IDENTIFIKASI SECARA SERENTAK KERUSAKAN MESIN
MENGGUNAKAN INDEPENDENT COMPONENT ANALYSIS BERDASARKAN CONVOLUTIVE MIXTURE
SEPTIAN FIRMANDA 2406100065 DOSEN PEMBIMBING Dr.Dhany Arifianto ,ST., M.Eng JURUSAN TEKNIK FISIKA FAKULTAS TEKNOLOGI INDUSTRI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2010
PENDAHULUAN Predictive Maintenance (PdM) mesin berputar sebelumnya: Thermografi
Vibrasi Analisis
Tribology
-------------------------------------------------------------------------usulan metode baru:
Blind Source Separation (BSS)
Manfaat & Implementasi S1
x2 S2
S3
Implementai BSS yang dalam mendeteksi kerusakan mesin yang dilakukan dalam kegiatan predictive
maintenance (PdM)
y1
x1
x3
#1
ICA
y2 y3
IF
#2 #3
Masalah & Tujuan Masalah Pemisahan sinyal suara melalu teknik Blind Source Separation (BSS) padaConvolutive Mixture untuk identifikasi pola kerusakan mesin secara serentak
Tujuan Mampu merancang sebuah sistem pemisahan sinyal suara yang diemisikan oleh getaran mesin dengan teknik BSS padaConvolutive Mixture untuk identifikasi pola kerusakan mesin secara serentak
Penelitian Sebelumnya Linier Predictive Cepstrum (LPC) Single Motor Fuad Hasan (2002)
Instantaneous Frequency Single Motor Rifqi Anda (2006)
Real Plant Single Motor Yuniar Ramadana (2007)
BLIND SOURCE SEPARATION UNTUK CONVOLUTIVE MIXTURE DALAM APLIKASI PENGIDENTIFIKASIAN SERENTAK KERUSAKAN MESIN SEPTIAN FIRMANDA (2010)
BSS Multi Motor Bagus Tris Atmaja (2009)
Keterangan : = Penelitian Sebelumnya = Yang sedang dilakukan
Blind Source Separation (BSS) Untuk Convolutive Mixture
Setiap elemen dari matrik pencampur dan matriks pemisah dalam model BSS convolutive mixture bukan dalam skalar dalam BSS instan model Model diatas dipertimbangkan guna mengatasi efek dari multi jalur penangkapan sinyal dan delay dalam perambatan sinyal yang terjadi
ICA DEMO: Pemisahan Suara BLA!! BLA!!
# ! ! @ !!
BLA!! BLA!!
ICA BLA!! BLA!!
Sources
! ? ! !!
! ? ! !!
Sensors
Black Box
BLA!! BLA!!
Independent Components
Microphone Array Dalam penyusunan array harus diperhatikan sudut datang untuk frekuensi yang harus ditangkap dan arah yang tidak diinginkan karena mempengaruhi lambat atau tidaknya cuplikan sinyal, jika syarat diatas gagal, maka akan terjadi spatial aliasing Keterangan: D = jarak antar mikrofon λmin = panjang gelombang minimum
Batasan Kondisi Mesin
Normal
Bearing Fault
Misalignment
Unbalance
Metodologi Penelitian A)
Perekaman Multichannel melalui software Adobe Audition 1.5 yang disimpan dalam .wav (PCM), frekuensi sampling 11250 Hz, mono, dan 16 bit.
B) Pengolahan sinyal suara yang terdiri dari pencampuran (Convolutive Mixture), proses ICA untuk pemisahan, penentuan sinyal estimasi, dan plotting frekuensi sesaat. Analisa dalam domain waktu , frekuensi, dan gabungan keduanya. S1
x2 S2
S3
y1
x1
x3
#1
ICA
y2 y3
IF
#2 #3
Teknik Pengambilan Data 2 mikrofon – 2 pompa
3 mikrofon – 3 pompa
Flowchart Penelitian Mulai
Rancang Bangun Machinery Fault Simulator
Pengambilan Data
Pencampuran Sinyal Suara Dengan Convolutive Mixture
Pemisahan Sinyal Suara Dengan Menggunakan ICA Tidak Suara Terpisah Ya Analisa Pola Suara Dengan Frekuensi Sesaat
Deteksi Kerusakan Mesin
Selesai
No 1
Jadwal Kegiatan Progam Pembuatan dan Perakitan Hardware
a) Perakitan Machinery Simulator b) Perakitan Sensor Mic 2
Eksperimen dan pengembalian data
3
Analisa Data (sinyal suara)
4
Penyusun laporan
Bulan1
Bulan II
Bulan III
Bulan IV
Bulan V
Daftar Pustaka [1]
Anda, AR, “Penggunaan Frekuensi Sesaat Untuk Deteksi Pola Suara Kerusakan Motor Listrik,” Tugas Akhir, ITS, 2006. [2] Tris Atmaja, Bagus. “Pemisahan Banyak Sumber Suara Mesin Dari Microphone Array Dengan Metode Independent Componen Analysis (ICA) Untuk Deteksi Kerusakan,” Tugas Akhir, ITS, 2008 [3] Aichner, R., Araki, S., Makino, S.,”Time Domain Blind Source Separation Of Non-Stasionary Convolved Signal By Utilizing Geometric Beamforming,” Nara Institute of Science and Technology. [4] A. Ypma, “Blind Source Separation of rotating machine source: bilinear forms and convolutive mixtures,” Elsevier Neurocomputing 29, 2003. [5] Araki, S., Makino, S., Mukai, R., Nishikawa, T., Saruwatari, H.,”Fundamental Limitation Of Frequency Domain Blind Source Separation For Convolved Mixture Of Speech,” Nara Institute of Science and Technology. [6] A, Jèrôme, 2005,” Blind Separation Of Vibration Components: Principles and Demon strations,” Universitè de Technology de Compiègne. [7] A. Hyvärinen, and H Erkki, “Independent Component Analysis:Algorithm and Applications,” Helsinki Univ. Of Tech, 2000. [8] SC. Douglas, “Microphone Array: BSS of Acoustic Signal,” (Bredstein-D.Ware, Eds.). Berlin: Springer Inc, 2001. [9] ML. Seltzer and L Mitchel, “Microphone Array Processing for Robust Speech Recognition,” PhD Thesis,Carnegie Mellon University, 2003. [10] BT. Atmaja, D. Arifianto,” Machinery fault diagnosis using Independent Component Analysis (ICA) and Instantaneous Frequency (IF)”, Proc. ICICI-BME 2009. pp. 185-189, Bandung, Indonesia [11] BT. Atmaja, D. Arifianto,” Blind sound separation using Frequency-domain and Time-domain Independent Component Analysis For Machines Fault Detection”, Proc. ICACSIS 2009, accepted & presented [12] BT Atmaja, AS Aisyah, D. Arifianto,” Machines Sound Separation using Independent Component Analysis For Fault Detection”,Indonesian Journal on Computer Science, Nov. 2009, submitted
