IDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (Miftahuddin; Ir. Yerri Susatio, MT; Dr. Ir. Aulia Siti Aisyah, MT) Jurusan Teknik Fisika – Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih – Sukolilo, Surabaya 60111 Abstrak
Getaran yang ditimbulkan oleh motor berakibat pada kinerja seiring dengan waktu pemakaian motor tersebut. Agar tidak terjadi kerusakan dini akibat pemakaian secara terus-menerus perlu dilakukan identifikasi kerusakan. Salah satu metode yang digunakan adalah melalui pola sinyal suara yang ditimbulkan oleh motor. Pada penelitian ini dilakukan identifikasi terhadap 2 kondisi suara yaitu, normal dan unbalance. Kedua data tersebut direkam dan disimpan dalam format wave (data dalam domain waktu) yang selanjutnya akan ditranformasikan ke domain frekuensi melaui algoritma PSD. Hasil transformasi berupa ekstrasi fitur frekuensi dasar, frekuensi harmonik ke-2 dan frekuensi harmonik ke-3 yang akan dijadikan sebagai input untuk identifikasi dengan menggunakan ANFIS dari hasil simulasi. Struktur ANFIS ini terdiri dari 4 lapisan dengan 3 input, 36 aturan fuzzy dan 1 output. Simulasi didapatkan bahwa untuk identifikasi kerusakan mesin berputar berdasarkan sinyal suara menghasilkan RMS eror training sebesar 2.2 x 10-5. Kata kunci : Getaran, suara, normal, unbalance, PSD, ANFIS.
Saat ini terdapat berbagai macam metode pengenalan suara. Sebagain besar berdasarkan pada pemrosesan data yang pada umumnya pola pengenalan atau identifikasi didasarkan dari informasi karakteristik dari spektrum FFT atau dengan kata lain melalui pengamatan visual. Ada juga yang menambahkan logika fuzzy sebagai algoritma klasifikasinya dan ada juga yang menambahkan jaringan syaraf tiruan sebagai algoritma klasifikasinya. Pada penelitian ini memperkenalkan metode Adaptive Neuro Fuzzy Inference Syetem (ANFIS) sebagai sebagai algoritma klasifikasinya. Jaringan syaraf tiruan dapat mempelajari data input sinyal suara dari beberapa kondisi kerusakan dan dapat membangun sistem identifikasi yang sangat baik dengan akurasi tinggi. Sedangkan logika fuzzy memiliki kemampuan dalam menirukan pengambilan keputusan seperti halnya pada manusia (melalui pengamatan visual). Dengan demikian, pemanfaatkan kedua kelebihankelebihan dari metode itu digunakan metode Adaptive Neuro Fuzzy Inference Syetem (ANFIS) yang merupakan gabungan dari kedua metode tersebut. Diharapkan dengan penerepan metode ini dapat meningkatkan identifikasi mesin dan dapat dijadikan tool yang efisien untuk mendeteksi kerusakan pada mesin dengan akurasi tinggi.
I. Pendahuluan Motor merupakan salah satu komponen yang sering dipakai di industri maupun di peralatan rumah tangga sehingga menjadi komponen penting yang perlu diperhatikan. Setiap mesin rotasi (motor) pasti mengalami getaran. Seiring dengan waktu pemakaian, mesin akan mengalami penurunan performansi atau kinerja. Penurunan itu menunjukkan adanya ketidaknormalan atau kerusakan pada mesin jika dibandingkan pada saat kondisi awal pembelian. Gejala ketidaknormalan atau kerusakan dapat diidentifikasi dengan menganalisa getaran mesin dengan membandingkan getaran pada kondisi normal dengan kondisi setelah pemakaian. Dengan analisa getaran dapat diketahui jenis-jenis kerusakan yang terjadi pada mesin tersebut. Perubahan getaran mesin tersebut akan mengakibatkan perubahan pola suara yang diemisikan mesin. Suara motor merupakan karakteristik penting yang mengindikasikan kondisi suatu motor di samping karakteristik getaran dan listrik (arus dan tegangan). Penyimpangan pada suara motor dari kondisi normal kemungkian tinggi menyatakan adanya kerusakan pada motor. Suara yang diemisikan oleh mesin rotasi pada berbagai macam kasus merefleksikan kondisi suatu mesin itu sendiri. Manfaat penting dari penggunaan suara sebagai dasar untuk deteksi kerusakan adalah kemudahan instalasi dan monitoring..
1
berbeda dalam media yang berbeda. Pada udara kering, suara berjalan pada 331,6 m/detik pada 0oC. Setiap molekul bergerak maju-mundur pada jarak kecil, tetapi cukup untuk menyebabkan partikel-partikel udara untuk saling bertabrakan. Hal ini menciptakan daerah dimana terdapat banyak molekul yang berdekatan (memampat) dan daerah-daerah di mana molekul tersebar berjauhan (merenggang). Pemampatan dan perenggangan ini bergerak ke luar menjauhi sumber suara dalam suatu bentuk lingkaran. Sebuah gelombang suara terbentuk ketika ada perubahan tekanan (gelombang bergerak melalui udara)[34].
II. Teori Penunjang 2.1. Mesin Berputar Mesin berputar merupakan suatu mesin yang berfungsi mengubah energi listrik menjadi energi mekanik berupa putaran. Mekanisme pada mesin berputar, yaitu arus listrik dalam medan magnet akan memberikan gaya. Kawat yang membawa arus dibengkokkan menjadi sebuah lingkaran/loop, maka kedua sisi loop, yaitu pada sudut kanan medan magnet akan mendapatkan gaya pada arah yang berlawanan. Sehingga pasangan gaya tersebut menghasilkan tenaga putar/torque untuk memutar kumparan (rotor)[22].
Gambar 1 Proses Konversi Energi yang terjadi pada Mesin Berputar[22]
Gambar 3 Pembangkitan Gelombang Suara[36]
Proses ini terjadi pada batas udara antara stator (bagian yang diam) dengan rotor (bagian yang berputar). Pada rotor terdapat shaft yang berfungsi untuk meneruskan energi mekanik ke luar. Jenis-jenis mesin berputar yang sering digunakan diantaranya fan/kipas, blower, pompa, turbin, dan motor.
Pada awalnya komponen mesin dapat bergetar dikarenakan adanya gesekan antara 2 atau lebih komponen mesin pada saat mesin sedang berputar. Getaran mesin kemudian dipropagasikan melalui komponen-komponen mesin, kemudian baru keluar dari bodi mesin sehingga menimbulkan suara. Kerusakan pada mesin yang semakin parah akan menyebabkan bunyi yang khas dan semakin lama semakin keras. Deteksi kerusakan dapat dilakukan karena perbedaan kerusakan akan menyebabkan perbedaan getaran dan perbedaan getaran pada akhirnya akan menimbulkan perbedaan suara yang keluar dari mesin. Perbedaan kerusakan juga akan menimbulkan bunyi yang berbeda-beda tergantung pada jenis kerusakan mesin[32].
Gambar 2 Bagian-Bagian Mesin Berputar (Motor)[23] 2.2 Getaran dan Suara
2.3 Kerusakan pada Mesin Berputar Ada beberapa jenis kerusakan yang biasanya terjadi pada mesin berputar, diantaranya : Unbalance, Misaligment, Bent Shaft, Looseness, Bearing Defects, Gear Defects, Eccentricity, dll. Namun Dalam penelitian ini jenis kerusakan yang akan diidentifikasi adalah Unbalance.
