ANALISIS PROTEKSI VIBRASI PADA POMPA SENTRIFUGAL DENGAN MENGGUNAKAN FAST FOURIER TRANSFORM DAN NEURAL NETWORK Moh. Ishak 1), Dr. Moch. Rivai ST, MT 2), Dr Tri Arief Sardjono, ST, MT 3) 1) Politeknik Caltex Riau Email :
[email protected] 2,3) Intitut Teknologi Sepuluh Nopember (ITS) Email :
[email protected] [email protected] Surabaya 60111, INDONESIA Pompa jenis sentrifugal sangat luas penggunaannya di dunia industri termasuk di industri perminyakan. Pompa sentrifugal banyak berperan dalam peralatan yang penting sehingga kerusakan pada pompa sentrifugal akan mempengaruhi produksi.Dalam penelitian ini, dibuat prototipe pompa sentrifugal untuk melihat pola vibrasi terhadap jenis-jenis kondisi abnormal dengan FFT dan neural network. Ada tiga jenis kondisi abnormal yang dibahas yaitu misalignment, unbalance dan looseness. Dari hasil penelitian didapat bahwa pada kondisi unbalance amplitudo frekuensi putaran 3 kali amplitudo kondisi unfault pada frekuensi yang sama. Untuk kondisi misalignment, harmonik yang muncul pada penelitian ini yaitu frekuensi harmonik ke 2. Pada kondisi looseness, amplitudo frekuensi dasar menjadi 2 kali nilai kondisi normal. Dan tingkat keberhasilan neural network dalam mendeteksi pola spektrum vibrasi mencapai 90%. Kata kunci: Pompa injeksi sentrifugal, proteksi vibrasi, misalignment, unbalance, looseness 1. Pendahuluan Pompa sentrifugal merupakan pompa yang sangat banyak penggunaanya di dunia industri. Peranan pompa jenis ini banyak melaksankan fungsi-fungsi yang vital di suatu industri. Kegagalan fungsi pompa akan menyebabkan tidak berfungsi suatu sistem produksi. Hal ini dapat menyebabkan kerugian dan kehilangan produksi.
Vibrasi merupakan salah satu hal utama yang menyebabkan kerusakan pompa sentifugal. Sumber-sumber vibrasi sangat banyak, misalnya keadaan pompa yang tidak selurus dengan motor penggeraknya (misalignment). Untuk menghindari kerusakan yang disebabkan oleh vibrasi, biasanya dipasang alat pemantau vibrasi. Di dunia industri saat ini, kebanyakan yang dipasang adalah yang memonitor vibrasi sesaat tanpa melihat sumber dan pola vibrasi yang muncul. Melalui penelitian ini, akan dilihat beberapa pola vibrasi yang tejadi pada pompa sentrifugal. Ada empat pola vibrasi yang akan diteliti yaitu unfault, unbalance, looseness dan misalignment. Algoritma yang akan digunakan adalah fast fourier transform (FFT) dan neural network. 2. Metode Penelitian Metode yang digunakan dalam penelitian ini meliputi pembuatan prototipe untuk identifikasi pola vibrasi secara on-line mengunakan neural network. 2.1 Perancangan Sistem Diagram blok sistem yang dirancang terdiri dari sensor accelerometer, A/D converter, FFT, neural network dan hasil Identifikasi kondisi vibrasi seperti yang tampak pada gambar 2.1.
Gambar 2.1 Diagram Blok Identifikasi pola vibrasi on-line
satuan tegangan). Kemudian hasil dalam satuan mV dikalikan dengan 0,0327 m/s^2. Sehingga tampilan sinyalnya adalah dalam satuan percepatan. Sinyal yang dikeluarakan oleh mikrokontroller ini berupa sinyal dalam fungsi waktu (domain waktu). Hasil keluaran dari A/D converter ini ditampilkan dalam bentuk grafik dibawah ini.
