran dapat disimpulkan bahwa
kerusakan pada komponen bantalan disisi bola & pemisah yang ditandai munculnya
nilai frekuensi eksitasi fundamental impuls pada komponen bantalan tersebut dan
dindikasikan kelonggaran mekanik disisi bearing yang ditandai munculnya frekuensi
sub-harmonik dan inter harmonik, menurut illustrated vibration diagnostic chart
technical associates of charlotte. Dan volute pompa dari analisa pembacaan sinyal
getaran dapat disimpulkan terdapat kerusakan pada sudu pompa sehingga
mengakibatkan kavitasi, yang ditandai munculnya frekuensi sudu diikuti harmonik 2x
frekuensi sudu dan munculnya sinyal random di frekuensi rendah hingga tinggi. Pada
saat pompa beroperasi terdengar suara dengan tingkat kebisingan yang tidak
normal.
2. Karakteristik sinyal getaran yang dihasilkan adalah:
Getaran yang terjadi lebih besar diarah radial poros dan 2x putaran kerja nilai
amplitudo lebih besar dibandingkan 1x putaran kerja dapat diindikasikan parallel
misalignment. Pada domain frekuensi, indikasi pertama kerusakan bantalan dapat
diamati pada daerah frekuensi tinggi. Bantalan yang mengalami kerusakan pada
bagian pemisah (cage) menghasilkan amplitudo dominan pada 600 CPM (1xFTF)
dan kerusakan bola akan menghasilkan ampitudo dominan pada 6300 CPM
(2xBSF). Kerusakan pada sudu impeller pompa menghasilkan amplitudo dominan di
putaran kerja pompa itu sendiri (1500 CPM) dan diikiuti amplitudo dominan di
frekuensi sudu impeller hingga harmonic (2xBPF).
3. Akar permasalahan dari kerusakan pompa sentrifugal P-011 C adalah disebabkan
oleh potongan kayu yang masuk keruang sudu impeller sehingga getaran yang
berlebih disisi pompa dan menyebabkan kebocoran seal bantalan pompa.
Kekurangan pelumas pada bantalan mengakibatkan bantalan kontak langsung
terhadap komponen yang lainnya tanpa adanya pelapis, sehingga bantalan
mengalami kerusakan.
Keandalan merupakan kemampuan sistem atau komponen untuk memenuhi fungsi yang
dibutuhkan dalam kondisi tertentu selama rentang waktu yang spesifik. Keandalan
transformator daya dipengaruhi oleh tingkat kegagalannya. Jurnal ini membahas tentang
analisis keandalan transformator daya berdasarkan nilai TTF (Time To Failure).
Kegagalan transformator daya di sub-sistem transmisi tidak hanya mengurangi
keandalan transformator daya tetapi juga memiliki efek yang signifikan terhadap kualitas
daya. Untuk meningkatkan keandalan utilitas, analisis kegagalan dan tingkat, asal
kegagalan dan penyebab kerusakan fisik harus dianalisis dan dipelajari. Metode yang
digunakan dalam menganalisis adalah Distribusi Weibull. Distribusi Weibull telah banyak
digunakan sebagai metode matematika untuk menghitung laju kegagalan, keandalan,
dan memprediksi waktu sisa umur peralatan apapun. Dengan menggunakan program
matlab, didapat nilai MTTF (Mean Time To Failure) transformator daya gardu induk titi
kuning PT. PLN Persero adalah 0,4327 tahun, nilai rata-rata laju kegagalan (λ ) adalah
2,3113%/tahun.