Bunyi atau suara adalah kompresi mekanikal atau gelombang longitudinal yang merambat melalui medium pada kecepatan yang tergantung pada suhu. Medium atau zat perantara ini dapat berupa zat cair, padat, gas. Suara dihasilkan ketika sebuah objek bergetar[31,36]. Ketika sebuah objek bergetar, molekul udara di sekitar objek juga bergetar. Objek yang bergetar (selama mereka tidak berada dalam ruang hampa) menghasilkan suara. Suara berjalan pada tingkat yang
2
2.3.1. Balance (Normal) Balancing merupakan suatu cara untuk mengurangi getaran dan beban bearing untuk meningkatkan performansi dan reliabilitinya. Pada keaadan inilah suatu mesin dikatakan normal (balance). Balancing juga bisa diartikan koreksi dari masalah manufacturing karena tidak ada proses atau bahan manufakturing yang sempurna. Balancing mengurangi getaran karena getaran dapat menyebabkan bagian suatu mesin menjadi longgar, menghasilkan bising, memberikan persepsi kualitas rendah dan mungkin berbahaya bagi kesehatan pada alat yang dipakai secara langsung dengan tangan. Balancing juga mengurangi beban pada bearing karena umur bearing sebanding dengan beban dan kecepatan[23].
2.4 Estimasi PSD Menggunakan FFT Analisis spectral banyak diaplikasikan di berbagai bidang. Pada monitoring getaran, spectal content dari signal yang terukur memberikan informasi pada saat pemakaian dan karakteristik lain dari bagian mekanik. Dalam bidang ekonomi, meteorologi, astronomi dan beberapa bidang lain, analisis spectral dapat menunjukkan “hidden periodic” pada data yang dikaji, yang dihubungkan dengan perilaku siklus proses. Pada analisis suara, model spectral dari signal suara berguna dalam proses produksi suara yang lebih baik dan selain itu dapat digunakan baik pada sintesis dan pengenalan suara. Pada radar dan sistem sonar, spectral content dari signal yang diterima memberikan informasi lokasi sumber atau target. Pada bidang medis, analisis spectral dari berbagai macam signal yang terukur dari pasien seperti signal electrocardiogram (ECG) atau electroencephalogram (EEG) dapat memberikan informasi yang berguna untuk diagnosis. Pada seismologi, analisa dari signal yang terekam sebelumnya dan selama kejadian gempa bumi memberikan informasi yang berguna untuk mengetahui pergerakan tanah yang sesuai dengan kejadiannya dan dapat membantu dalam memprediksi gempa[29]. Power spectral density (PSD) merupakan variasi daya (energi) sebagai fungsi frekuensi dalam bentuk kerapatan spectrum yang diestimasi menggunakan FFT. Power spectral density (PSD) yang dikomputasi menggunakan Dicrete Fourier Transformation (DFT), yang mana dapat dikomputasi secara cepat dan efisien dengan Fast Fourier Transformation (FFT)
2.3.2. Unbalance Unbalance merupakan jenis kerusakan mesin yang paling umum terjadi pada rotor dan mudah untuk dideteksi sekaligus diperbaiki. ISO mendifinisikan unbalance sebagai kondisi yang terdapat pada rotor ketika ada getaran, gaya atau gerakan yang diteruskan ke bearing sebagai hasil dari gaya centrifugal. Bisa juga didefinisikan sebagai ketidak- seimbangan distribusi massa di sekitar centerline (garis tengah) rotasi rotor.
2
1 N 1 Pxx k x n e jk n N n 0 2 k k , k 0,1,..., N 1 N
Gambar 4 Salah Satu Jenis Unbalance, yaitu Static Unbalnce[18] Terdapat empat jenis unbalance yaitu, static, couple, quasi-static dan dynamic[18]. Untuk semua jenis unbalance, spectrum FFT predominant pada akan menunjukkan frekuensi getaran 1 x rpm. Amplitude getaran pada frekuensi 1 x rpm akan berubah-ubah sebanding dengan kuadrat kecepatan rotasi[8]. Umumnya, signal getaran ini terukur baik pada bidang vertical maupun horizontal[18]. Bisa juga, kerusakan ini mungkin menyebabkan getaran axial and radial yang tinggi.
(1) (2)
2.5 Adaptive Neuro Fuzzy Inference Adaptive neuro fuzzy inference (ANFIS) atau system adaptive network-based buzzy inference system atau neuro fuzzy merupakan hasil perpaduan dari jaringan syaraf tiruan dan logika fuzzy. Untuk sistem berbasis aturan linguistik, teknik jaringan syaraf tiruan akan memberikan kemampuan pembelajaran dan adaptasi untuk mengekstraksi parameterparameter (premis dan konsekuen) aturan
3
fuzzy dari sekumpulan data numerik. Secara khusus, jaringan neuro-fuzzy menghilangkan kekurangan dalam desain sistem fuzzy konvensional dimana perancang harus mentuning (menala) dengan trial-eror fungsi keanggotaan dari himpunan fuzzy yang didefinisikan pada masukan dan keluaran dari semesta pembicaraan. Untuk membangun arsitektur ANFIS, aturan if - then berdasarkan model Sugeno Orde 1:
dan μAi(x), μBi-2(y) dapat mengadopsi berbagai macam fuzzy membership function. Salah satu fungsi keanggotaan adalah Generalized-Bell yang didefinisikan sebagai berikut 1 Ai ( x) 2 bi x ci 1 ai dengan ai, bi, ci merupakan parameter dari membership function yang membentuk fungsi Generalized-Bell. Parameter pada layer ini disebut dengan parameter premis. Node yang terdapat pada layer ke- 2 merupakan fixed node dan terlabeli dengan TT. Hal ini mengindikasikan operasi multiplier (perkalian) yang digunakan sebagai interpretasi kata hubung “and” dengan menggunakan operator t-norm. Representasi dari output pada layer ini adalah:
Gambar 5 Mekanisme Penalaran Model Fuzzy Tipe Sugeno Dua Input-Dua Aturan Orde Satu[14].
