IDENTIFIKASI KERUSAKAN MESIN BERBASIS SINYAL GETARAN DENGAN METODE FUZZY LOGIC #3
Ahmad Ramali D#1, Budi Setiyono#2, Achmad Hidayatno
#Jurusan Teknik Elektro Fakultas Teknik Universitas Diponegoro jl. Prof. Sudharto, Tembalang, Semarang, Indonesia Abstract - Engine damage monitoring is a very important thing to know for the sake of the actual machine condition so that can be given the appropriate and optimal care or treatment. Monitoring of machine vibration is the most widely used method to monitor the machine condition and quite effective to detect the damage of rotation machine. In this final project, the kind of the pattern recognition used is the supervised one. Vibration signal data taken by accelorometer sensor from these 5 machine conditions: normal, unbalance, looseness, misalignment, and bearing defect. Those datas were then looked for their features by using extraction feature function RMS, skewnes, kurtosis, crest-factor, and shapefactor. The results of feature extraction were then calculated by the method of Mamdani type fuzzy logic with using look-up table for rule making in order to get the fuzzy logic system that can recognize the condition of the machine. The result show that Mamdani type of fuzzy logic with look-up table can recognize the machine condition in good manner. From the examination of 50 data, there are 3 data that failed to recognize the machine condition. This is because there is data that not in the range of database in the designed membership function.
Mamdani atau yang lebih dikenal sebagai FIS Mamdani. Pembuatan fuzzy logic menggunakan FUZZY LOGIC TOOLBOX pada aplikasi MATLAB. II. DASAR TEORI A. Pengenalan Pola Pengenalan pola merupakan sebuah pencarian sturktur di dalam data[2], atau merupakan sebuah bidang yang bersangkutan dengan pengenalan mesin terhadap keteraturan di dalam lingkungan yang kompleks atau terganggu[3]. Metode pengenalan pola secara umum terbagi atas pengambilan ciri data, pengelompokan data dan pengkelasan data. Dalam pengerjaan ketiga langkah tersebut dikenal juga pengerjaan secara terawasi dan pengerjaan secara tidak terawasi. Jika telah ditentukan label data terlebih dahulu maka pengenalan pola tersebut dikategorikan sebagai pengenalan pola secara terawasi.
Keyword - machine condition, feature, fuzzy logic, and Mamdani.
I. PENDAHULUAN Mesin rotasi adalah mesin yang jamak dijumpai dalam proses industri manufakturing maupun industri proses dan hampir menjadi tulang punggung utama dalam proses industri tersebut. Kondisi mesin menjadi aspek utama yang diperhatikan demi kelancaran proses produksi. Dengan mengetahui keadaan teraktual mesin, diharapkan dapat diambil keputusan yang tepat sehingga proses produksi dapat berjalan secara optimal. Pemanfaatan sinyal getaran dan emisi akustik sangat umum digunakan pada pemantauan kondisi dari mesin rotasi. Dengan membandingkan sinyal aktual mesin dengan sinyal normal yang telah diketahui sebelumnya dapat diketahui kondisi aktual yang terjadi pada mesin. Kategori keadaan mesin dapat dibagi menjadi kategori normal, unbalance (ketidakseimbangan), misalignment( tidak seporos), loosenes (kelonggaran), dan bearing (kerusakan bantalan). Pengenalan pola dengan menggunakan kecerdasan buatan dapat diterapkan untuk mendeteksi dan mengidentifikasi kerusakan mesin. Pada umumnya, proses pengenalan pola meliputi: pengumpulan data, ekstraksi data, klasifikasi data dan identifikasi data. Metode kecerdasan buatan umumnya berperan pada klasifikasi dan identifikasi data. Salah satu metode kecerdasan buatan yang cukup populer adalah metode fuzzy logic(logika samar). Fuzzy logic merupakan sistem pakar yang menggunakan perhitungan fuzzy dalam mengolah data untuk menghasilkan premis dan konklusi. Pada tugas akhir ini, data kerusakan mesin dan tipe kerusakan didapat dari makalah aplikasi sistem cerdas oleh Achmad Widodo ST, MT. Metode ekstraksi data yang digunakan adalah RMS (Root Mean Square), kurtosis, skewnes, crest-factor, dan shape-factor. Sementara metode kecerdasan buatan yang digunakan adalah fuzzy logic tipe
Gambar 1 Bagan sistem pengenalan pola
1) Pengekstrakan Ciri Data Ciri adalah nilai terukur tertentu yang didapat dari pengekstrakan data mentah[10]. Pencarian ini penting dilakukan yang dengan didapatkannya ciri khusus tersebut maka pengenalan pola akan semakin tepat. Pengekstrakan ciri dapat dilakukan dengan berbagai macam algoritma seperti spasial (bentuk), numeris atau bahkan dengan penalaran pakar saja. 2) Metode-Metode Pengumpulan (Clustering) Metode pengumpulan dapat dibagi menjadi 2 tipe dasar yaitu pengumpulan secara hirarkis dan pengumpulan secara partisi. Pada setiap tipe tersebut terdapat sejumlah subtipe dan algoritma–algoritma yang berbeda untuk menemukan kumpulan–kumpulan. Pengumpulan secara hirarkis dilakukan dengan menggabungkan kumpulan yang lebih kecil dengan kumpulan yang lebih besar atau membagi–bagi kumpulan yang lebih besar. Metode partisi berusaha untuk mendekomposisi set data menjadi kumpulan–kumpulan data yang tidak berikat. Metode yang umum digunakan pada pengumpulan metode partisi adalah metode K-Means. 3) Metode-Metode Pengkelas Setiap metode pengkelasan menggunakan sebuah himpunan ciri-ciri atau parameter-parameter untuk mengkarekteristik objek, yang mana ciri-ciri ini haruslah bersesuaian dengan masalah yang sedang dihadapi. Pada
kondisi pengenalan secara terawasi, didapatkan sejumlah himpunan yang telah diketahui kelasnya, himpunan-himpunan ini disebut himpunan latih atau data-data latih. B. Teori Dasar Getaran Getaran didefinisikan sebagai gerak osilasi dari suatu objek terhadap posisi netral atau 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. 1) Diagnosa Kerusakan Mesin dengan Analisa Getaran Penggunaan sinyal getaran dan emisi akustik sangat umum digunakan pada pemantauan kondisi mesin rotasi. Dengan membandingkan sinyal dari kondisi mesin normal dan yang mengalami kerusakan, deteksi kerusakan seperti: unbalance, misalignment, rub rotor, loosenes, kerusakan gigi, dan kerusakan bantalan dapat dilakukan [9]. 2) 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.