2.1.1 Sensor Accelerometer Sensor yang digunakan dalam penelitian ini adalah accelerometer ADXL330. Sensor ini mengukur percepatan dari suatu peralatan. Keluaran dari sensor berupa tegangan DC dengan jangkauan 0~3,3 VDC. Setiap 300mV keluaran sensor setara dengan 1g (9,8 m/ ). Sehingga 1 mV = (9,8m/ )/300 = 0,0327 m/ . Saat pengukuran, sensor diletakan tegaklurus terhadap poros pada sisi inboard motor (dekat kopling). 2.1.2 A/D Converter ADC yang digunakan adalah ADC internal dari Mikrokontroller Atmega8535 dengan resolusi 10 bit. Hasil konversi ADC dapat dihitung dengan rumus sebagai berikut: hasil Konversi ADC 10bit = Vin/Vref x 1024 dimana : Vin = tegangan masukan mikrokontroller
Gambar 2.2 Sinyal domain waktu keluaran mikrokontroller Sinyal domain waktu akan dikonversikan ke domain frekuensi dengan persamaan dasar dari FFT berikut. X(k) = ∑N
x n WN
(2.1)
dimana : n, k, N adalah integer k = 0,1,2,3,.....,N-1 J=√ 1 =e
π/N
=Cos
– j Sin
Vref= tegangan reference (5 Vdc) sehingga : Nilai output yang dihasilkan adalah dari 0 sampai 1024 (10 bit = 2^10 = 1024). Juga dapat dihitung nilai dari 1 bit yaitu : nilai 1 bit = (5 VDC)/1024 = 0,00488 Vdc = 4,88 mVdc. Baudrate yang digunakan adalah 115200 bps. 2.1.3 FFT (Fast Fourier Transform) Nilai keluaran mikrokontroller akan dibaca oleh komputer dengan menggunakan pemrograman delphi7. Nilai LSB dan MSB yang diterima oleh komputer kemudian akan dijumlahkan dan dikalikan dengan 0,00488 Vdc (4,88 mV) (dikonversikan kembali ke
WN (2.4)
e
π
/N
π
Cos
N
jsin
π N
karena x(n)=xr(n)+jxI (n) bisa bernilai kompleks, dan X(k) = XR(k) + jXI(k) maka : XR(k)=∑
xr n cos
π
XI(k)= ∑
xr n sin
π
N N
xI n sin xI n cos
π N π N
Magnitude pada domain frekuensi dapat dihitung berdasarkan persamaan berikut ini :
|X k | real XI k XR k
imaginer
Proses FFT dilakukan setiap 1000 data masukan domain waktu. Adapun flow chart untuk proses FFT adalah seperti gambar 2.3. Tampilan grafik dalam fungsi frekuensi seperti gambar 2.4. Dalam domain frekuensi jika semua data ditampilkan maka frekuensi sebelah kanan sebagai pencerminan frekuensi sebelah kiri, dalam hal ini yang ditampilkan bagian kanan saja.
kemudian akan menjadi data masukan pada neural network. Adapun arsitektur neural network pada penelitian ini untuk pembacaan online adalah seperti gambar 2.6.
Gambar 2.5 Grafik domain frekuensi
Gambar 2.3 Flow chart Proses FFT dengan sample data vibrasi 1000 data
Gambar 2.6 Arsitektur neural network dalam penelitian ini
Untuk nilai keluaran neural network (target) akan mengacu kepada Tabel 2.1. Tabel 2.1 Hubungan pola vibrasi dan target untuk neural network Pola Vibrasi Unfault (Normal) Unbalance (Ketidakseimbangan) Looseness (Longgar/Kendur) Misalignment (Ketidaklurusan)
Gambar 2.4 Grafik sinyal dalam domain frekuensi.