O2,i wi Ai ( x) Bi ( y ) i 1,2
Rule 1: If ( x is A1) and ( y is B1) then ( f1 = p1x+q1y+r1) Rule 2: If ( x is A2) and ( y is B2) then ( f2 = p2x+q2y+r2)
dan umumnya disebut sebagai firing strength (derajat pengaktifan) dari aturan yang diberikan. Fungsi ini dapat diperluas apabila bagian premis memiliki lebih dari dua himpunan fuzzy. Banyaknya simpul pada lapisan ini menunjukkan banyaknya aturan yang dibentuk. Untuk node yang terdapat pada layer ke- 3 juga merupakan fixed node, dan memiliki label N. Label N mengindikasikan dilakukannya normalisasi terhadap output dari layer ke- 2. output dari layer ini adalah:
Gambar 6 Struktur Jaringan ANFIS dengan 5 layer[14]. Dengan x dan y adalah input crisp, Ai dan Bi merupakan himpunan fuzzy, fi merupakan output yang dihasilkan dan berdasarkan aturan fuzzy yang diberikan, pi, qi dan ri adalah parameter desain yang didapatkan melalui proses training. Arsitektur ANFIS ditunjukkan pada Gambar 7, yang mana lingkaran menandakan fixed node dan persegi menandakan adaptive node. Pada layer 1, seluruh node merupakan adaptive node (parameter dapat berubah) dan output dari layer 1 merupakan derajat keanggotaan fuzzy dari input yang didefinisikan sebagai:
O1,i Ai ( x) i 1,2
(3)
O1,i Bi2 ( y ) i 3,4
(4)
(5)
O3,i wi
wi i 1,2 w1 w2
(6)
Umumnya sering disebut sebagai firing strength yang ternormalisasi (normalized firing strength) dan merupakan rasio keluaran node ke-i pada layer sebelumnya terhadap seluruh keluaran layer sebelumnya. Pada layer ke- 4, node yang terdapat pada layer ini merupakan node adaptive. Output dari node ini merupakan hasil product dari normalized firing strength dengan polynomial orde 1 (untuk fuzzy model Sugeno Orde 1). Parameter pada layer ini disebut dengan parameter konsekuen. Sehingga output dari layer ini adalah
4
O4,i wi fi wi ( pi x qi y ri )
motor yang bergerak dan menimbulkan getaran direkam dengan menggunakan Mikrofon yang terhubung dengan perangkat keras M-Audio Fast Track dan Soundcard yang digunakan untuk proses perekaman. Kemudian dengan menggunakan software Adobe Audition yang terdapat di komputer proses perekaman dilakukan. Dalam proses perekaman, terdapat faktor yang perlu diperhatikan sebelum proses sampling. perekaman yaitu frekuensi Frekuensi sampling pada proses perekaman ini adalah 44.100 kHz, mono dan 16 bits. Frekuensi sampling ini diambil dengan memperhatikan bahwa rentang frekuensi sinyal suara mesin adalah 0 – 5500 Hz[27], untuk memenuhi kriteria Nyquist maka frekuensi sampling harus lebih besar sama dengan dua kali frekuensi maksimum.
(7)
Pada layer ke- 5 hanya terdapat satu fixed node yang memiliki label . Pada node ini, dilakukan operasi summation pada seluruh sinyal yang masuk ke node ini. Sehingga output keseluruhan dari pemodelan ini adalah:
O5,i wi fi i
wf w
i i
i
i
(8)
i
Diketahui bahwa pada arsitektur ANFIS terdapat dua adaptive layer, yang mana adalah layer pertama dan ke- empat. Pada layer pertama terdapat 3 modifiable parameter {ai, bi, ci}, yang berelasi dengan membership function pada input. Parameter tersebut merupakan analogi dari parameter premise. Pada layer ke-4, juga terdapat 3 modifiable parameter {pi, qi, ri}, parameter ini berdasarkan atas polynomial orde 1. Parameter ini dapat dianalogikan sebagai parameter consequent.
f s 2 x f i f s 2 x 5500 f s 11000 Hz (11 kHz) Sesuai dengan perhitungan di atas, frekuensi sampling yang diambil lebih besar dari 11 kHz, misal 44.100 kHz. Proses perekaman sinyal suara mesin diambil dalam 2 kondisi operasi yaitu normal dan unbalance. Masing-masing dilakukan perekaman selama 5 detik pada jarak kurang dari 30 cm secara bergantian dan dilakukan diruang kedap suara dengan tujuan mencegah suara memantul yang akan mempengaruhi masukan suara yang masuk dalam sensor mikrofon dan disimpan dalam bentuk format file *wave. Pengambilan data sinyal suara mesin pada jarak kurang dari 30 cm telah dilakukan dan dihitung pada penelitian sebelumnya[27] untuk mengetahui bahwa distribusi suara di sekitar titik pada jarak kurang dari 30 cm menghasilkan pengukuran yang sama
III. Data dan Metode Pelaksanaan penelitian ini dilakukan melalui beberapa tahapan. Berikut diuraikan tahapan yang dilakukan dalam membangun desain sistem identifikasi untuk kerusakan mesin berputar berdasarkan sinyal suara dengan metode adaptive neuro fuzzy inference system melalui simulasi dengan MATLAB 7.1. Perancangan Sistem Identifikasi Mulai
Validasi Sistem Identifikasi Tidak
Studi Literatur
Perekaman Sinyal Suara
Apakah Parameter yang diingingkan telah terpenuhi ? (RMS error kecil)
3.2 Pengolahan Sinyal Suara Setelah proses perekaman sinyal suara dan diperoleh waveform, langkah berikutnya adalah melakukan perubahan dari domain waktu (waveform) ke domain frekuensi (PSD) dengan menggunakan software Matlab. Power spectral density (PSD) merupakan variasi daya (energi) sebagai fungsi frekuensi dalam bentuk spectrum yang diestimasi kerapatan menggunakan FFT. Proses perubahan dari domain waktu ke domain frekuensi dengan menggunakan algoritma FFT tidak memberikan resolusi frekuensi yang baik.
Ya Pengolahan Sinyal Suara
Analisis Hasil Simulasi dan Penyusunan Laporan Selesai
Gambar 7 Diagram Alir Metodologi Perancangan Sistem 3.1.Perekaman Sinyal Suara Proses perekaman merupakan tahapan penting penelitian ini yaitu, dengan merekam sinyal suara mesin. Suara motor akibat dari
5
Untuk mengatasi batasan dari performansi terhadap resolusi frekuensi yang dilakukan melalui pendekatan FFT, salah satu teknik estimasi spectral modern yang diajukan selama dekade ini, yaitu Power Spectral Density (PSD)[20,29]. Dengan menggunakan algoritma PSD masalah resolusi frekuensi dapat teratasi.
Frekuensi dasar merupakan frekuensi terendah dari sinyal yang menentukan akibat 1 x rpm atau sering disebut sebagai frekuensi harmonik pertama sedangkan frekuensi harmonik merupakan kelipatan dari frekuensi dasar (2f, 3f, 4f,…dst). Pada kondisi operasi normal, mesin memiliki frekuensi dasar dengan amplitudo puncak (peak) pada frekuensi 43.07 Hz sebesar -63.71 dB/Hz, frekuensi harmonik kedua 990.53 Hz sebesar -74.80 dB/Hz dan frekuensi harmonik ketiga 1809 Hz sebesar 75.09 dB/Hz. Pada kondisi operasi unbalance muncul peak dengan amplitudo tinggi pada frekuensi dasar 43.07 Hz sebesar -52.67 dB/Hz (amplitudo tinggi pada 1 x rpm), frekuensi harmonik kedua 990.53 Hz sebesar -71.09 dB/Hz dan frekuensi harmonik ketiga 1809 Hz sebesar -82. 28 dB/Hz. Nilai-nilai yang diperoleh di atas berdasarkan pada visual inspection (pengamatan secara visual), pada penelitian ini diharapkan dapat membedakan kondisi operasi secara otomatis berdasarkan kode nilai yang diberikan pada setiap kondisi operasi. Salah satu metode yang digunakan adalah Adaptive Neuro Fuzzy Inference System atau yang sering disingkat dengan ANFIS. Metode ini dipilih karena ANFIS telah terbukti dapat menirukan sistem pengambilan keputusan seperti halnya pada manusia dan dapat mengklasifikasikan nilai fitur-fitur frekuensi dari visual inspection (pada frekuensi tertentu yang dianggap penting) berdasarkan fungsi keanggotaan dan aturan jika-maka. Tujuan dari ektrasi nilai fitur-fitur frekuensi ini adalah untuk mendapatkan fitur-fitur frekuensi yang significant (penting) yang nantinya berpengaruh langsung pada hasil identifikasi akhir. Pada penelitian ini ekstrasi fitur frekuensi berupa frekuensi dasar dan frekuensi harmonik.