Sistem tenaga listrik merupakan jaringan kompleks yang terdiri dari banyak komponen
seperti generator sinkron, transformator daya, jaringan transmisi, jaringan distribusi dan
beban. Ketersediaan operasional transformator daya adalah suatu kepentingan strategis
bagi perusahaan utilitas listrik. Keandalan transformator daya dipengaruhi oleh
gangguan dan pemeliharaan transformator daya tersebut. Gangguan yang serius pada
transformator daya menyebabkan kontinuitas pelayanan listrik terganggu dan berakibat
kerugian secara ekonomi. Pemeliharaan yang terjadwal dan teratur dapat meningkatkan
keandalan transformator daya, akan tetapi pemeliharaan yang tidak tuntas dan tidak
terjadwal dengan baik akan membuat transformator daya lebih sering tidak beroperasi
atau melayani. Dengan menggunakan data gangguan dan pemeliharaan transformator
daya, dapat dilihat penyebab PMT transformator daya trip/lepas, dan dapat dihitung
indeks keandalan transformator daya. Indeks keandalan transformator daya adalah laju
kegagalan atau fungsi Hazardous λ(t) dan MTTF (Mean Time To Failure), adapun
metode statistik yang digunakan untuk mengolah dan menganalisis data adalah metode
Distribusi Weibull.
Keandalan adalah suatu kemungkinan dari sebuah barang yang bekerja pada suatu
kondisi tertentu dengan memuaskan dalam suatu periode tertentu. Menurut IEEE,
keandalan adalah kemampuan sistem atau komponen untuk memenuhi fungsi yang
dibutuhkan dalam kondisi tertentu selama rentang waktu yang spesifik. Dari sisi
pandang kualitas, keandalan dapat didefinsikan sebagai kemampuan sebuah barang
untuk dapat tetap berfungsi. Sedangkan dari sisi pandang kuantitatif, keandalan
ditunjukkan sebagai kemungkinan bahwa tidak ada gangguan operasional yang akan
muncul dalam suatu rentang waktu tertentu.
Agar keandalan ini efektif di pendanaan dan waktu, maka keandalan ini harus
terintegrasi dengan aktivitas-aktivitas proyek, dukungan jaminan kualitas, dan upaya
rekayasa secara bersamaan. Keandalan Transformator daya sangat penting
diperhitungkan dalam sistem tenaga listrik, faktor yang mempengaruhinya adalah
gangguan-gangguan yang menyebabkan transformator daya tidak melayani beban, bisa
dikarenakan gangguan eksternal, internal, bahkan pemeliharaan transformator daya
tersebut juga mengakibatkan transformator daya tidak melayani.
Ada banyak cara menyajikan sejumlah distribusi statistik atau probabilitas yang berguna
untuk melakukan berbagai jenis penelitian dalam keandalan, kualitas, dan keselamatan
1. Distribusi Normal
2. Distribusi Binominal
3. Distribusi Poisson
4. Distribusi Eksponensial
5. Distribusi Rayleigh
6. Distribusi Weibull
Dalam teori probabilitas dan statistik, distribusi Weibull adalah salah satu distribusi
kontinu. Distribusi ini dinamai oleh Waloddi Weibull pada tahun 1951. Suatu peubah
acak x berdistribusi Weibull. Parameter-parameter yang dipergunakan dalam evaluasi
keandalan adalah parameter-parameter distribusi peluang. Nilai dari parameter-
parameter ini sangat tergantung pada waktu kegagalan, waktu perawatan dsb. Dengan
kata lain, komponen-komponen di dalam sistem akan gagal tidak pada waktu yang
sama, dan juga akan diperbaiki tidak pada waktu yang sama pula. Dengan demikian
maka Time To Failure (TTF) komponen pun akan berbeda satu sama lain. Setiap pola
distribusi statistika memiliki parameter tersendiri, distribusi weibull mempunyai 2
parameter yaitu Shape Parameter (Parameter Bentuk), Scale Parameter (Parameter
Skala). Untuk mencari nilai indeks keandalan distribusi weibull, kita perlu terlebih dahulu
mencari nilai parameter-parameter distribusi Weibull. Ada 2 metode mencari parameter
distribusi weibull yaitu metode grafik dan metode analisis.
Distribusi weibull memiliki beberapa indeks keandalan seperti laju kegagalan, fungsi
keandalan dan MTTF (mean time to failure).
