Seminar Tugas Akhir
PREDIKSI KECEPATAN ROTASI KOMPRESOR MESIN PESAWAT BOEING 737-300 MENGGUNAKAN LOGIKA FUZZY OLEH : NUR ROHMAN ANDIK ARDIAN PEMBIMBING : DR. IR. AULIA SITI AISYAH, MT IR. YA’UMAR, MT
Bidang Minat Instrumentasi Jurusan Teknik Fisika Institut Teknologi Sepuluh Nopember
PENDAHULUAN Latar Belakang Kompresor merupakan salah satu komponen dari mesin pesawat yang sering mengalami kerusakan. Logika fuzzy merupakan metode yang memiliki kemampuan dalam memprediksi suatu nilai dari parameter performansi kompresor mesin pesawat. Berubahnya nilai performansi, baik berubah lebih rendah atau lebih tinggi dari kondisi normal, mengindikasikan adanya gejala kerusakan pada kompresor. Pada penelitian ini akan dilakukan prediksi kecepatan rotasi kompresor mesin pesawat menggunkan logika fuzzy.
PENDAHULUAN Permasalahan
Bagaimana cara memprediksi kecepatan rotasi kompresor pesawat menggunakan logika fuzzy.
Tujuan
Untuk memprediksi kecepatan rotasi kompresor mesin pesawat menggunakan logika fuzzy.
TINJAUAN PUSTAKA Kompresor mesin pesawat
Kompresor mesin pesawat merupakan suatu bagian dari mesin pesawat yang berfungsi meningkatkan tekanan dari aliran udara yang didapat . Tipe kompresor: 2 spool, 13 stage compressor, terdiri atas 4 stage kompresor tekanan rendah (termasuk fan pada stage pertama, 9 stage kompresor tekanan tinggi. 1 stage terdiri atas sepasang airfoil rotasi dan stasioner.
TINJAUAN PUSTAKA Karakteristik Mesin Pesawat
TINJAUAN PUSTAKA Sistem indikasi mesin pesawat
Sistem tachometer mesin pesawat. Sistem indikasi suhu gas buang mesin pesawat. Sistem pemantauan vibrasi mesin pesawat.
TINJAUAN PUSTAKA Sistem tachometer mesin pesawat
Sensor kecepatan N1 merupakan sebuah alat penghitung pulsa yang mendeteksi kecepatan rotor N1 dan menghasilkan sinyal ke indikator tachometer N1 dan PMC. Indikator tachometer N1 mengkonversi sinyal keluaran dari sensor kecepatan N1 kedalam kedua pointer dan numerik readouts Light Emitting Diode (LED) .
TINJAUAN PUSTAKA Control Alternator Sensor Kecepatan N2
Sensor kecepatan N2 merupakan generator ac, yang frekuensinya secara langsung menyesuaikan kecepatan rotor, yang menghasilkan sinyal-sinyal ke indikator tachometer N2 dan daya elektrik pada PMC. Indikator Tachometer N2 Indikator tachometer N2 mengkonversi sinyal yang dihasilkan oleh sensor kecepatan N2 kedalam kedua pointer dan keluaran bacaan digital.
TINJAUAN PUSTAKA Fuzzy
Fuzzy berarti samar, kabur, tidak jelas. untuk menyatakan kelompok atau himpunan yang dapat dibedakan dengan kelompok lain berdasarkan derajat keanggotaan secara kabur. F = [(x, µF (x))| x Є X]
Dengan : F = Notasi himpunan Fuzzy X = Semesta pembicaraan x = Elemen dari X (x) = Derajat keanggotaan x dalam interval [0 1]
TINJAUAN PUSTAKA Diagram Blok Proses Fuzzy Crisp Input
Input Membership Function
Fuzzyfication
Fuzzy Input
Rule Evaluation
Fuzzy Output
Output Membership Function
Defuzzyfication
Crisp Output
Rule Base
METODOLOGI PENELITIAN
METODOLOGI PENELITIAN Pemilihan
dan pemilahan data pada dua masukan lima fungsi keanggotaan dan satu keluaran. OAT
(0C)(2)
Prediksi Perawatan (mamdani)
6 rules N2 (%RPM)(3)
N1(%RPM) (3)
System prediksi
Perawatan: 2 inputs, 1 outputs, 6 rules
METODOLOGI PENELITIAN Simulasi Pengujian Logika Fuzzy
Hasil Simulasi pengujian logika fuzzy
METODOLOGI PENELITIAN Pemilihan
masukan keluaran.