Gambar 8 Waveform dari Sinyal Suara Normal
Gambar 9 PSD dari Sinyal Suara Normal
Gambar 10 Waveform dari Sinyal Suara Unbalance
Tabel 1 Ekstrasi Fitur Frekuensi Nama
Frekuensi Dasar
Nilai
43.07 Hz
Frekuensi harmonik ke-2 947.46 Hz
Frekuensi harmonik ke-3 2670.12 Hz
Pengukuran dilakukan sebanyak 50 kali untuk masing-masing kondisi operasi sehingga total data pengukuran sebanyak 100. Catatan bahwa pengukuran dilakukan sebanyak 50 kali bertujuan untuk melihat sifat dari repeatability sistem rangcangan ANFIS. Di bawah ini ditampilkan gambaran set data yang akan digunakan dalam proses perancangan identifikasi untuk masing-masing kondisi.
Gambar 11 PSD dari Sinyal Suara Unbalance Dalam menganalisa kerusakan pada suatu mesin terdapat faktor yang perlu diperhatikan yaitu frekuensi natural yang dimiliki suatu mesin berputar. Frekuensi natural terdiri dari frekuensi dasar dan frekuensi harmonik.
6
dan diuji untuk mendapatkan keluaran untuk model ini. Agar mendapatkan hasil identifikasi yang lebih baik, maka fungsi kenggotaan awal yang sudah dirancang dilatih dengan algoritma pembelajan hybrid terhadap masukan traning sampai eror terkecil pada epoch tertentu Dengan catatan masukan training harus bisa checking sampai mengikuti masukan mendekati eror terkecil. Hasil training ini akan mengubah nilai parameter-parameter fungsi keanggotaan (gbellmf). Proses training ini dilakukan sampai mendapatkan nilai identifikasi yang mendekati nilai output dan bertujuan untuk mendapatkan error yang stabil dan konvergensi pada hasil output model. Fungsi keanggotaan (gbellmf) akhir ini nantinya akan digunakan sebagai model yang akan dilakukan proses pengujian dengan input selain input training.
Data dibagi menjadi dua bagian 25 data digunakan untuk data training dan 25 data lainnya digunakan untuk data checking. Data training terdiri dari 2 motor jenis INTERDAB DB MODEL AQUA 1080, sedangkan data checking terdiri dari 2 motor jenis INTERDAB DB-107. Tabel 2 Deskripsi Pembagian Set Data untuk masing-masing Kondisi Kondisi Operasi Normal Unbalance Total
Jumlah Data Training 25 25 50
Jumlah Data Checking 25 25 50
Kode Kerusakan 100 200
3.3 Perancangan Sistem Identifikasi Tahap selanjutnya adalah melakukan perancangan suatu sistem identifikasi yang didasarkan pada metode Adaptive Neuro Fuzzy Pada model ini Inference System. menggunakan Fuzzy Inference system model Sugeno Orde 0, sehingga output dari model ini berupa suatu konstanta. Langkah pertama membetuk fungsi keanggotaan awal, misal “gbellmf” yang berjumlah tiga untuk masingmasing input. Arsitektur untuk pemodelan sistem identifikasi terdiri dari 4 layer, layer I merupakan layer input di mana banyaknya input pada layer ini terdapat 3 input yang mempunyai 3 jumlah fungsi keanggotaan di tiap inputnya. Representasi tiap inputnya adalah input pertama berupa nilai peak frekuensi dasar, input kedua berupa nilai peak frekuensi dominan pertama dan input ketiga berupa nilai peak frekuensi dominan kedua. Layer II merupakan representasi input fungsi keanggotaan dari tiap tiga input sebelumnya. Layer III merupakan representasi aturan fuzzy yang terbentuk berdasarkan tiap fungsi keanggotaan yang saling berelasi untuk menghasilkan suatu output. Layer IV adalah output layer yang merupakan hasil dari tiap aturan fuzzy. Dan layer V merupakan output dari pemodelan dengan struktur ANFIS secara keseluruhan dimana hasil ini didapatkan dengan menggunakan operator penjumlahan. Aturan fuzzy dengan struktur ANFIS terbentuk melalui fungsi keanggotaan yang saling berinteraksi dengan fungsi keanggotaan lainnya pada masukan yang berbeda. Interaksi ini terkoneksi dengan operator fuzzy AND yang terbentuk dalam suatu model dengan 3 masukan. Hasil dari tiap aturan ini akan digunakan sebagai acuan untuk melakukan identifikasi terhadap sinyal yang akan diolah
3.4 Pengujian dan Hasil Simulasi Tahap terakhir adalah melakukan pengujian terhadap model ANFIS. Pengujian dilakukan dengan data uji selain data training dan data checking untuk mengetahui performa model sistem identifikasi ini yaitu, kemampuan suatu model untuk identifikasi dan pengenalan suatu data sinyal sebagai sinyal normal atau unbalance. Performa model ANFIS didasarkan pada eror dalam satu defuzifikasi. Eror ini merupakan besaran RMSE yang dimiliki suatu model berstruktur jaringan. Hasil simulasi direpresentasikan dalam bentuk rule viewer yang berguna untuk melihat alur penalaran fuzzy pada sistem. IV. Hasil Analisa perancangan dan hasil pengujian yang didapatkan setelah dilakukannya training pada berbagai macam model perancangan ANFIS untuk sistem identifikasi dengan maksud agar diperoleh hasil identifikasi yang optimal dengan error terkecil. Analisa perancangan dan hasil pengujian ini didasarkan pada pemilihan jenis-jenis fungsi keanggotaan dan kombinasinya sebagai input ANFIS, serta simulasi dari hasil identifilasi yang memiliki error terkecil dalam bentuk rule viewer. Training pada struktur ANFIS dengan metode optimasi hybrid learning. Dengan metode ini, parameter pada fungsi keanggotan yang digunakan dapat diatur sedemikian rupa
7
Tabel 6 Hasil Perancangan Kenggotaan : generalized bell