Laju kegagalan adalah fungsi hazard adalah frekuensi suatu sistem atau komponen
gagal bekerja, biasa disimbolkan dengan λ (lambda). Fungsi laju kegagalan atau fungsi
hazard adalah
Dimana :
λ(t) = Fungsi Laju Kegagalan atau Fungsi Hazardous
F(t) = Probabilitas Fungsi Distribusi Kumulatif
f(t) = Fungsi Kepekatan
α = Scale Parameter
θ = Shape Parameter
MTTF (Mean Time To Failure) adalah waktu rata-rata terjadi kegagalan dalam suatu
sistem atau komponen. Persamaan umum MTTF (Mean Time to Failure) adalah
Dimana :
MTTF=Waktu Rata-rata Terjadi Kegagalan
λ(t) = Fungsi Laju Kegagalan atau Fungsi Hazardous
F(t) = Fungsi Peluang Kumulatif
f(t) = Fungsi Kepekatan
α = Scale Parameter
θ = Shape Parameter
Sebelum menghitung indeks keandalan terlebih dahulu dihitung nilai parameter distribusi
weibull. Untuk menghitung parameter distribusi weibull, digunakan persamaan sebagai
berikut.
Misalkan:
Dimana :
F(t) = Fungsi Peluang Kumulatif
θ = Shape Parameter
α = Scale Parameter
N = Jumlah Kumulatif Kegagalan
Nilai parameter dihitung dengan menggunakan persamaan (7) dan (8). Nilai Shape
Parameter (Parameter bentuk) dan Scale Parameter (Parameter Skala) setelah
dilakukan perhitungan menggunakan program Matlab diperlihatkan pada Tabel 4.
Persamaan yang digunakan untuk menghitung nilai MTTF (Mean Time To Failure)
adalah persamaan (2). Nilai MTTF (Mean Time To Failure) menggunakan program
matlab dapat dilihat pada Tabel 6.
Tabel 6. Nilai MTTF (Mean Time To Failure)
Pada dunia industri, vibrasi dari suatu mesin berputar dimanfaatkan sebagai dasar
dalam menyusun langkah serta jadwal maintenance. Salah satu strategi maintenance
yang dapat digunakan adalah Predictive Maintenance. Predictive Maintenance
merupakan salah satu metode untuk merawat alat. Salah satu instrumen yang sering
dijadikan penerapan Predictive Maintenance adalah rotary machine. Percobaan
dilakukan pada 3 arah secara axial, vertikal, horisontal kemudian didapatkan masing-
masing grafik dengan menggunakan analisa spectrum frekuensi dari MATLAB.
Pengukuran rpm dilakukan menggunakan stroboskop. Data yang diperoleh saat
pengukuran pompa menggunakan stroboskop sebesar 2980rpm. Kesimpulan yang
dapat diambil antara lain hasil monitoring vibrasi terhadap pompa didapatkan jenis
kerusakan Unbalance dikarenakan posisi putaran tidak seimbang akibat adanya
ketidakseimbangan impeller (unbalanced). Hasil monitoring RPM pompa menunjukkan
data kerusakan yang sama pada frekuensi 50 Hz dan 100Hz.