Gambar 4 Kondisi angular misalignment
Gambar 5 Kondisi parallel misalignment
5) Rolling Element Bearing Defect (Kerusakan Bantalan Gelinding) Kerusakan pada bantalan dapat terjadi pada semua komponen dan akan menyebabkan getaran dengan frekuensi tinggi. Pada hampir semua kasus, komponen bantalan yang mengalami kerusakan dapat diidentifikasi, karena frekuensi spesifik getaran yang dieksitasi berbeda untuk himpunan tiap kondisi kerusakan bantalan. Raceways dan elemen gelinding yang rusak dapat dengan mudah terdeteksi. Frekuensi bantalan rusak tidak terintegrasi pada harmonik kecepatan putaran.
Gambar 6 Komponen penyusun bantalan gelinding
Gambar 2 Kondisi unbalance
3) Mechanical Looseness (Kelonggaran Mekanik) Kelonggaran mekanik adalah salah satu fenomena yang terjadi di mesin. Pada mesin rotasi kelonggaran mekanik dapat terjadi dalam bentuk kelonggaran pada komponen internal (internal assembly loosnes) dan kelonggaran pada struktur (structur loosenes).
Gambar 3 Kondisi structure loosenness
4) Misalignment (Ketidaksesumbuan) Misalignment adalah kondisi dimana sumbu dari poros yang dikopel tidak sesumbu. Jika sumbu poros antara dua mesin sejajar satu sama lain tapi tidak sesumbu maka disebut parallel misalignment. Apabila poros sejajajar bertemu pada suatu titik tetapi tidak pararel maka misalignment tersebut adalah angular misalignment.
C. Ekstraksi Ciri Sinyal Getaran Kerusakan mesin akan meningkatkan nilai getaran mesin. Pada prinsipnya informasi kondisi mesin adalah karakteristik dari getaran. Oleh sebab itu, karakteristik getaran yang baru atau sedang terjadi dapat dibandingkan dengan karakteristik sebelumnya. Hal itu, untuk mencari apakah komponen berperilaku normal atau menunjukkan tanda-tanda kerusakan. Pada penerapannya menggunakan perbandingan seperti itu adalah tidak efektif. Hal itu dikarenakan besarnya variasi, sehingga sulit membandingkan secara langsung. Sebagai pengganti, sebuah teknik yang sangat bermanfaat dengan memasukkan ektraksi ciri sinyal getaran. Secara ideal, ciri lebih stabil dan memiliki pola yang baik dibanding sinyal getaran. Ciri juga menghasilkan pengurangan jumlah data untuk aplikasi pengenalan pola dan teknik identifikasi kerusakan mesin [6]. 1) Ekstraksi Ciri Sinyal Getaran Domain Waktu Sinyal getaran yang dihasilkan dari pengukuran merupakan rangkaian nilai digital parameter getaran (perpindahan, kecepatan, dan percepatan) dalam domain waktu. Gelombang terhadap waktu dapat diolah menjadi data input pada sistem diagnosis. Beberapa ciri seperti parameter statistik dapat menjadi sangat signifikan pada penggunaan teknik analisa getaran domain waktu. Kondisi kerusakan mesin dapat dibedakan menggunakan representasi kuantitatif
ciri domain waktu. Parameter statistik tersebut, antara lain: root mean square (RMS), skewness, kurtosis, crest factor dan shape-factor. • RMS dan Delta RMS RMS merupakan ciri yang mengukur komposisi karakteristik energi dari sinyal getaran. Ciri ini baik dalam mengidentifikasi tingkat noise secara keseluruhan, tetapi tidak menyediakan informasi apapun tentang lokasi komponen yang rusak. Delta RMS adalah perbedaan antara nilai RMS saat ini dan sebelumnya. Pendekatan yang paling dasar untuk pengukuran kerusakan dalam domain waktu adalah menggunakan pendekatan RMS. Pendekatan RMS sering tidak cukup sensitif, khususnya untuk mendeteksi kerusakan yang baru mulai N
1 N
RMS =
∑X
2 i
(1)
i =1
• Kurtosis. Kurtosis didefinisikan sebagai momen keempat dari distribusi dan mengukur kelancipan dan kedataran relatif 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 [6]: K=
N
1 N
∑(X
− µ )4
i
i =1
(2)
σ4
dengan N
σ=
1
∑ N (X
i
− µ )2
(3)
i =1
µ=
1 N
N
∑X
(4) n
SF =
RMS (6)
µ • Skewnes Skewnes menunjukkan sebuah kemiringan atau ketidaksimetrisan dari sebuah distribusi frekuensi. Untuk mendapatkan nilai skewness (sk), maka persamaan yang digunakan adalah: sk =