2.1.4 Neural Network Proses FFT akan menghasilkan data frekuensi (f0 sampai f500). Data-data frekuensi ini kemudian akan dilewatkan melalui proses neural network untuk menentukan pola vibrasi yang terjadi. Jika digambarkan secara umum grafik frekuensi akan tampak seperti gambar 2.5. Dari grafik ini tampak bahwa ada 500 nilai frekuensi (f0 ~ f500). Nilai-nilai ini
Yo 1 0 0 0
Target Y1 Y2 0 0 1 0 0 1 0 0
Y3 0 0 0 1
Persamaan yang digunakan dalam neural network ini pada setiap layer adalah sebagai berikut. Persamaan umum : Persamaan umum : Output y
∑N w i
(2.2) x i
bias
(2.3)
Untuk nilai-nilai bobot yang digunakan adalah hasil pembelajaran yang dilakukan dengan NN backpropagation secara terpisah. 2.1.5
Pembelajaran Backpropagation
dengan
NN
Gambar 2.8 adalah blok diagram untuk proses pembelajaran neural dan dapat dilihat bahwa data-data frekuensi yang akan dijadikan sebagai acuan pembelajaran dimasukan dalam pemrograman back propagation NN dan akhirnya akan menghasilkan bobot dan bias. Data masukan frekuensi
o 1[j]:=1/(1+exp(-temp)) o 2[j]:=1/(1+exp(-temp)); o 3[j]:=1/(1+exp(-temp));
MULAI
Masukan data spektrum frekuensi
Menentukan matrik Target
Menentukan nilai Parameter NN : - Set jumlah iterasi - Menentukan jumlah hidden layer
Pelatihan NN menggunakan Back Propagation. Algoritma training : gradient descent backpropagation with adaptive learning rate; Transfer function : sigmoid
MSE < 0.001
Hasil Identifikasi Pola Vibrasi : Unfault, Unbalance, Looseness atau Misalignment
Gambar 2.7 Flow chart proses neural network untuk identifikasi pola vibrasi
Tidak
Ya Simpan bobot dan bias
SELESAI
Gambar 2.9 Flow chart pembelajaran NN
2.2 Metode Pengambilan Data Gambar 2.8 Blok diagram proses pembelajaran NN
2.2.1 Model kondisi Unfault (Kondisi normal) Kondisi Unfault atau kondisi normal didefinisikan sebagai kondisi normal operasi pompa dan pompa dapat beroperasi secara kontinyu. Salah satu ciri kondisi ini yaitu kopling pompa dpat dengan mudah diputar secara manual dengan tangan.
2.2.2 Model kondisi (Ketidakseimbangan)
Unbalance
Kondisi unbalance yaitu kondisi dimana terjadi ketidakseimbangan pada poros pompa atau motor ketika berputar. Berikut ini adalah gambar posisi-posisi baut pada base pompa dan motor pada prototipe penelitian ini.
Gambar 2.12 Base pompa saat Unbalance kondisi 1
Gambar 2.13 Base pompa saat Unbalance kondisi 2 Gambar 2.10 Hubungan kopling pompa dan motor saat Unfault Gambar 2.14 Base pompa saat Unbalance kondisi 3
Gambar 2.11 Posisi baut pada prototipe base pompa dan motor
Motor akan dikondisikan unbalance dengan cara menaikan satu atau dua titik pada base motor. Hal ini dilakukan dengan cara pengaturan putaran baut. -Kondisi 1 : Base motor dinaikan pada baut no.1 sebanyak 1 putaran baut (2mm) -Kondisi 2 : Base motor dinaikan pada baut no.1 sebanyak 1 putaran baut (2mm) dan pada baut no.2 sebanyak 1 putaran baut (2 mm) -Kondisi 3 : Base motor dinaikan pada baut no.1 sebesar 1 putaran baut (2mm) dan pada baut no.2 sebesar 1 putaran baut (2 mm) dan pada baut no.3 sebesar 1 putaran baut (2 mm) -Kondisi 4 : Base motor dinaikan pada baut no.1 sebesar 1 putaran baut (2mm), pada baut no.2 sebesar 1 putaran baut (2 mm), pada baut no.3 sebesar 1 putaran baut (2 mm) dan pada baut no.4 sebesar 0.5 putaran baut (1 mm)
Gambar 2.15 Base pompa saat Unbalance kondisi 4
2.2.3 Model kondisi Misalignment (Tidak Selurus) Kondisi ini didapat dengan cara menurunkan base motor dari kondisi normal. 2.2.4 Model kondisi Looseness (Kondisi base Longgar atau kendur) Dalam penelitian ini, berikut kondisi untuk mendapatkan looseness. -Kondisi 1: Semua baut base motor dan semua baut base pompa dalam keadaan kendur/longgar. -Kondisi 2 : Semua baut base motor dalam keadaan kendur/longgar, sementara semua baut base pompa dipasang kuat
Gambar 2.16 Kondisi pompa saat misalignment
3. Hasil dan Pembahasan
3.1.1
Hasil dari penelitian untuk ke empat pola spektrum vibrasi akan dijelaskan dibawah ini.