Pompa merupakan salah satu perangkat yang berfungsi untuk memindahkan fluida dari
tempat satu ke tempat lainnya dengan memanfaatkan perbedaan tekanan, guna dapat
menaikkan tekanan dan kecepatan fluida tersebut. Pentingnya fungsi pompa dalam
suatu proses baik skala rumahan hingga skala industry khususnya yang berhubungan
dengan perlakuan fluida. Oleh karena penggunaan pompa yang secara kontinyu dapat
menyebabkan penurunan performansi dan kualitas dari pompa, belum lagi ketidak
sempurnaan manufaktur pada saat pembuatan. Penurunan kualitas kinerja pompa di
tunjukkan dengan level vibrasi yang mulai naik atau yang ditandai dengan munculnya
suara yang tidak wajar pada pompa. Jika ketidaknormalan kinerja pompa dibiarkan dan
pompa tetap dipaksa bekerja, maka dapat mengakibatkn timbulnya kerusakan jenis lain
yang nantinya dapat mengakibatkan pompa trip semakin cepat. Penurunan kualitas
pompa ini dapat dilakukan analisa melalui level vibrasi yang dihasilkan, jika level vibrasi
melebihi batas yang telah ditentukan maka perlu dilakukan analisa dengan
menggunakan FFT (Fast Fourier Transform) untuk menginvestigasi kerusakan yang
terjadi pada pompa (Yudhistira, 2015). Namun FFT ini tidak dapat digunakan untuk
mempresiksi waktu yang dibutuhkan pompa sejak awal dioperasikan hingga pompa
mengalami trip. Oleh Karena itu, dalam penelitian ini dilakukan analisa sinyal getaran
pompa dengan menggunaan Hilbert transform dan Cepstrum analisys Pompa adalah
suatu alat yang digunakan untuk memindahkan suatu fluida dari suatu tempat ke tempat
lain dengan cara menaikkan tekanan cairan tersebut. Standart pompa sesuai dengan
API 610, ISO 5199, DIN 24256 (Martianis, 2012).
Pompa merupakan alat yang berfungsi untuk menimbulkan perbedaan tekanan dalam
fluida sehingga menyebabkan fluida dapat bergerak. Pompa digerakkan oleh motor
listrik. Daya motor listrik penggerak pompa bergantung pada nilai debit pompa, jika debit
pompa besar maka daya motor listrik besar dan sebaliknya. Proses manufaktur di
industri pompa dan motor listrik tidak sempurna 100 % menyebabkan beberapa bagian
pompa yang digabungkan tidak tergabung dengan sempurna. Toleransi manufaktur yang
demikian menyebabkan vibrasi ketika pompa dan motor listrik dioperasikan. Batas
toleransi manufaktur ditentukan oleh level vibrasi berdasarkan ISO 7327. Pompa yang
dioperasikan secara kontinyu akan mengalami penurunan kualitas yang diindikasikan
dengan level vibrasi yang mulai naik. Jika level vibrasi melebih batas yang telah
ditentukan maka perlu dilakukan analisa lebih lanjut menggunakan FFT untuk
diinvestigasi kemungkinan kerusakan yang terjadi pada pompa. Jika pompa dengan
kerusakan tertentu tetap dioperasikan tanpa menghiraukan kerusakan tersebut, maka
akan timbul kerusakan jenis lain yang dapat menyebabkan pompa trip semakiin cepat.
Kerusakan lain yang timbul dapat dideteksi menggunakan FFT. Namun FFT tidak dapat
digunakan untuk memprediksi waktu yang dibutuhkan pompa sejak awal dioperasikan
hingga trip. Dalam peneletian ini diusulkan penggunaan Hilbert transform untuk
memprediksi waktu trip pompa yang akan dikaitkan dengan analisa reliability pompa.
Proses pembangkitan listrik tenaga panas bumi melibatkan beberapa mesin besar, yaitu
scrubber, turbin, kondensor, hot well pump, cooling tower, dan reinjection pump. Turbin
merupakan komponen kategori critical 1 merupakan komponen yang dapat
menyebabkan seluruh pembangkit listrik shut down jika komponen trip. Untuk menjaga
performa pembangkit listrik dalam kondisi baik dan mencegah terjadinya shut down yang
tidak diinginkan perlu dilakukan perawatan terhadap turbin. Jenis perawatan yang
digunakan adalah perawatan prediktif (predictive maintenance). Predictive maintenance
adalah perawatan yang dilakukan berdasarkan kondisi terkini suatu mesin atau sistem.
Komponen mesin yang rusak atau diindikasikan akan segera rusak segera diganti.