1 N
N
∑ (X
i
i =1
− µ )3
(7)
σ3
D. 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. 1) 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 semhimpunan 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. F = {(u, µ F (u )) / u ∈ U } (8)
n =1
Nilai µ dan σ merupakan nilai rata-rata dan standar deviasi • Crest-Factor Pendekatan paling sederhana untuk mengetahui kerusakan pada domain waktu menggunakan pendekatan RMS, tetapi nilai RMS tidak dapat menunjukkan perubahan himpunan tiap tahap kerusakan pada roda gigi dan bantalan. Pengukuran lebih baik adalah menggunakan crest factor yang didefinisikan sebagi rasio dari nilai maksimal dari sinyal input terhadap nilai RMS. Untuk mendapatkan nilai crest factor (CF), maka persamaan yang digunakan adalah [6]: X CF = max (5)
2) Fungsi Keanggotaan Fungsi keanggotaan menyatakan derajat keanggotaan dari masing-masing anggota dalam semesta pembicaraan. Adapun fungsi keanggotaan yang sering dipakai dalam praktek antara lain[4]: TABEL 1 PERSAMAAN UNTUK FUNGSI KEANGGOTAAN FUZZY
Segitiga
RMS
Dengan Xmax adalah nilai maksimum dari Xi. • 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 [19]:
Trapezoidal
3) Operasi Himpunan Fuzzy Dua himpunan fuzzy A dan B dalam suatu himpunan semesta U dengan fungsi keanggotaan masing-masing µA dan µb. Memiliki operasi-operasi himpunan antara lain sebagai berikut:
• Irisan dari A dan B ( A ∩ B) Irisan dari dua himpunan fuzzy A dan B adalah himpunan fuzzy dengan derajat keanggotaan elemnnya diberikan sebagai berikut: µ A∩ B (u ) = Min( µ A (u ), µ B (u )) (9) • Gabungan dari A dan B ( A ∪ B) Gabungan dari dua himpunan fuzzy A dan B adalah himpunan fuzzy dengan derajat keanggotaan elemenya diberikan sebagai berikut: µ A∪ B (u ) = Max( µ A (u ), µ B (u )) (10) 4) Fuzzy Reasoning Dalam membuat suatu keputusan logika fuzzy akan selalu didasarkan dari aturan-aturan yang telah ditentukan sebelumnya. Fuzzy reasoning biasanya dilakukan menggunakan aturan if-then. Aturan terdiri dari dua bagian anteceden dan konsquen, sebuah aturan yang umum misalnya
Pada aturan fuzzy diatas input1, input2, dan output adalah variabel fuzzy , sedang kecil, negatif_besar, dan nol adalah variabel linguistik. AND adalah operasi hubungan, operasi ini menyatukan hasil dalam bagian premis. Hubungan umum yang lainnya adalah union OR dan komplemen NOT. Pada pengerjaanya, pembuatan aturan fuzzy dapat dilakukan dengan metode penalaran pakar saja atau dikerjakan dengan menggunakan metode tertentu seperti FAM (Fuzzy Automate Machine) atau dengan tabel aturan (look up table). Umumnya pembuatan aturan dengan metode tabel aturan (look up table) mengikuti algoritma berikut[12]: • Membagi input dan output ke dalam daerah fuzzy. Pada tahap ini, fungsi keanggotaan untuk setiap label input dan output dibentuk menggunakan persamaan fungsi keanggotaan fuzzy seperti segitiga dan trapesium. • Membuat aturan aturan berdasarkan data yang berpasangan Pada tahap ini, aturan sementara fuzzy dibuat dengan cara mengambil nilai termaksimum pada fungsi keanggotaan terhadap data input dan output yang berpasangan. • Menentukan bobot tiap aturan Bobot untuk setiap aturan akan diberikan jika pada aturan sementara yang dirancang sebelumnya terdapat kesamaan antecendant tetapi berbeda pada konsequennya. • Membuat kombinasi aturan fuzzy Dengan menggunakan aturan dan bobot tersebut, dirancang sebuah kombinasi aturan fuzzy yang mencakup semua aturan yang akan digunakan pada sistem fuzzy . 5) Sistem Inferensi Fuzzy (Fuzzy Inference System) Fuzzy Inference System (FIS) dikenal juga sebagai fuzzy rule-based system(sistem berbasis aturan fuzzy ), model fuzzy , fuzzy expert system(sistem pakar fuzzy ) dan fuzzy associative