sehingga pemetaan yang dilakukan dapat menyesuaikan parameter pada fungsi keanggotaan input dengan output target. Setelah training dilakukan, didapatkan parameter baru pada input struktur ANFIS. Dengan parameter baru ini, otomatis bentuk fungsi keanggotaan pun berubah bersesuaian dengan pemetaan yang dilakukan. Berikut dilakukan training pada tiga input dengan kombinasi jumlah fungsi keanggotaan yang digunakan sebagai acuan untuk mendapatkan model identifikasi dengan error terkecil. Pemilihan untuk tiga input kombinasi ini terdiri dari input pertama berupa frekuensi dasar, input kedua berupa frekuensi harmonik ke-2 dan input ketiga berupa frekuensi harmonik ke-3. Di mana jenis fungsi keanggotaan yang dipakai untuk ketiga input adalah fungsi keanggotaan triangular, trapezoidal, gaussian, dan generalized bell. Sedangkan jenis output yang digunakan adalah konstan (Sugeno orde 0) serta menggunakan metode optimasi hybrid sebagai proses pembelajaran untuk mendapatkan error checking minimum pada epoch tertentu. Tabel 3 Hasil Perancangan Kenggotaan : triangular No 1 2 3 4 5 6 7 8
Number of MF (Input 1) 3 3 3 3 4 4 4 4
Number of MF (Input 2) 3 3 4 4 3 3 4 4
Number of MF (Input 3) 3 4 3 4 3 4 3 4
Training Epochs 30 1 1000 197 1 62 1000 327
Tabel 4 Hasil Perancangan Kenggotaan : trapezoidal No 1 2 3 4 5 6 7 8
Number of MF (Input 1) 3 3 3 3 4 4 4 4
Number of MF (Input 2) 3 3 4 4 3 3 4 4
Number of MF (Input 3) 3 4 3 4 3 4 3 4
Training Epochs 1 11 42 12 111 70 164 77
Tabel 5 Hasil Perancangan Kenggotaan : gaussian No 1 2 3 4 5 6 7 8
Number of MF (Input 1) 3 3 3 3 4 4 4 4
Number of MF (Input 2) 3 3 4 4 3 3 4 4
Number of MF (Input 3) 3 4 3 4 3 4 3 4
Training Epochs 437 10 1 8 190 76 147 89
dengan
RMSE Checking
0.080963 0.047213 0.000552 0.000978 0.000214 0.000482 0.000486 0.001096
23.295900 141.422000 142.379000 142.139000 141.421000 141.421000 142.397000 142.172000
RMSE Checking
0.000013 0.000015 0.002934 0.000082 0.001244 0.003909 0.004591 0.003904
158.081000 158.081000 141.437000 141.437000 158.081000 158.081000 141.435000 141.436000
Fungsi
RMSE Training
RMSE Checking
0.000003 0.016119 0.016202 0.021049 0.000031 0.009524 0.001698 0.004496
0.010728 139.029000 14.492200 141.330000 0.004153 92.156800 12.022700 126.735000
Number of MF (Input 1) 3 3 3 3 4 4 4 4
Number of MF (Input 2) 3 3 4 4 3 3 4 4
Number of MF (Input 3) 3 4 3 4 3 4 3 4
Training Epochs 706 31 210 79 280 970 314 411
Fungsi
RMSE Training (10-5) 0.000027 0.013424 0.000381 0.012599 0.000022 0.002213 0.000447 0.000345
RMSE Checking (10-5) 0.000026 3.268750 0.499514 4.549290 0.000022 0.042639 0.650520 0.808794
Pemilihan model perancangan ANFIS terbaik dilakukan dengan melihat pada nilai RMSE terkecil baik pada data training maupun data checking yang diperoleh dari hasil perancangan yang telah dilakukan (tabel 3 sampai tabel 6). Untuk perancangan dengan jenis fungsi keanggotaan triangular (tabel 3) didapatkan hasil perancangan dengan eror terkecil yaitu pada no. ke 1 (betanda warna abu-abu) di mana nilai eror taining sebesar 0.080963 dan nilai eror checking sebesar 23.295900. Untuk perancangan dengan jenis fungsi keanggotaan trapezoidal (tabel 4) didapatkan hasil perancangan dengan eror terkecil yaitu pada no. ke 7 (betanda warna abu-abu) di mana nilai eror taining sebesar 0.004591 dan nilai eror checking sebesar 141.435000. Pada tabel 5. untuk perancangan dengan jenis fungsi keanggotaan gaussian didapatkan hasil perancangan dengan eror terkecil yaitu pada no. ke 5 (betanda warna abu-abu) di mana nilai eror training sebesar 0.000031 dan nilai eror checking sebesar 0.004153. Pada tabel 6. untuk perancangan dengan jenis fungsi keanggotaan generalized bell didapatkan hasil perancangan dengan eror terkecil yaitu pada no. ke 5 (betanda warna abu-abu) di mana nilai eror training sebesar 0.000022 dan nilai eror checking sebesar 0.000022. Dari sini dapat disimpulkan bahwa hasil perancangan terbaik ditunjukkan pada jenis fungsi keanggotaan generalized bell yang diperoleh sampai epoch ke-280. Di mana masukan pertama memiliki empat jumlah fungsi keanggotaan, masukan kedua memiliki tiga jumlah fungsi keanggotaan dan masukan ketiga memiliki tiga jumlah fungsi keanggotaan. Hasil ini dapat direpresentasikan melalui gambar 12 sebelum di-training dan hasil akhir diperoleh setelah training pada gambar 13. Sedangkan untuk model arsitektur ANFIS dari hasil perancangan terbaik telihat pada gambar 14.
Fungsi
RMSE Training
dengan
1 2 3 4 5 6 7 8
Fungsi
RMSE Training
dengan
No
dengan
8
in1mf3
in1mf4
in2mf1 1
0.8 0.6 0.4 0.2 0
in2mf2
in2mf3
in3mf1 1 Degree of membership
in1mf2
Degree of membership
Degree of membership
in1mf1 1
0.8 0.6 0.4 0.2 0
-62
-60 -58 -56 -54 input 1 (initial FIS)
-52
in3mf2
sistem. Pada gambar 14 terdapat 36 aturan yang terbentuk dengan tiga masukan (frekuensi dasar, frekuensi harmonik ke-2 dan frekuensi harmonik ke-3) dan satu keluaran (fault code). Untuk mengetahui suatu jenis kerusakan suatu motor. Langkah pertama yang harus dilakukan adalah mendapatkan nilai parameter fitur frekuensi penting dari sinyal kerusakan berupa frekuensi dasar, frekuensi harmonik ke-2 dan frekuensi harmonik ke-3. Langkah kedua yaitu memasukkan nilai-nilai tersebut ke dalam kolom masukan atau dengan menggeser pita berwarna merah sampai pada nilai-nilai tersebut. Dengan demikian jenis kerusakan dapat teridentifikasi melalui nilai yang ditunjukkan pada fault code. Ketika terdapat data uji pengukuran untuk mengetahui kondisi operasi, asalkan data masih terdapat pada range dari masukan parameter maka data uji bisa diidentifikasi atau dipetakan sesuai dengan kondisi operasi. Sebaliknya, jika data keluar dari range tersebut, maka otomatis data tidak akan dapat diidentifikasi. Hal ini menunjukkan data tersebut bukan data selain kedua kondisi operasi yang dipetakan (kondisi lain).