Perawatan prediktif dapat mengoptimalkan keandalan sistem dan menghemat inventaris
suku cadang karena tidak semua suku cadang komponen harus disediakan. Perawatan
prediktif dilakukan dengan mengukur dan menganalisa parameter fisis yang terjadi di
turbin, yaitu getaran, suhu, displacement, dan kekentalan oli. Parameter getaran yang
dapat diamati yaitu akselerasi, kecepatan, dan perpindahan getar (Yudhistira, 2015).
Secara umum sistem pengukuran dapat digambarkan dalam blok diagram sebagai
berikut:
Pada pengukuran vibrasi sinyal input berupa getaran mekanik diubah oleh tranduser
menjadi sinyal tegangan kemudian ditransmisikan keelemen pengkondisisinyal, diproses
oleh elemen pemroses sinyal dan akhirnya ditampilkan dalam bentuk data angka
maupun grafik (spektrum, waveform dan trend). Sesuai dengan tiga besaran pada
vibrasi maka tranduser yang digunakan untuk tugas akhir dalam pengukuran vibrasi
adalah :
Pompa merupakan pesawat angkut yang bertujuan untuk memindahkan zat cair melalui
saluran tertutup. Atas dasar kenyataan tersebut maka pompa harus mampu
membangkitkan tekanan fluida sehingga dapat mengalir atau berpindah. Fluida yang
dipindahkan adalah fluida inkompresibel atau fluida yang tidak dapat dimampatkan.
Dalam kondisi tertentu pompa dapat digunakan untuk memindahkan zat padat yang
berbentuk bubukan atau tepung.
Sebuah pompa sentrifugal tersusun atas sebuah impeler dan saluran inlet ditengah-
tengahnya. Dengan desain ini maka pada saat impeler berputar, fluida mengalir menuju
casing disekitar impeler sebagai akibat dari gaya sentrifugal. Casing ini berfungsi untuk
menurunkan kecepatan aliran fluida sementara kecepatan putar impeler tetap tinggi.
Kecepatan fluida dikonversikan menjadi tekanan oleh casing sehingga fluida dapat
menuju titik outletnya.
Dimana
Dari rumus tersebut kita dapat menjabarkan dari mana kita dapat menemukan Daya
Hidrolik (Pw), dan Daya Poros (Psh).
Dimana :
Q = Kapasitas (m3/s)
�� = Masa Jenis fluida (kg/m3)
g = Percepatan Gravitasi ( m/s2)
H = Head (m)
Apabila kapasitas, masa jenis dan percepatan gravitasi telah terdapat pada spesifikasi
dan telah diketahui, maka yang dicari yaitu Head (H), berikut adalah rumus perhitungan
Head (H) :
Dimana :
H = Head total pompa (m)
Ha = Head statis pompa (m)
Δℎ� = Perbedaan tekanan pada kedua permukaan (m)
ℎ� = Kerugian yang keluar (m)
� = kecepatan gravitasi (9,81 m/s2)
Head statis pompa (Ha)
Head statis adalah perbedaan ketinggian (elevasi) dari sisi keluar (akhir proses) pompa
dengan sisi hisap pompa. Dinyatakan dengan satuan meter (m).