memory(memori asosiatif fuzzy ). FIS merupakan unit bahasan mayor pada sistem logika fuzzy. Cara kerja FIS adalah dengan memfuzzikan nilai himpunan tegas menggunakan metode fuzifikasi. Setelah fuzifikasi dibentuklah basis aturan. Basis aturan dan basis data disebut sebagai basis pengetahuan. Defuzifikasi digunakan untuk mengkonversi nilai fuzzy menjadi nilai tegas yang diharapkan sebagai hasil dari FIS. 6) Metode-Metode FIS Metode-metode FIS yang paling terkenal adalah FIS Mamdani dan FIS Sugeno. FIS Mamdani diperkenalkan pertama kali oleh Mamdani dan Assilian pada tahun 1975. Sedangkan FIS Sugeno diperkenalkan oleh Sugeno pada tahun 1985. Perbedaan yang mendasar antara kedua tipe FIS tersebut terletak pada konsequen aturan fuzzy nya. Pada FIS Mamdani, konsequen berupa himpunan fuzzy sementara konsequen FIS Sugeno berupa fungsi-fungsi linear. E. FIS Mamdani Keluaran FIS Mamdani berupa himpunan fuzzy untuk setiap variabel keluaran yang harus didefuzufikasikan. Diperbolehkan, dan kadang malah lebih efisien, untuk menggunakan spike tunggal sebagai keluaran fungsi keanggotaan daripada himpunan fuzzy yang terdistribusi. 1) Pembuatan FIS Mamdani Pembuatan FIS Mamdani dilakukan melalui tahapantahapan berikut: • Menentukan sejumlah aturan-aturan Fuzzy Aturan-aturan fuzzy merupakan sekumpulan pernyataan linguistik yang menggambarkan bagaimana FIS tersebut membuat keputusan berdasarakan pengklasifasian masukan atau pengontrolan keluaran • Fuzifikasi masukan menggunakan fungsi-fungsi keanggotaan Tujuan utama dari fuzifikasi adalah untuk memetakan masukan-masukan dari sensor-sensor atau ciri-ciri pada nilai dari 0 sampai 1 menggunakan sebuah himpunan fungsi keanggotaan. • Mendapatkan nilai konsquen Mendapatkan nilai konsquen aturan dengan menggabungkan rule strength dan fungsi keanggotaan • Mengkombinasikan keluaran-keluaran menjadi sebuah distribusi keluaran • Defuzifikasi Lazimnya banyak kasus yang mengharapkan keluaran dari FIS Mamdani berupa sebuah nilai tegas. Teknik defuzifikasi yang digunakan adalah rerata maksimum (Mean of Maximum) dengan fungsi sebagai berikut: l z z = ∑ j (11) j =1 l Dimana z merupakan rerata maksimum, zj adalah titik dimana fungsi keanggotaan bernilai maksimum, dan l adalah banyaknya distribusi keluaran yang sampai pada tingkat maksimum
Gambar 7 Contoh penggunaan defuzifikasi rerata maksimum
III. PERANCANGAN SISTEM Desain perancangan sistem ditunjukkan pada diagram berikut:
12 13 14 15 16 17 18 19 20
0.0180 0.0174 0.0172 0.0169 0.0174 0.0174 0.0184 0.0177 0.0169
0.0199 0.0194 0.0195 0.0189 0.0200 0.0202 0.0197 0.0193 0.0197
0.0242 0.0245 0.0242 0.0241 0.0243 0.0247 0.0250 0.0243 0.0238
0.0189 0.0190 0.0187 0.0189 0.0185 0.0186 0.0190 0.0188 0.0189
0.0512 0.0555 0.0540 0.0497 0.0555 0.0502 0.0524 0.0519 0.0544
3) Ekstraksi Data dengan Skewnes TABEL 3 EKSTRAKSI DATA DENGAN SKEWNES
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Gambar 8 Diagram desain perancangan sistem
A. Ekstraksi Data 1) Data Data yang digunakan adalah
(a)
(b)
(c)
(d)
Norma l 0.1357 0.0900 0.1201 0.1630 0.1415 0.1701 0.1006 0.1408 0.0858 0.1275 0.1387 0.1446 0.1618 0.1251 0.1221 0.0952 0.1608 0.1085 0.1737 0.1144
Unbalance
Loosenes
-0.1174 -0.0354 -0.0731 -0.0978 -0.0850 -0.0227 0.0673 -0.0352 -0.0624 -0.1507 -0.0976 -0.0501 -0.0623 -0.0723 -0.1013 0.0140 0.0296 -0.0665 -0.1015 -0.1725
0.0822 0.1740 0.1885 0.0985 0.0782 0.0994 0.1363 0.1618 0.0544 0.1410 0.0885 0.0447 0.2326 0.0772 0.0701 0.2190 0.1881 0.1481 0.0310 0.0692
Misalig nment -0.2057 -0.1216 -0.1008 -0.0578 -0.0196 -0.1569 -0.1310 -0.0203 -0.0486 -0.1370 -0.2306 -0.0877 -0.0861 -0.1153 -0.1133 -0.1490 -0.1157 -0.0138 -0.0972 -0.1141
Bearing -0.1629 0.0849 -0.1572 -0.0767 -0.1702 -0.1674 -0.1249 -0.0909 -0.0591 -0.2202 -0.0146 -0.0707 -0.0601 -0.0079 0.0405 0.0528 -0.1540 -0.1004 -0.0319 -0.0585