in3mf3
0.8 0.6 0.4 0.2 0
-80
-75 -70 input 2 (initial FIS)
-82.5 -82 -81.5 input 3 (initial FIS)
Gambar 12 Bentuk Fungsi Keanggotaan Awal sebagai Masukan Model ANFIS sebelum Training dilakukan. Tabel 7 Parameter Input Fungsi Keanggotaan Awal dalam Keadaan Default MFs MF1 MF2 MF3 MF4 MF1 MF2 MF3 MF1 MF2 MF3
Input 1
Input 2
Input 3
in1mf1
in1mf2
in1mf3 in1mf4
0.8
in2mf1 1 Degree of membership
Degree of membership
1
ai 1.9000 1.9000 1.9000 1.9000 3.5900 3.5900 3.5900 0.3800 0.3800 0.3800
0.6 0.4 0.2 0
in2mf2
0.8 0.6 0.4 0.2 0
-62
-60 -58 -56 -54 input 1 (final FIS)
-52
bi 2.0000 2.0000 2.0000 2.0000 2.0000 2.0000 2.0000 2.0000 2.0000 2.0000
in2mf3
ci -63.3800 -59.5800 -55.7800 -51.9800 -80.9600 -73.7700 -66.5800 -82.8000 -82.0400 -81.2800
in3mf1 in3mf2 in3mf3 1 Degree of membership
Input
0.8 0.6 0.4 0.2 0
-80
-75 -70 input 2 (final FIS)
-82
-80 -78 -76 input 3 (final FIS)
Gambar 13 Bentuk Fungsi Keanggotaan Akhir sebagai Masukan Model ANFIS setelah Training dilakukan. Tabel 8 Parameter Fungsi Keanggotaan Akhir setelah dilakukan Training Input Input 1
Input 2
Input 3
MFs MF1 MF2 MF3 MF4 MF1 MF2 MF3 MF1 MF2 MF3
ai 0.7088 0.0701 0.0465 0.9085 1.2590 3.5040 1.6850 0.0003 0.5802 0.0002
bi 3.6750 2.7790 3.3480 3.4080 4.3880 1.4140 4.4300 2.1590 1.9520 2.0480
ci -62.7100 -59.2600 -55.1100 -52.4000 -81.4400 -74.1500 -66.1900 -83.2500 -82.1100 -81.1800
Gambar 15 Rule Viewer Perancangan ANFIS Terbaik. Pengujian dilakukan dengan spesifikasi untuk model perancangan ANFIS terbaik, terhadap data sinyal lain (selain data training). Data ini merupakan data checking dan data testing. Dari hasil uji data checking yang telah dilakukan dari tabel 9 dan tabel 14 menunjukkan hasil identifikasi dengan eror rata-rata sebesar 0.00 untuk masing-masing kondisi normal dan unbalance. Sedangkan untuk tabel 9-10 merupakan data testing selain data training dan data checking. Data ini diambil dari perekaman yang dilakukan pada jenis mesin lain. Pada tabel 11 (jenis motor
Gambar 14 Arsitektur Perancangan ANFIS Terbaik. Hasil simulasi direpresentasikan dalam bentuk rule viewer. Rule viewer ini berguna untuk melihat alur penalaran fuzzy pada
9
logika fuzzy yang digunakan adalah Model Logika Fuzzy Sugeno Orde 0 dengan arsitektur jaringan yang digunakan adalah arsitektur ANFIS yang terdiri dari 4 layer. Struktur ini memiliki 3 masukan, 36 aturan fuzzy dan 1 keluaran. 2. Model ANFIS terbaik terdiri dari 3 masukan yaitu, nilai peak dari frekuensi dasar, nilai peak dari frekuensi harmonik ke-2, nilai peak dari frekuensi harmonik ke-3. Masingmasing memiliki 4, 3, 3 jumlah fungsi keanggotaan jenis generalized bell. 3. Proses training untuk memetakan masukan dengan keluaran target pada struktur model sistem identifikasi dilakukan sebanyak 280 epoch dengan RMS eror training sebesar 2.2 x 10-5. 4. Pengujian yang dilakukan untuk mengidentifikasi kerusakan mesin berputar berdasarkan sinyal suara menghasilkan eror checking rata-rata keseluruhan (normal & unbalance) sebesar 0.00 dan eror testing rata-rata sebesar 3.90 pada jenis motor DAB, 71.05 pada jenis motor DAB K14-400, 6.18 pada jenis motor Electrical Water Pump, 20.18 pada jenis motor Sewing Machine Motor.
DAB), hasil identifikasinya dikenali sebagai kondisi normal dengan eror rata-rata sebesar 3.90 (96.1 %). Pada tabel 12 (jenis motor DAB K14-400), hasil identifikasinya tidak dikenali sebagai kondisi normal dengan eror rata-rata sebesar 71.05 (28.95 %). Pada tabel 13 (jenis motor Electrical Water Pump), hasil identifikasinya dikenali sebagai kondisi normal dengan eror rata-rata sebesar 6.18 (93.82 %). Pada tabel 14 (jenis motor Sewing Machine Motor), hasil identifikasinya dikenali sebagai kondisi unbalance dengan eror ratarata sebesar 20.18 (79.82 %), hal ini karena motor ini sudah dipakai bertahun-tahun sebagai penggerak mesin jahit sehingga dimungkinkan terjadi kerusakan unbalance. Dengan demikian, ANFIS rancangan mempunyai kemampuan mengidentifikasi pada motor jenis DAB, DAB k14-400, Electrical Water Pump, Sewing Machine Motor dan tidak mampu mengidentifikasi pada motor jenis DAB K14-400. Ketidakmampuan ANFIS dalam identifikasi pada jenis DAB K14-400 dikarenakan nilai peak frekuensi tidak masuk dalam nilai peak range frekuensi hasil proses pembelajaran pada ANFIS. Hal ini bisa dilihat pada nilai peak frekuensi dasar sebesar -56.98, nilai peak frekuensi harmonik 1 sebesar -82.81, nilai peak frekuensi harmonik 2 sebesar -88.80. Sedangkan nilai peak range hasil rancangan ANFIS pada nilai peak frekuensi dasar sebesar -62 sampai -52, nilai peak frekuensi harmonik 1 sebesar -90 sampai -70, nilai peak frekuensi harmonik 2 sebesar -82 sampai -76. Sehingga nilai-nilai masukan untuk identifikasi keluar dari nilai range hasil rancangan. Dapat dikatakan bahwa hasil rancangan ANFIS dapat mengidentifikasi kerusakan suatu motor pada jenis mesin tertentu. V
5.2 Saran Saran yang diusulkan untuk penyempurnaan pada penelitian ini adalah: 1. Memperbanyak jenis data pengukuran sinyal kondisi operasi yang akan dilakukan identifikasi dengan model ini. Karena semakin banyak database maka proses identifikasi atau pengenalan akan semakin baik. 2. Melakukan identifikasi yang lebih detail seperti jenis-jenis unbalance dan/atau jenis-jenis bearing defect, maupun jenis kerusakan lain.
Kesimpulan
Beberapa hal yang dapat disimpulkan berdasarkan hasil yang diperoleh melalui analisa perancangan dan pengujian yang telah dilakukan dalam penelitian ini. Untuk menjawab permasalahan dan tujuan yang telah dipaparkan pada Bab I, kesimpulan yang didapat diantaranya adalah: 1. Model ANFIS terbaik yang dirancang untuk melakukan identifikasi kerusakan mesin berputar berdasarkan sinyal suara pada penelitian ini mampu melakukan identifikasi dengan
10
DAFTAR PUSTAKA
[1] Aroui, T., Koubaa, Y., and Toumi, A., 2007. ” Application of Feedforward Neural Network for Induction Machine Rotor Faults Diagnosics Using Stator Current”. Paper of Research Unity of Industrial Proses Control (UCPI), Nasional Engineering School of Sfax (ENIS), B.P : W 3038 SfaxTunisia. [2] Bailly, Ch., April 2008. Tutorial : fft, psd & coherence with Matlab Version 2
. [3] Benko, Uroš., 2002. Application Of Sound Analysis In Diagnosing Collector Motors. . [4] Benko, Uroš., 2004. “Fault Diagnosis Of A Vacuum Cleaner Motor By Means Of Sound Analysis”. Sciencedirect Journal on Sound and Vibra- tion 276(2004) 781–806. Elsevier publishing corporation. [5] Benko, Uroš., 2005. “An Approach To Fault Diagnosis Of Vacuum Cleaner Motors Based On Sound Analysis”. Sciencedirect Journal on Mechanical Systems and Signal Processing 19(2005) 427– 445. Elsevier publishing corporation. [6] Glowacz, A., and Glowacz, W., 2007. “Sound Recognition Of DC Machine With Application Of FFT And Backpropagation Neuronal Network”, Proceedings of 12th PPEEm Symposium on Fundamental Problems of Power Electronics Electromechanics and Mechatronics,PPEEm, Wisla, 9–12 December, 2007, pp. 269–274. [7] Glowacz, A., Glowacz, W., 2008. Sound Recognition Of DC Machine With Application Of FFT And Fuzzy Logic.