Dimana :
P1 = Tekanan sisi inlet (hisap) pompa (Kgf/m2)
P2 = Tekanan sisi outlet pompa (Kgf/m2)
� = Masa jeis fluida (kg/m3)
g = Percepatan gravitasi (m/s2)
Sebelum menerapkan formula untuk mencari kapasitas maka kita harus mengetahui
beberapa simbol yang digunakan pada formula tersebut, berikut simbol-simbol yang
digunakan :
Q = Kapasitas awal (m3/s)
Q1′ = Kapasitas aliran percabangan pertama aksen (m3/s)
Q2′ = Kapasitas aliran percabangan kedua aksen (m3/s)
Q1 = Kapasitas nyata aliran percabangan pertama (m3/s)
Q2 = Kapasitas nyata aliran percabangan kedua (m3/s)
D1 = Diameter pipa pertama (m)
D2 = Diameter pipa kedua (m)
A1 = Luas pipa pertama (m)
A2 = Luas pipa kedua (m)
R1′ = Bilangan Renold pertama aksen
R2′ = Bilangan Renold kedua aksen
f1′ = Faktor gesekan Pertama aksen
f2′ = Faktor gesekan kedua aksen
f2 = Faktor gesekan kedua
V1′ = Kecepatan rata-rata pipa pertama aksen (m⁄s)
V2′ = Kecepatan rata-rata pipa kedua aksen (m⁄s)
V2= Kecepatan rata-rata pipa kedua nyata (m⁄s)
L1 = Panjang pipa pertama (m)
L2 = Panjang pipa kedua (m)
hf1′ = Kerugian gesek pertama aksen (m)
hf2′ = Kerugian gesek kedua aksen (m)
G = percepatan grafitasi (m/s2)
� = viskositas (m2/s)
Dimana :
Pada sistemnya ada beberapa perhitungan dengan rumus, antara lain adalah :
Objek Penelahaan dokumen perencanaan adalah dengan tujuan untuk memeriksa
ketentuan-ketentuan persyaratan minimum sesuai dengan standard, code, maupun
spesifikasi pemilik (owner specification) yang harus dipenuhi
Tabel 2.1 Gejala-gejala kegagalan yang timbul pada pompa (Beebe, 2004)
Tabel 2.1 diatas adalah tabel dari berbagai macam kegagalan pada pompa dan gejala-
gejala yang yang ditimbulkannya. Dari tabel tersebut bisa dilihat bahwa getaran menjadi
indikator untuk mayoritas kegagalan pada pompa. Hal ini menunjukan bahwa getaran
merupakan indikator kondisi mekanikal yang paling baik untuk mendiagnosa kegagalan.
Analisa angka vibrasi yang dihasilkan dari setiap alat selama kurun waktu tertentu.
Gejala timbulnya vibrasi merupakan sebuah parameter adanya noise dalam sebuah
mesin. Untuk itu, nilai vibrasi harus selalu diamati agar tidak melampaui batas yang
diijinkan.Semakin besar timbul angka vibrasi, apablia diabaikan akan merujuk pada
sebuah failure. Gejala vibrasi umumnya timbul akibat gesekan pada moving object
karena kurangnya pelumasan, ketidak seimbangan benda yang bergerak atau berputar,
dan lain – lain. Dari analisa vibrasi, dapat diketahui bagaimana perlakuan dan perhatian
industry terhadap mesin yang mereka operasikan. Selain itu dapat memberi arahan
tentang perawatan yang harus dilakukan terhadap mesin-mesin.
Agar tujuan umum dapat tercapai, dalam kemajuan dan perkembangan teknologi
dibutuhkan beberapa aspek dalam RLA:
1. Sistematik assessment procedure yang terintegrasi dan komponen spesifik yang
dievaluasi dan metode yang digunakan dalam evaluasi, termasuk biaya dan
keuntungan metode tersebut.
2. Identifikasi mekanisme kerusakan berdasarkan servis yang digunakan dalam
kegiatan operasi pompa tersebut.
3. Metode probalitas untuk creep dan creep-fatigue life assessment untuk peralatan
yang mengalami cyclic thermal loading.
4. Menetapkan reference database dari mateiral properties yang dapat diakses dan
digunakan secara engineering praktis.
5. Data historikal pada peralatan exsisting termasuk; as-built dimension, material,
fabrication procedure (welding practice), operational loading seperti: pressure,
mechanical vibration, cyclic fluctuation, dan eksposur lingkungan (temperatur, fluida
service)
6. Code dan standard untuk perpanjangan umur pakai serta resertifikasi yang akan
digunakan.
7. Damage accumulation model dan metode life-prediction jika terindikasi terjadi creep-
fatigue, creep, creep-fatigue crack growth dan thermal-mechanical fatigue (TMF).
Damage accumulation adalah mekanisme kegagalan yang terakumulasi dari
mekanisme fatigue, creep, dan oxidation dapat digunakan dengan pendekatan.