Spektrum (Normal)
Kondisi
Unfault
3.1 Pola-pola Spektrum Vibrasi pada Prototipe Pompa Sentrifugal Prototipe pada penelitian ini menggunakan pompa dan motor yang memiliki kecepatan putaran poros sebesar 2800 rpm (putaran per menit). Sehingga frekuensi putaran pompa/frekuensi dasar adalah sebagai berikut : frekuensi putaran poros / frekuensi dasar = rpm/(60 detik) = 2800/60= 46,7 Hz. . Sementara itu frekuensi-frekuensi harmoniknya adalah sebagai berikut :
Gambar 3.2 Spektrum frekuensi Kondisi Normal
Dari spektrum kondisi normal ini, dapat dilihat bahwa amplitudo tertinggi ada pada frekuensi dasar (46.7 Hz). Sementara pada frekuensi-frekuensi harmonik-1, 2 dan 3 spektrum tetap muncul dengan amplitudo yang lebih kecil. 3.1.2
Spektrum Kondisi (Ketidakseimbangan)
Unbalance
frekuensi harmonik-1 = 46,7 x 2 = 93,4 Hz frekuensi harmonik-2 = 46,7 x 3 = 140.1 Hz frekuensi harmonik-3 = 46,7 x 4 = 186,8 Hz frekuensi harmonik-4 = 46,7 x 5 = 233,5 Hz
Gambar 3.1 Foto rangkaian prototipe saat melakukan pengambilan data di Laboratorium Eletronika Industri ITS Surabaya. Pada penelitian ini, pengukuran vibrasi akan menggunakan 1 (satu) unit sensor akselerometer Adxl330. Sinyal yang ditampilkan sebagai hasil pengukuran adalah domain waktu dan domain frekuensi.
Gambar 3.3 Spektrum frekuensi kondisi Unbalance
Pada gambar 3.3 dapat dilihat bahwa dengan menaikan base motor pada posisi kondisi 1 setinggi 2 mm maka akan menyebabkan kondisi unbalance. Hal ini
disebabkan karena dengan turunnya satu titik menyebabkan putaran poros menjadi tidak seimbang. Pada kondisi ini, amplitudo pada frekuensi dasar menjadi 3 kali lebih tinggi jika dibandingkan dengan kondisi normal pada frekuensi yang sama. Sementara itu, spektrum pada frekuensi harmoniknya tetap muncul dan nilai amplitudonya tidak berubah hampir sama seperti pada kondisi normal. Untuk kondisi 2, pola spektrum frekuensi yang dihasilkan masih sama dengan spektrum kondisi unbalance. Namun amplitudo pada frekuensi dasar menurun dan lebih kecil jika dibandingkan pada kondisi 1. Hal ini disebabkan oleh posisi non drive-end motor (kiri dan dan kanan) mempunyai level tinggi yang sama. Dan hanya berbeda dengan sisi drive-end motor. Untuk kondisi 3, amplitudo pada frekuensi dasar menjadi tinggi kembali mencapai lebih dari dua kali tinggi amplitudo jika dibandingkan dengan kondisi normal pada frekuensi yang sama. Hal ini dikarenakan hanya satu titik yang tidak level seperti kondisi 1 sehingga menyebabkan ketidakseimbagan yang tinggi.
Gambar 3.4 Spektrum vibrasi kondisi misalignment
Hasil spektrum frekuensinya adalah sebagai berikut. Dari gambar 3.4 ni dapat dilihat bahwa pada saat misalignment spektrum pada frekuensi hormonik-2 mempunyai besar amplitudo 2 kali dari amplitudo pada kondisi normal. Sementara amplitudo pada frekuensi harmonik lainnya tetap muncul dan besarnya sama dengan frekuensi dasar. Hal ini sesuai dengan penelitian yang telah dilakukan oleh Giovanni Betta (IEEE, 2002) yang menyatakan bahwa kondisi misalignment akan menyebabkan amplitudo pada frekuensi harmonik akan dominan dan lebih tinggi dari frekuensi dasar. Pada penelitian ini frekuensi harmonik-2 yang muncul dominan. 3.1.4 Spektrum Kondisi (kendur/Longgar)
Looseness
Pada spektrum kondisi 4, amplitudo yang dihasilkan pada frekuensi dasar sama dengan kondisi 3. Hal ini dikarenakan titik no.4 masih belum sama levelnya dengan ketiga titik lainnya Dari analisis ke-empat spektrum frekuensi untuk kondisi unbalance, dapat disimpulkan bahwa amplitudo pada frekuensi dasar menjadi hampir 3 kali besar jika dibandingkan dengan kondisi normal. Sementara amplitudo pada frekuensi-frekuensi harmonik tetap dan hampir sama dengan kondisi normal. 3.1.3 Spektrum Kondisi Misalignment (Tidak Selurus)
Gambar 3.5 Spektrum frekuensi kondisi Looseness
Dari gambar 3.5 ini dapat dilihat bahwa pada kondisi looseness ini, frekuensi dasar mempunyai amplitudo lebih tinggi jika dibandingkan dengan kondisi normal. Sementara itu, frekuensi harmonik-2 juga mempunyai amplitudo yang lebih tinggi. Hal ini disebabkan karena dengan dikendurkannya semua baut pada base motor menyebabkan ketidakseimbangan menjadi lebih tinggi. Disamping itu, dari gambar 4.6 dapat dilihat bahwa muncul frekuensi harmonik lain
pada frekuensi 35 Hz. Frekuensi-frekuensi rendah ini muncul sebagai akibat kendurnya baut-baut pada base motor dan pompa. 3.2 Klasifikasi menggunakan neural network Untuk proses pembelajaran dilakukan dengan menggunakan matlab. Berikut adalah hasil pengujian neural network dengan data actual dari pompa. Dari Tabel 3.1, dapat dilihat bahwa tingkat keberhasilan neural network adalah 90% (dari 10 pengambilan data, 1 data yang tidak tepat). Gambar 3.5 Hasil Neural network untuk ke-4 pola spektrum vibrasi
Tabel 3.1 Hasil pengujian NN No.