[8]
[9]
[10]
[11]
[12]
[13]
[14]
[15]
[16]
11
. Girdhar, P., 2004. Practical Machinery Vibration And Analysis & Predictive Maintenance. Oxford: Newnes Inc. Hajek, Petr., Jul 23, 2006. Fuzzy Logic. Stanford Encyclopedia of Philosophy. Stanford University. . Irvine, Tom., March 3, 2000. An Introduction To Spectral Functions Revision B . Irvine, Tom., July 28, 2000. Power Spectral Density Units: [G^2 / Hz] Revision A . Jain, L.C., and Martin, N.M., 1999. Fusion of Neural Networks, Fuzzy Systems and Genetic Algorithms: Industrial Applications. USA: CRC Press LLC. Jang, J.S.R., and Gulley, N., 1997. MATLAB® User’s Guide Fuzzy Logic Toolbox Version 1. The MathWorks, Inc. Jang, J.-S. R., and C.-T. Sun., 1997. Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. Prentice Hall: London. Kurtus, Ron., 2002, Creating Sound Waves . Li, Bo., Goddu, G., and Chow, M., 1999. ” Detection of Common Motor Bearing Faults Using Frequency-DomainVibration Signals and a Neural Network Based Approach”. Proceedings of the American Control Conference Philadelphia, Pennsylvania June 1998.
[17] Li,
[18]
[19]
[20]
[21]
[22]
[23]
[24]
[25]
[26]
X.
Rong, 1999. Probability, Random Signal, And Statistis. United States: CRC press LCC. McMillan, R., 2004. Rotating machinery: Practical Solutions To Unbalance And Misalignment. Lilburn: Fairmont Press , Inc. Mobley, R.K., 1999. Vibration Fundamentals (Plant Engineering Maintenance Series). Boston : Newnes Inc. Mollazade, K., Ahmadi, H., Omid, M., and Alimardani, R, 1997. “An Intelligent Combined Method Based on Power Spectral Density, Decision Trees and Fuzzy Logic for Hydraulic Pumps Fault Diagnosis”. International Journal of Intelligent Systems and Technologies 3:4 2008. Murad, Samhouri, and H. Hadithi, Rami.,2007. “Machine Condi tion Monitoring Through Frequency Analysis of Maintenance Records: A Neuro-Fuzzy Approach”. Proceedings of the 37th International Conference on Computers and Industrial Engineering, October 20-23, 2007, Alexandria, Egypt, edited by M. H. Elwany, A. B. Eltawil. Nave, C.R., 2005. How does an electric motor work? . Norfield, Derek., 2006. Practical Balancing of Rotating Machinery. United Kingdom: Elsevier Novák, V., Perfilieva, I., and Močkoř, J., 1999. Mathematical Principles of Fuzzy Logic. Dodrecht: Kluwer Academic. Openheim, A.V., Schafer, R.W., and Buck, J.R. 1999. Discrete Time Signal Processing : Second Edition. New Jersey: Prentice Hall Inc. Passino, K.M., and Yurkovich, S., 1998. Fuzzy Control. California :
[27]
[28]
[29]
[30]
[31]
[32]
[33]
[34]
[35] [36]
12
Addison Wesley Longman, Inc. Rakhman, Arief., 2009. Deteksi Kerusakan Pada Mesin Berputar Berbasis Analisis Sinyal Suara. Tugas Akhir, Teknik Fisika, FTI-ITS Sivanandam, S. N., Sumathi, S., and Deepa, S. N., 2006. Introduction to Fuzzy Logic using MATLAB. Heidelberg: Springer. Stoica, P., and R.L. Moses., 1997. Introduction to Spectral Analysis. New Jersey: Prentice Hall Inc. Sumandari, 2009. Identifikasi Kerusakan Gearbox Motor Listrik Dengan Pengenalan Pola Sinyal Suara. Tugas Akhir, Teknik Elektro, FTIITS. Tinta, Dejan., 2009. “Fault Diagnosis Of Vacuum Cleaner Motors”. Sciencedirect Journal on Control Engineering Practice 13(2005) 177–187. Elsevier publishing corporation. University, T., Stoimenov, B., Adachi, K., and Kato, K., 2001. ”Relationship Between Sound and Vibration Generated in Proceed Sliding Contact”. ing of JAST Tribology Conference. Tokyo, 14-16 May 2001, 105-106. ________, Automated Buildings . ________, Background Information For Sound . ________, Car mileage prediction with ANFIS. The Math Works, Inc. ________, FAQ on Accoustics .
Nama : Miftahuddin Nrp : 2405 100 072 Alamat : Jl. Kedung Banteng, No. 18, Tanggulangin, Sidoarjo. E-mail : [email protected] Pendidikan : MI Darussalam SMPN 2 Tanggulangin MAN Sidoarjo Teknik Fisika ITS
(1993-1999) (1999-2002) (2002-2005) (2005-sekarang)
13
Lampiran Tabel 9 Pengujian Repeatability Sistem Identifikasi ANFIS Terbaik untuk Pengukuran Kondisi Normal Data Testing 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Freq. Fund -62.92 -62.10 -62.76 -62.31 -62.47 -62.67 -62.19 -63.01 -61.97 -63.11 -62.12 -62.81 -62.50 -62.25 -63.03 -62.03 -63.04 -62.19 -62.67 -62.74 -62.31 -63.08 -62.08 -63.13 -62.35
Freq. Freq. Har 2 Har 3 -79.20 -81.39 -79.11 -81.42 -79.46 -81.54 -79.29 -81.38 -79.32 -81.64 -79.14 -81.44 -79.14 -81.52 -79.29 -81.61 -79.08 -81.55 -79.19 -81.39 -79.19 -81.28 -79.48 -81.54 -79.31 -81.37 -79.40 -81.58 -79.36 -81.45 -79.43 -81.55 -79.37 -81.45 -79.47 -81.57 -79.34 -81.63 -79.37 -81.56 -79.13 -81.65 -79.27 -81.68 -79.33 -81.88 -79.19 -82.03 -79.32 -81.66 Average eror
Actual Fault Code 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100
Predicted Fault Code 100.00 100.00 100.00 100.00 100.00 100.00 100.00 100.00 100.00 100.00 100.00 100.00 100.00 100.00 100.00 100.00 100.00 100.00 100.00 100.00 100.00 100.00 100.00 100.00 100.00
Eror 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
Tabel 10 Pengujian Repeatability Sistem Identifikasi ANFIS Terbaik untuk Pengukuran Kondisi Unbalance Data Testing 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Freq. Fund -53.45 -52.53 -53.32 -52.44 -53.22 -52.36 -53.23 -52.27 -53.27 -52.21 -53.27 -52.27 -53.08 -52.53 -52.81 -52.67 -52.45 -52.95 -52.17 -53.12 -52.09 -53.16 -52.15 -53.01 -52.28