Efisiensi Pompa
V = Tegangan (Volt)
I = Arus listrik (Ampere)
PF = Power Factor (0.79
Gambar 2.3 Hasil program analisa sinyal menggunakan FFT (Roky, 2006)
Dari hasil plot frekuensi domain oleh FFT dari sinyal learning waveform MIBV(Motor
Inboard Vertical) diketahui bahwa Jaringan saraf tiruan yang disusun Anugrah prastowo
mampu memprediksi sisa umur pakai, yaitu dengan hasil akhir ”Maintenance kurang 12
bulan”.
Secara garis besar mekanisme kerusakan yang terjadi di industri minyak dan gas bumi
terbagi menjadi beberapa kategori yaitu :
1. Mekanisme kegagalan mekanikal dan metalurgikal
Contoh : Brittle Fracture, Thermal Fatique, Erosi – Korosi, Kavitasi dll
2. Korosi general atau lokal
Contoh : Atmospheric corrosion, Corrosion Under Insulation (CUI), CO2 Corrosion dll
3. Korosi pada temperatur tinggi (4000 F)
Contoh : Oxidasi, Sulfidation, Nitriding dll
4. Environment – Assisted Cracking
Contoh : Chloride Stress Corrosion Cracking, Caustic Stress Corrosion Cracking dll
5. Pada studi RLA untuk peralatan putar, mekanisme kerusakan yang diprediksi terjadi
adalah sebagai berikut :
a) Korosi Atmosferik
Bentuk korosi yang muncul dari kelembaban yang berkombinasi dengan kondisi
atmosferik. Lingkungan laut dan lingkungan industial yang polusi tinggi dengan
kontaminan memiliki tingkat yang paling parah. Lingkungan pedesaan yang
kering memiliki tingkat korosi yang relatif kecil.
b) Korosi CO2
Korosi karbon dioksida terbentuk ketika CO2 larut di dalam air dan membentuk
carbonic acid (H2CO3). Bentukan ini dapat menurunkan pH dan pada jumlah
yang cukup dapat menyebabkan korosi general dan atau korosi pitting dari
material carbon steel.
Peralatan carbon steel dan low alloy steel bertekanan yang terekspos CO2 dan
air. Seluruh sistem kondensasi. Permukaan bawah apabila pada peralatan
terdapat fase cair dan permukaan atas apabila terdapat kondensasi dari gas
basah.
Gambar 4. CO2 corrosion of a carbon steel oil and gas production flow line
Mirip seperti HIC namun merupakan bentuk yang lebih berbahaya dari crack
yang mana tampak seperti crack yang bertumpuk satu sama lain. Hasilnya
adalah crack yang tembus dan tegak lurus terhadap permukaan dan dipengaruhi
oleh tekanan level tinggi (residual atau apllied). Biasanya muncul pada base
metal berdekatan dengan HAZ dimana dimulai damage HIC atau crack jenis lain.
Dideskripsikan sebagai crack disebabkan oleh kombinasi dari tensile stress dan
korosi pada kehadiran dari air dan H2S. SSC adalah bentuk dari hydrogen stress
cracking yang dihasilkan penyerapan dari atom hidrogen yang diproduksi oleh
sulfide corrosion pada permukaan metal.
f) SSC
Dapat terbentuk pada permukaan baja pada zona lokal dimana memiliki tingkat
kekerasan yang tinggi dan HAZ. Zona high hardness dapat ditemukan pada weld
cover passess dan attachment weld yang tidak dilakukan heat treatment yang
sesuai. PWHT berguna untuk menurunkan tingkat kekerasan dan tekanan residu
yang dapat membuat baja menjadi lebih tahan terhadap SSC.
Pada peralatan carbon steel dan low alloy steel yang terekspos lingkungan H2S
basah. Kerusakan biasanya muncul pada daerah lasan dan nozzle.
Gambar 8. Cross section of plate showing HIC damage in the shell of a trim cooler
which had been cooling vapors off a HHPS vessel in a hydroprocessing unit.