4) Ekstraksi Data dengan Kurtosis (e) Gambar 9 Data (a) kondisi normal, (b) kondisi unbalance, (c) kondisi loosennes, (d) kondisi misalignment, (e) kondisi bearing
TABEL 4 EKSTRAKSI DATA DENGAN KURTOSIS
No
2) Ekstraksi Data dengan RMS TABEL 2 EKSTRAKSI DATA DENGAN RMS
No
Normal
Unbalance
Loosenes
1 2 3 4 5 6 7 8 9 10 11
0.0172 0.0173 0.0168 0.0175 0.0180 0.0178 0.0176 0.0169 0.0173 0.0172 0.0179
0.0201 0.0201 0.0192 0.0193 0.0191 0.0192 0.0203 0.0197 0.0195 0.0193 0.0201
0.0243 0.0243 0.0246 0.0251 0.0238 0.0238 0.0247 0.0248 0.0247 0.0240 0.0245
Misalig nment 0.0181 0.0185 0.0188 0.0187 0.0186 0.0187 0.0188 0.0187 0.0191 0.0191 0.0186
Bearing 0.0517 0.0534 0.0510 0.0531 0.0509 0.0533 0.0544 0.0512 0.0566 0.0515 0.0539
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Norma l 2.7497 2.8111 2.7307 2.6789 2.6061 2.6905 2.7398 2.7771 2.7295 2.6729 2.6927 2.5729 2.7266 2.8166 2.7217 2.6637 2.6965
Unbalance
Loosenes
39.486 33.616 33.525 35.539 35.981 39.023 31.758 33.424 33.092 37.604 37.745 33.457 33.623 35.121 38.177 37.793 32.899
32.698 39.722 33.117 30.067 30.530 33.476 36.183 34.604 30.466 31.642 33.888 35.458 33.460 29.809 32.923 35.013 35.750
Misalig nment 31.852 30.841 33.339 33.006 30.621 30.669 32.217 33.605 31.531 28.982 31.682 33.355 33.403 31.396 29.792 31.332 33.201
Bearing 81.077 115.012 99.750 99.038 89.065 108.647 111.274 89.339 109.867 89.179 104.915 93.857 99.729 84.898 81.954 106.636 83.961
18 19 20
2.7309 2.6147 2.7304
32.570 34.603 40.418
31.051 28.643 32.003
33.155 30.848 29.058
96.267 87.558 108.261
5) Ekstraksi Data dengan Crest-Factor TABEL 5 EKSTRAKSI DATA DENGAN CREST--FACTOR
No
Norma l
Unbalance
Loosenes
Misalign ment
Bearing
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
3.3909 3.2764 3.2253 3.4821 3.1369 3.4181 3.4285 3.3280 3.2830 3.3455 3.1995 3.1283 3.7093 3.0900 3.3025 3.2207 3.8436 3.1382 3.2136 3.4440
37.303 32.894 31.319 33.004 34.094 34.210 31.354 33.030 30.727 32.614 35.546 35.811 32.220 31.473 32.730 38.421 32.990 30.846 31.080 35.589
37.517 37.517 37.517 37.517 37.517 37.517 37.517 37.517 37.517 37.517 37.517 37.517 37.517 37.517 37.517 37.517 37.517 37.517 37.517 37.517
30.264 31.365 38.240 39.489 36.590 28.065 41.286 38.427 33.554 29.079 31.071 36.457 36.310 32.973 30.923 31.769 38.024 42.668 30.252 30.536
53.996 82.329 58.549 61.770 56.228 68.785 79.334 60.996 61.670 56.504 72.335 67.895 67.411 52.337 59.085 70.312 59.177 60.535 63.871 69.349
18 19 20
7.7682 8.0784 7.9075
80.190 90.654 82.490
133.840 124.569 134.403
72.795 89.573 90.044
220.325 249.573 249.482
B. Fungsi Keanggotaan Dari ke-20 20 data tersebut diambil 10 data teratas untuk dijadikan data latih dan dibentuk ntuk menjadi fungsi keanggotaan sebagai antecendent. cendent. Label yang diberikan untuk tiap fungsi keanggotaan tersebut adalah RMS, skewnes, kurtosis, crestfactor, dan shape-factor. Label jenis adalah label yang dijadikan sebagai konsequen dengan anggota-anggota anggota bernama kondisi mesin. Berikut adalah fungsi keanggotaanya:
(a)
(b)
(c)
(d)
6) Ekstraksi Data dengan Shape-Factor TABEL 6 EKSTRAKSI DATA DENGAN SHAPE--FACTOR
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Norm al 8.3889 7.6206 7.9235 7.5162 8.1521 8.0536 8.5513 8.5219 6.9974 8.4544 7.6381 9.4559 7.8879 7.7228 7.7567 8.4734 8.4048
Unbalance
Loosenes
90.330 86.492 84.093 85.741 86.498 93.187 87.264 83.829 89.993 79.524 88.373 91.754 88.714 88.201 81.010 80.316 93.139
135.502 123.170 133.528 132.258 117.695 136.428 146.522 122.813 135.852 128.505 135.982 141.574 101.036 140.240 133.270 122.405 124.641
Misalig nment 76.150 86.461 80.234 80.819 78.839 88.135 82.421 80.682 81.563 84.661 83.982 87.624 88.899 82.406 77.970 96.462 84.054
Bearing 235.418 241.366 248.312 212.136 214.286 240.491 246.297 222.973 252.063 216.887 231.357 218.853 284.200 216.437 247.077 246.772 213.127