Freq. Freq. Har 2 Har 3 -69.14 -82.26 -70.29 -82.80 -70.26 -82.45 -69.67 -82.40 -66.58 -82.19 -69.54 -82.69 -69.04 -82.54 -69.85 -82.56 -70.80 -82.67 -70.06 -82.55 -70.22 -82.55 -70.47 -82.56 -70.12 -82.68 -70.17 -82.42 -69.79 -82.62 -70.23 -82.48 -70.34 -82.42 -70.23 -82.53 -70.21 -82.51 -70.83 -82.47 -70.62 -82.62 -70.85 -82.50 -71.12 -82.51 -71.03 -82.65 -70.55 -82.47 Average eror
Actual Fault Code 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200
14
Predicted Fault Code 200.00 200.00 200.00 200.00 199.99 200.00 200.00 200.00 200.00 200.00 200.00 200.00 200.00 200.00 200.00 200.00 200.00 200.00 200.00 200.00 200.00 200.00 200.00 200.00 200.00
Eror 0.00 0.00 0.00 0.00 0.01 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
Tabel 11 Pengujian Repeatability Sistem Identifikasi ANFIS Terbaik untuk Pengukuran Jenis Motor DAB Data Testing 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Freq. Fund -64.24 -65.07 -63.68 -64.01 -65.18 -63.72 -63.94 -65.21 -64.01 -63.89 -65.30 -64.11 -63.76 -65.24 -64.23 -63.85 -65.17 -64.41 -63.68 -65.12 -64.59 -63.60 -65.02 -64.73 -63.71
Freq. Freq. Har 2 Har 3 -69.04 -79.38 -69.33 -81.41 -69.06 -78.96 -69.03 -78.30 -69.50 -79.52 -69.12 -78.72 -69.15 -79.70 -69.24 -80.49 -69.21 -81.61 -69.28 -80.95 -69.20 -80.51 -68.70 -78.02 -68.90 -79.18 -68.94 -77.61 -68.77 -78.66 -69.12 -78.16 -69.17 -80.53 -68.98 -77.57 -69.05 -78.72 -69.00 -78.92 -68.91 -80.30 -68.88 -78.19 -69.03 -79.90 -68.98 -78.27 -68.95 -79.03 Average eror
Actual Fault Code 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100
Predicted Fault Code 96.48 98.64 96.65 96.32 99.21 97.27 97.53 98.21 97.98 98.40 97.95 88.59 94.31 95.10 90.97 97.25 97.75 95.61 96.52 95.93 94.54 93.85 96.40 95.68 95.16
Eror 3.52 1.36 3.35 3.68 0.79 2.73 2.47 1.79 2.02 1.60 2.04 11.41 5.68 4.90 9.03 2.74 2.24 4.39 3.47 4.07 5.46 6.14 3.60 4.32 4.84 3.90
Tabel 12 Pengujian Repeatability Sistem Identifikasi ANFIS Terbaik untuk Pengukuran Jenis Motor DAB K14-400 Data Testing 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Freq. Fund -56.98 -57.01 -56.97 -56.82 -57.01 -56.87 -56.99 -56.94 -56.87 -57.03 -56.88 -57.01 -56.98 -56.88 -57.03 -56.82 -56.80 -56.95 -56.70 -57.01 -56.85 -56.78 -56.97 -56.78 -56.80
Freq. Freq. Har 2 Har 3 -82.81 -88.80 -83.10 -88.57 -82.63 -88.93 -82.47 -89.36 -82.34 -88.81 -82.82 -88.50 -82.84 -89.09 -82.79 -89.16 -82.26 -88.83 -82.25 -88.61 -82.72 -88.24 -82.80 -89.25 -83.15 -89.01 -82.68 -88.45 -82.38 -88.71 -82.15 -87.60 -82.09 -87.85 -81.65 -87.61 -82.21 -88.58 -82.08 -87.87 -82.58 -87.72 -82.39 -88.21 -81.80 -88.31 -82.31 -88.80 -81.97 -88.22 Average eror
Actual Fault Code 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100
15
Predicted Fault Code 37.41 90.43 22.72 17.87 17.28 38.90 41.25 35.51 16.82 17.30 28.38 36.65 100.59 25.82 17.46 16.98 17.21 19.78 16.60 17.77 20.65 16.90 19.02 16.66 17.78
Eror 62.59 9.57 77.28 82.13 82.72 61.10 58.75 64.49 83.18 82.70 71.62 63.35 0.59 74.18 82.54 83.02 82.79 80.22 83.40 82.23 79.35 83.10 80.98 83.34 82.22 71.05
Tabel 13 Pengujian Repeatability Sistem Identifikasi ANFIS Terbaik untuk Pengukuran Jenis Motor Electrical Water Pump Data Testing 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Freq. Fund -70.73 -70.45 -70.78 -70.59 -70.60 -70.53 -70.63 -70.71 -70.75 -70.61 -70.24 -70.86 -70.67 -70.82 -70.52 -70.89 -70.28 -70.66 -70.34 -70.73 -70.32 -70.67 -70.35 -70.66 -70.54
Freq. Freq. Har 2 Har 3 -86.00 -89.87 -85.82 -89.10 -85.83 -88.92 -85.51 -89.01 -85.74 -89.57 -85.84 -89.64 -85.43 -89.06 -85.84 -88.72 -85.87 -88.90 -85.73 -89.24 -85.70 -89.15 -85.59 -89.01 -85.81 -89.45 -85.61 -89.13 -85.46 -89.78 -85.44 -89.24 -85.59 -89.05 -85.74 -88.68 -85.73 -88.85 -85.27 -88.92 -85.63 -88.99 -85.92 -89.17 -85.82 -89.49 -85.77 -88.94 -85.69 -89.22 Average eror
Actual Fault Code 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100
Predicted Fault Code 106.62 105.71 106.78 106.13 106.18 105.94 106.26 106.53 106.67 106.20 105.09 107.04 106.41 106.90 105.92 107.14 105.20 106.39 105.39 106.58 105.31 106.42 105.41 106.38 105.99
Eror 6.62 5.71 6.78 6.13 6.18 5.94 6.26 6.53 6.67 6.20 5.09 7.04 6.41 6.90 5.92 7.14 5.20 6.39 5.39 6.58 5.31 6.42 5.41 6.38 5.99 6.18
Tabel 14 Pengujian Repeatability Sistem Identifikasi ANFIS Terbaik untuk Pengukuran Jenis Motor Sewing Machine Motor Data Testing 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Freq. Fund -90.14 -90.75 -90.18 -90.61 -91.34 -91.18 -89.89 -90.16 -87.39 -88.59 -88.71 -89.90 -88.79 -89.23 -91.03 -88.74 -89.84 -89.55 -89.23 -89.87 -89.72 -87.71 -86.14 -85.93 -87.45
Freq. Freq. Har 2 Har 3 -70.90 -77.40 -70.11 -77.52 -69.89 -77.95 -70.41 -77.57 -70.18 -77.20 -70.35 -77.13 -70.18 -77.10 -70.28 -76.85 -69.91 -77.71 -70.33 -77.29 -70.25 -77.30 -70.16 -77.80 -70.09 -77.06 -70.62 -77.32 -69.98 -77.64 -70.85 -77.57 -70.72 -77.53 -70.65 -77.35 -70.48 -77.21 -70.49 -77.42 -70.72 -77.46 -70.40 -77.36 -70.54 -77.56 -70.74 -77.53 -70.17 -77.46 Average eror
Actual Fault Code 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200 200
16
Predicted Fault Code 181.20 181.97 181.22 181.81 182.69 182.51 180.85 181.22 176.87 178.94 179.12 180.87 179.24 179.93 182.30 179.19 180.80 180.40 179.93 180.83 180.64 177.47 174.44 174.00 177.00
Eror 18.80 18.03 18.78 18.19 17.31 17.49 19.15 18.78 23.13 21.06 20.88 19.13 20.76 20.07 17.70 20.81 19.20 19.60 20.07 19.17 19.36 22.53 25.56 26.00 23.00 20.18