Pola Yang muncul
Hasil Neural Network
Hasil (Tepat/Tidak Tepat)
1
Misalignment
Misalignment
Tepat Tepat
2
Unfault
Unfault
3
Misalignment
Misalignment
Tepat
4
Looseness
Looseness
Tepat
5
Misalignment
Unfault
Tidak Tepat
6
Unfault
Unfault
Tepat
7
Looseness
Looseness
Tepat
8
Misalignment
Misalignment
Tepat
9
Looseness
Looseness
Tepat
10
Looseness
Looseness
Tepat
4. Kesimpulan Dari hasil penelitian ini dapat ditarik beberapa kesimpulan sebagai berikut: 1. Kondisi unjuk kerja pompa dapat diamati dengan menggunakan spektrum vibrasi. 2. Pada kondisi Unbalance, spektrum frekuensi dasar menjadi 3 kali lebih besar dari kondisi normal. 3. Pada kondisi misalignment spektrum frekuensi harmonik ke-2 akan lebih dominan. 4. Pada kondisi looseness, spektrum frekuensi dasar akan naik menjadi 2 kali lebih tinggi dari kondisi normal. 5. Tingkat keberhasilan neural network mencapai 90%.
DAFTAR PUSTAKA [1] Birajdar R, Pati R, Khanzode K, Kirloskar Brothers Ltd., (2009), “VIBRATION AND NOISE IN CENTRIFUGAL PUMPS SOURCES AND DIAGNOSIS METHODS”, 3rd International Conference on Integrity, Reliability and Failure, Portugal, 20-24 July 2009.
[2] Orhan Sadettin, Aktu Nizami , Veli C, (2005), “Vibration monitoring for defect diagnosis of rolling element bearings as a predictive maintenance tool: Comprehensive case studies”, NDT&E International 39 (2006) 293–298. [3] Ruuska, Mikko, H. Andersson, Paul, Dubrovnik, (2003), “SPINDLE BEARING MONITORING USING ACOUSTIC EMISSION”, Proceedings, XVII IMEKO World Congress, 2164~2167. [4] Giovanni Betta, Student Member, IEEE, Consolatina Liguori, Alfredo Paolillo, and Antonio Pietrosanto, (2002), “A DSP-BASED FFT-ANALYZER FOR THE FAULT DIAGNOSIS OF ROTATING MACHINE BASED ON VIBRATION ANALYSIS”, IEEE Transactions on Instrumentation and Measurement, vol. 51, no. 6. [5] Reimche W, Südmersen U, Pietsch Or, Scheer C, Bach F, (2003), “BASICS OF VIBRATION MONITORING FOR FAULT DETECTION AND PROCESS CONTROL”. University of Hannover, Institute of Material Science, Department of NDT.
[6] H. Shreve Dennis, (1995), “SIGNAL PROCESSING FOR EFFECTIVE VIBRATION ANALYSIS”, IRD Mechanalysis, Inc Columbus, Ohio. [7]Ahmed, R. Supangat, J. Grieger, N. Ertugrul and W. L. Soong, (2004), A Baseline Study for On-Line Condition Monitoring of Induction Machines”, Australasian Universities Power Engineering Conference (AUPEC 2004).