(f) (e) Gambar 10 Fungsi keanggotaan (a) label RMS, (b) label skewnes, (c) label kurtosis, (d) label crest-factor, crest (e) label shape-factor, dan (f) label jenis
C. Inferensi Metode pembuatan aturan yang digunakan adalah metode tabel aturan. Sesuai dengan algoritma yang telah disebutkan sebelumnya, tahap pembagian daerah input output telah diselesaikan dengan mendesain fungsi keanggotaan diatas. Tahap pembuatan aturan-aturan aturan sementara didasari dengan membandingkan nilai maksimum yang diberikan fungsi keanggotaan terhadap pasangan input output, menghasilkan aturan-aturan berikut If (RMS adalah h N) and (Skewnes adalah P) and (Kurtosis adalah N) and (Crest-Factor Factor adalah N) and (Shape-Factor (Shape adalah N) Then (Output adalah Normal) If (RMS adalah Z) and (Skewnes adalah N) and (Kurtosis adalah Z) and (Crest-Factor Factor adalah Z) and (Shape-Factor (Shape adalah N)) Then (Output adalah Unbalance)
If (RMS adalah P) and (Skewnes adalah N) and (Kurtosis adalah P) and (Crest-Factor adalah P) and (Shape-Factor adalah P) Then (Output adalah Bearing) Tahap berikutnya adalah pencarian bobot pada aturanaturan yang ber-antecendent sama tapi memiliki konsuquen yang berbeda. Pada aturan-aturan diatas tidak terdapat hal sedemikian sehingga aturan-aturan tersebut dianggap sudah tepat. D. Defuzifikasi Defuzifikasi yang digunakan adalan MOM (Mean of Maxima) seperti yang telah disebutkan sebelumnya di subbab dasar teori IV. SIMULASI DAN ANALISA A. Pengujian pada Data Latih
Bearing(5)
If (RMS adalah Z) and (Skewnes adalah P) and (Kurtosis adalah Z) and (Crest-Factor adalah Z) and (Shape-Factor adalah Z) Then (Output adalah Loosenes)
Loosenes(4)
If (RMS adalah N) and (Skewnes adalah N) and (Kurtosis adalah Z) and (Crest-Factor adalah Z) and (Shape-Factor adalah N) Then (Output adalah Misalignment)
0.0191 0.0191 0.0243 0.0243 0.0246 0.0251 0.0238 0.0238 0.0247 0.0248 0.0247 0.0240 0.0517 0.0534 0.0510 0.0531 0.0509 0.0533 0.0544 0.0512 0.0566 0.0515
0.1357 0.0900 0.1201 0.1630 0.1415 0.1701 0.1006 0.1408 0.0858 0.1275 -0.1174 -0.0354 -0.0731 -0.0978 -0.0850 -0.0227 0.0673 -0.0352 -0.0624 -0.1507 -0.2057 -0.1216 -0.1008 -0.0578 -0.0196 -0.1569 -0.1310 -0.0203
2.7497 2.8111 2.7307 2.6789 2.6061 2.6905 2.7398 2.7771 2.7295 2.6729 39.486 33.616 33.525 35.539 35.981 39.023 31.758 33.424 33.092 37.604 31.852 30.841 33.339 33.006 30.621 30.669 32.217 33.605
ShapeFactor 8.3889 7.6206 7.9235 7.5162 8.1521 8.0536 8.5513 8.5219 6.9974 8.4544 90.330 86.492 84.093 85.741 86.498 93.187 87.264 83.829 89.993 79.524 76.150 86.461 80.234 80.819 78.839 88.135 82.421 80.682
Out put 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3
Normal(1)
0.0172 0.0173 0.0168 0.0175 0.0180 0.0178 0.0176 0.0169 0.0173 0.0172 0.0201 0.0201 0.0192 0.0193 0.0192 0.0192 0.0203 0.0197 0.0195 0.0193 0.0181 0.0185 0.0188 0.0187 0.0186 0.0187 0.0188 0.0187
CrestFactor 3.3909 3.2764 3.2253 3.4821 3.1369 3.4181 3.4285 3.3280 3.2830 3.3455 37.303 32.894 31.319 33.004 34.094 34.210 31.354 33.030 30.727 32.614 30.264 31.365 38.240 39.489 36.590 28.065 41.286 38.427
81.563 84.661 135.502 123.170 133.528 132.258 117.695 136.428 146.522 122.813 135.852 128.505 235.418 241.366 248.312 212.136 214.286 240.491 246.297 222.973 252.063 216.887
3 3 4 4 4 4 4 4 4 4 4 4 5 5 5 5 5 5 5 5 5 5
TABEL 8 HASIL PENGUJIAN PADA DATA UJI
Unbalance(2)
Kurtosis
33.554 29.079 36.375 40.398 36.580 34.151 35.324 37.868 38.105 38.254 33.570 32.945 53.996 82.329 58.549 61.770 56.228 68.785 79.334 60.996 61.670 56.504
B. Pengujian pada Data Uji
Misalignment(3)
Normal(1) Unbalance(2) Misalignment(3)
Skewness
31.531 28.982 32.698 39.722 33.117 30.067 30.530 33.476 36.183 34.604 30.466 31.642 81.077 115.012 99.750 99.038 89.065 108.647 111.274 89.339 109.867 89.179
Pada pengujian terhadap 50 data latih tidak terdapat kesalahan pengenalan kondisi kerusakan.