dan pemilahan data pada dua 14 fungsi keanggotaan dan satu
prediksi
OAT (0C)(7)
perawatan (mamdani) 49 rules N2 (%RPM)(3)
N1 (%RPM)(7)
System prediksi perawatan: 2 inputs, 1 outputs, 49 rules
METODOLOGI PENELITIAN Simulasi Pengujian Logika Fuzzy
Hasil Simulasi pengujian logika fuzzy
METODOLOGI PENELITIAN Pemilihan dan pemilahan data pada lima masukan 29 fungsi
keanggotaan dan satu keluaran.
OAT (0C)(6) prediksi
perawatan
N1(%RPM) (7)
(mamdani) Tekanan Oli (Psi) (6) 4991 rules
N2 (%RPM)(3)
EGT (0C)(7)
fuel flow (PPH)(3) System prediksi
perawatan: 5 inputs, 1 outputs, 4991 rules
METODOLOGI PENELITIAN Simulasi Pengujian Logika Fuzzy
Hasil Simulasi pengujian logika fuzzy
METODOLOGI PENELITIAN Pemilihan dan pemilahan data pada empat
masukan 26 fungsi keanggotaan dan satu keluaran. OAT (6)
Prediksi Perawatan
N1 (7)
mamdani
(
Tekanan Oli (6) o
1567 rules
)
N2 (3)
EGT (7) System prediksi
Perawatan: 4 inputs, 1 outputs, 1567 rules
METODOLOGI PENELITIAN Penentuan space data dan semesta pembicaraan
METODOLOGI PENELITIAN Pembuatan membership function
METODOLOGI PENELITIAN Gambar membership function OAT dan N1 kurangrendahrendah kurangsedang 1
sedang
lebihsedang kurangtinggi
kurangsedang sedang rendah lebihrendah 1
Tinggi
0.6
0.4
0.6
0.4
0.2
0.2
0
0
-40
tinggi
0.8 Degree of membership
Degree of membership
0.8
lebihsedangkurangtinggi
-30
-20
-10
0
10 OAT
20
30
40
50
0
10
20
30
40
50
60 N1
70
80
90
100
110
METODOLOGI PENELITIAN Gambar membership function Tekanan oli dan
EGT rendah 1
kurangnormal normal lebihnormalkurangekstrim rendah 1
lebihrendah kurangsedang sedang
lebihsedangkurangtinggi
tinggi
ekstrim
0.8
Degree of membership
Degree of membership
0.8
0.6
0.4
0.4
0.2
0.2
0
0 0
0.6
50
100
150 Tekananoli
200
250
300
0
100
200
300
400
500 EGT
600
700
800
900
METODOLOGI PENELITIAN Gambar membership function N2
rendah
sedang
tinggi
1
D egreeof m em bership
0.8
0.6
0.4
0.2
0 0
10
20
30
40
50
60 N2
70
80
90
100
110
METODOLOGI PENELITIAN Simulasi penerapan logika fuzzy Mulai
Membership Function Variabel Input-Output
Pembuatan Rules Evaluasi Data Uji
Selesai
METODOLOGI PENELITIAN Pembuatan aturan (rule) if-then Hasil Pembuatan 2058aturan (rule) if-then
METODOLOGI PENELITIAN Simulasi Pengujian Logika Fuzzy
Hasil Simulasi pengujian logika fuzzy
HASIL Hasil Pengujian Program Eror pada Agustus 2008 minimum 0,003
maksimum 2,97
Eror pada Agustus 2008 minimum 0,25
maksimum 6,3078
Eror pada Oktober 2009 minimum
Eror pada Agustus 2008
Eror pada Oktober 2009
maksimum
0,8964
minimum 0,05
3,2973
Eror pada Oktober 2009 minimum 0,55
maksimum 4,9196
maksimum 4,9527
minimum 0,2406
maksimum 4,5954
Kesimpulan dan Saran Dari
ke empat pengulangan tersebut, pengujian nilai prediksi N2 pada empat variabel masukan dengan satu variabel keluaran yang menghasilkan eror nilai prediksi N2 yang terkecil dengan jumlah rule base lebih sedikit 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.