Where Sa is an applied alternating stress and SN is the fully reversed fatigue strength at
Nf cycles to failure. If a mean stress, or residual stress is superimposed on an
alternating stress, its effect can be accounted for by using relations such as modified
Goodman line and Gerber parabola.
The modified Goodman line equation is given by
where Sf is the fully reversed fatigue strength of smooth specimens, Sm is the mean
stress, and Su is the ultimate tensile strength.
It is worthwhile to mention that the centrifugal pump under study is subject to numerous
start-ups and shut-downs during its working life. In particular during a start-up, the volute
casing is proved to be under different stress states due to variations in flow and
consequently in working pressures. Hence, calculated stresses from working pressures
in section 3.2 can be utilized to determine the fatigue life of both initial and optimized
volute casings. FE analyses were performed to predict Sa and Sm for both initial and
modified model. In this research Smin is equal to zero, Since Sa=Sm. For initial model
Sa=Sm=115 and for modified model Sa=Sm=92. In addition, an average number of 20
start-ups per hour is considered in calculation of fatigue lives.
Shows the applied nominal stress versus observed fatigue life. This S–N line is plotted
by linear interpolation of fatigue strength, Sf, at long life (106 cycles), with fatigue
strength at short life (1 cycle) [9]. This figure indicates that the predicted fatigue life of
modified model is significantly more than the predicted fatigue life of initial model.
The experimental lives for both initial and modified models are shown to agree
reasonably well with the S-N predicted line. However, the results remain still reasonable
but very conservative at short lives. This is partly due to the conservative nature of the
commonly used modified Goodman mean stress equation. It should be stated that in this
paper the fatigue strength at 1 cycle is used rather than at 1000 cycles, which leads to
more conservative results. Moreover, at short lives, the localized plastic deformation
reduces the stress amplitude as is the case for initial volute casing.
Figure Nominal Stress versus Experimental Life and S–N Prediction.
Experimental fatigue life and S-N prediction are in reasonable agreement; nevertheless,
S-N curve is conservative for higher cyclic load levels. Therefore, modification applied to
the initial geometry of the volute casing enhances its mechanical reliability and working
life from about 2000 hours up to 10000 hours.
Kegagalan Mesin failure seringkali membatasi waktu kerja pada situasi kritis. Kondisi
Kegagalan sulit diidentifikasi dan bahkan pada beberapa kasus hampir tidak mungkin
untuk diidentifikasi dan ditemukan dalam rentang waktu tertentu. Perawatan berkala
cenderung menurunkan umur pakai meningkatkan down-time dan pada akhirnya akan
mengakibatkan kehilangan produktivitas. Salah satu metode yang sering digunakan
untuk memprediksi degradasi unjuk kerja dari suatu mesin adalah dengan melihat
getaran yang terjadi pada mesin tersebut. Dengan menggunakan sensor getaran maka
akan didapatkan data getaran suatu mesin pada rentang waktu tertentu. Data tersebut
dapat digunakan untuk memprediksikan kondisi mesin pada saat yang akan datang
prognostik. Data yang diperoleh berupa data getaran suatu mesin berbasis waktu yang
harus diubah terlebih dahulu menjadi berbasis frekuensi. Dari data tersebut kemudian
disusun jaringan syaraf tiruan JST yang dapat digunakan untuk memprediksi sisa umur
efektif dari suatu mesin atau sistem. Dimana JST memiliki kelebihan dalam mencari
hubungan antara variabel bebas dan responnya tanpa pemodelan matematis. Error
yang dapat dicapai oleh jaringan syaraf yang telah disusun adalah 10-6.
Salah satu metode yang dapat digunakan untuk memproses data getaran untuk dapat
memprediksi sisa umur pakai dari suatu mesin atau time series prediction adalah
dengan membuat jaringan syaraf. Dari susunan jaringan syaraf tiruan tersebut
diharapkan akan dapat diketahui degradasi unjuk kerja dari suatu mesin.