TABEL 7 HASIL PENGUJIAN PADA DATA LATIH
RMS
-0.0486 -0.1370 0.0822 0.1740 0.1885 0.0985 0.0782 0.0994 0.1363 0.1618 0.0544 0.1410 -0.1629 0.0849 -0.1572 -0.0767 -0.1702 -0.1674 -0.1249 -0.0909 -0.0591 -0.2202
RMS
Skewness
Kurtosis
0.0179 0.0180 0.0174 0.0172 0.0169 0.0174 0.0174 0.0184 0.0177 0.0169 0.0201 0.0199 0.0194 0.0195 0.0189 0.0200 0.0202 0.0197 0.0193 0.0197 0.0186 0.0189 0.0190 0.0187 0.0189 0.0185 0.0186 0.0190
0.1387 0.1446 0.1618 0.1251 0.1221 0.0952 0.1608 0.1085 0.1737 0.1144 -0.0976 -0.0501 -0.0623 -0.0723 -0.1013 0.0140 0.0296 -0.0665 -0.1015 -0.1725 -0.2306 -0.0877 -0.0861 -0.1153 -0.1133 -0.1490 -0.1157 -0.0138
2.6927 2.5729 2.7266 2.8166 2.7217 2.6637 2.6965 2.7309 2.6147 2.7304 37.745 33.457 33.623 35.121 38.177 37.793 32.899 32.570 34.603 40.418 31.682 33.355 33.403 31.396 29.792 31.332 33.201 33.155
CrestFactor 3.1995 3.1283 3.7093 3.0900 3.3025 3.2207 3.8436 3.1382 3.2136 3.4440 35.546 35.811 32.220 31.473 32.730 38.421 32.990 30.846 31.080 35.589 31.071 36.457 36.310 32.973 30.923 31.769 38.024 42.668
ShapeFactor 7.6381 9.4559 7.8879 7.7228 7.7567 8.4734 8.4048 7.7682 8.0784 7.9075 88.373 91.754 88.714 88.201 81.010 80.316 93.139 80.190 90.654 82.490 83.982 87.624 88.899 82.406 77.970 96.462 84.054 72.795
Out put 1 1 1 1 1 1 1 1 1 1 2 2 2 2 3 2 2 2 2 2 3 3 3 3 3 3 3 3
Looseness(4) Bearing(5)
0.0188 0.0189 0.0245 0.0242 0.0245 0.0242 0.0241 0.0243 0.0247 0.0250 0.0243 0.0238 0.0539 0.0512 0.0555 0.0540 0.0497 0.0555 0.0502 0.0524 0.0519 0.0544
-0.0972 -0.1141 0.0885 0.0447 0.2326 0.0772 0.0701 0.2190 0.1881 0.1481 0.0310 0.0692 -0.0146 -0.0707 -0.0601 -0.0079 0.0405 0.0528 -0.1540 -0.1004 -0.0319 -0.0585
30.848 29.058 33.888 35.458 33.460 29.809 32.923 35.013 35.750 31.051 28.643 32.003 104.915 93.857 99.729 84.898 81.954 106.636 83.961 96.267 87.558 108.261
30.252 30.536 32.784 34.561 37.934 33.162 37.652 35.192 38.214 36.249 36.057 37.517 72.335 67.895 67.411 52.337 59.085 70.312 59.177 60.535 63.871 69.349
89.573 90.044 135.982 141.574 101.036 140.240 133.270 122.405 124.641 133.840 124.569 134.403 231.357 218.853 284.200 216.437 247.077 246.772 213.127 220.325 249.573 249.482
3 3 4 3 4 4 4 4 4 4 3 4 5 5 5 5 5 5 5 5 5 5
Dari ke 50 data tersebut terdapat 3 kesalahan keluaran, 1 kesalahan pada label Unbalance dan 2 kesalahan pada label Loosenes.
Gambar 11 Inspeksi data [0.0189 -0.013 0.013 38.177 32.730 81.01] pada setiap aturan
Gambar 12 Inspeksi data [0.0242 0.0447 35.458 34.561 141.574] pada setiap aturan
Gambar 13 Inspeksi data [0.0243 0.0310 28.643 36.057 124.569] pada setiap aturan
Gambar 11 menunjukkan pada label RMS nilai 0.0189 bernilai maksimum pada aturan ke 3 dan begitu juga pada label lain di aturan tersebut sehingga output yang dikeluarkan bernilai 3 padahal output seharusnya data tersebut adalah 2. Gambar 12 menunjukkan nilai 0.0447 tidak masuk pada fungsi keanggotaan label skewnes pada aturan ke 4. Begitu juga pada aturan-aturan aturan lainnya ada nilai-nilai nilai yang tidak masuk pada fungsi keanggotaan tersebut sehingga tidak terbentuk distribusi keluaran, tetapi etapi karena defuzifikasi MOM maka output tetap diberikan nilai 3. Hal yang sama juga terjadi pada gambar 13. V. PENUTUP A. Kesimpulan Berdasarkan simulasi dan analisis yang telah dilakukan, maka dapat disimpulkan beberapa hal sebagai berikut: 1. Pada pengujian data latih, dari 50 data yang diujikan tidak terdapat kesalahan output, sehingga inferensi dikatakan layak digunakan. 2. Pada pengujian data uji, dari 50 data yang diujikan terdapat 3 kesalahan output. 1 kesalahan pada Unbalance dan 2 kesalahan pada Loosenes. 3. Kesalahan pada label Unbalance yang terjadi pada data [0.0189 -0.013 0.013 38.177 32.730 81.010] karena mempunyai nilai pada aturan ke-2 2 dan ke-3. ke Pada aturan ke-3 nilai 0.0189 memberikan nilai maksimum pada fungsi keanggotaan Skewnes, sehingga pada distribusi keluaran MOM mengambil nilai terbesar yaitu 3. 4. Kesalahan pada label Loosenes yang terjadi pada data [0.0242 0.0447 35.458 34.561 141.574]. Nilai 0.0447 pada aturan ke-4 4 tidak masuk pada fungsi keanggotaan label Skewnes, sementara pada aturan lain juga terdapat terd nilai – nilai yang tidak sesuai dengan aturan tersebut. Sehingga tidak ada nilai pada distribusi keluaran, tetapi karena penggunaan defuzzifikasi MOM maka output tetap diberikan nilai 3. 5. Kesalahan pada label Loosenes yang terjadi pada data [0.0243 0.0310 310 28.643 36.057 124.569]. Nilai 0.0310 dan 28.643 pada aturan ke-4 4 tidak masuk pada fungsi keanggotaan label Skewnes dan Kurtosis, sementara pada aturan lain juga terdapat nilai – nilai yang tidak sesuai dengan aturan tersebut. Sehingga tidak ada nilai pada p distribusi keluaran, tetapi karena penggunaan defuzzifikasi MOM maka output tetap diberikan nilai 3. 6. Dengan pengambilan data selama 20 sekon dan inferensi menggunakan algoritma tabel aturan(look aturan( up table) didapat rasio error dari kedua jenis pengujian tersebut sebesar 100 – 3 = 97 per 100 data. Sehingga dapat dikatakan akurasi keakuratannya sebesar 97%. B. Saran Untuk pengembangan sistem lebih lanjut maka dapat diberikan saran – saran sebagai berikut: 1. Jumlah data yang digunakan untuk pelatihan dan pengujian diperbanyak, dalam artian pengambilan sampel data lebih lama lagi.
2. Menggunakan metode fuzzy yang lain seperti Sugeno atau Fuzzy C-Means. 3. Jika menggunakan metode Mamdani, inferensi yang digunakan sebaiknya dimodifikasi lagi. 4. Sistem dapat juga dikembangkan dengan metode hybrid Fuzzy dan Algoritma Genetika. DAFTAR PUSTAKA [1] Away, Gunaidi Abdia. 2006. “The Shortcut of MATLAB Programming”. Bandung : INFORMATIKA. [2] Bezdek, J.C., J. Keller, R. Krisnapuram, and N.R. Pal. 2005. “Fuzzy Models and Alghoritms for Pattern Recognition and Image Processing”. New York : Springer. [3] Duda, R.O., P.E. Hart, D.G. Stork. 1973. “Pattern Classification and Scene Analysis”. Canada : John Wiley & Sons, Inc. [4] Kusumadewi, Sri. 2003. “Artificial Intelligence (Teknik dan Aplikasinya)”. Yogyakarta : Graha Ilmu. [5] Kusumadewi, Sri. 2002. “Analisis dan Desain Sistem Fuzzy Menggunakan Toolbox MATLAB”. Yogyakarta : Graha Ilmu. [6] Lebold, M., K. McClintic, R. Campbell, C. Byington, and K. Maynard. 2000. ” Review of Vibration Analysis Methods For Gearbox Diagnostic and Prognastic”. Proceedings of the 54th Meeting of the Society for Machinery Failure Prevention Technology, Virginia Beach. [7] Mizutani, E., J.R. Jang, and C. Sun. 1997. “Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence”. New Jersey : Prentice-Hall International, Inc. [8] Nedeljkovic, Igor. 2003. “Image Classification Based on Fuzzy Logic”. Stuttgart : Stuggart University of Applied Sciences. [9] Samanta, B., K.R. Al-Balushi, and S.A. Al-Araimi. 2004. “Bearing Fault Detection Using Artificial Neural Networks and Genetic Algorithm”. EURASIP Journal on Applied Signal Processing 2004:3, 366–377. [10] Schalkoff, Robert. 1992. “Pattern Recognition: Statictical, Structural, and Neural Approaches”. New York : John Wiley & Sons, Inc. [11] Scheffer, Cornelius and Paresh, Girdhar. 2004. ”Practical Machinery Vibration Analysis and Predictive Maintenance”. Elsevier, Oxford. [12] Shahida, K., Ibraheem, Moinuddin, M. Farooq. 2003. “A Table Lookup Scheme for Fuzzy Logic Based Model Identification Applied to Time Series Prediction”. Proceedings of The Sixth International Conference of Information Fusion, 2003. 1449-1456. [13] Sivanandam, S.N., S. Sumathi adn S.N. Deepa. 2007. “Introduction to Fuzzy Logic Using MATLAB”. Berlin Heidelberg New York : Springer. [14] Sugiharto, Aris. `2006. “Pemrograman GUI dengan MATLAB”. Yogyakarta : ANDI. [15] Technical Associates of Charlotte, P.C. 1997. SKF
[16] Warsito, B., D. Ispriyanti, dan H. Widayanti. 2008. “Clustering Data Pencemaran Udara Sektor Industri di Jawa Tengah dengan Kohonen Neural Network”. Jurnal PRESIPITASI, Semarang [17] Widodo, Ahmad dan Angga Dwi Saputra. 2010. “Aplikasi Sistem Cerdas Untuk Diagnosa Kondisi Mesin Berbasis Fitur Sinyal Getaran”. Proceeding Simposium Nasional RAPI IX, ISSN 1412-9612, Surakarta. [18] Widodo, Ahmad, Bo-Suk Yang, Dong-Sik Gu, ByeongKeun Choi. 2009. “Intelligent fault diagnosis system of induction motor based on transient current signal”. Elsevier (2009) 680–68 [19] Yan, J., M. Ryan, and J. Power. 1994. “Using Fuzzy Logic: Towards Intelligence Systems”. New Jersey : Prentice-Hall, Inc. [20] Yang, Hongyu. 2004. “Automatic Diagnosis Rolling Element Bearings Using Wavelet Based Pursuit Feature”. Doctor of Philosophy Thesis, Queensland University of Technology, Queensland, Australia. BIODATA MAHASISWA Ahmad Ramali D (L2F 007 007) Saat ini sedang melanjutkan pendidikan strata 1 di Fakultas Teknik Elektro Universitas Diponegoro konsentrasi Kontrol
Mengetahui dan Mengesahkan, Dosen Pembimbing I Dosen Pembimbing II
Budi Setiyono S.T., M.T.
Achmad Hidayatno S.T., M.T.
NIP. 197005212000121001 Tanggal:_________________
NIP. 196912211995121001 Tanggal:____________________
