PREDIKSI KECEPATAN ROTASI KOMPRESOR MESIN PESAWAT BOEING 737-300 TIPE CFM56-3B-1 MENGGUNAKAN LOGIKA FUZZY (Nur Rohman Andik Ardian; Dr. Ir. Aulia Siti Aisjah, MT; Ir. Ya’umar, MT) Jurusan Teknik Fisika – Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih – Sukolilo, Surabaya 60111 Abstrak
Prediksi kecepatan rotasi kompresor mesin pesawat yang selama ini dilakukan oleh PT. Merpati Maintenance Facilities di bandara Juanda masih ditentukan melalui perawatan preventif. Hal ini menyebabkan kurangnya penghematan dari segi biaya perawatan. Melaui penelitian ini akan dibuat prediksi kecepatan rotasi yang terkomputerisasi menggunakan pendekatan logika fuzzy. Data performansi yang dianalisa adalah suhu udara luar, kecepatan rendah rotor, suhu gas keluaran dan tekanan oli. Ke-empat variabel ini akan dijadikan masukan logika dengan data keluaran nilai kecepatan tinggi rotor kompresor. Dalam logika fuzzy ini terdapat 26 kurva fungsi keanggotaan dengan 1567 aturan if-then. Data masukan-keluaran untuk pembuatan logika diambil pada 2 tahun yakni tahun Agustus 2008 dan Oktober 2009. Dengan menguji logika menggunakan data bulan Agustus 2008 dan Oktoberl 2009 didapatkan prosentase ketepatan prediksi sebesar 99.1 persen. Kata kunci : Prediksi kecepatan rotasi, kompresor mesin pesawat, logika fuzzy.
I. Pendahuluan 1.1 Latar Belakang PT. Merpati Nusantara Surabaya adalah perusahaan yang bergerak dalam bidang perhubungan jalur udara. PT. Merpati memiliki anak perusahaan yang bergerak dalam bidang perawatan yang bernama PT. Merpati Maintenance Facilities. Pada tempat tersebut dijumpai berbagai kegiatan perawatan mesin pesawat. Salah satunya pada sistem kompresor mesin pesawat. Seiring dengan waktu pemakaian, sistem kompresor tersebut akan mengalami penurunan performansi atau kinerja. Penurunan tersebut ditandai dengan adanya ketidaknormalan fungsi kerja jika dibandingkan pada saat kondisi awal pembelian. Gejala ketidaknormalan atau kerusakan dapat diidentifikasi salah satunya dengan menganalisa parameter-parameter performansi kompresor dengan membandingkan parameter-parameter performansi pada kondisi normal dengan kondisi setelah pemakaian. Dengan analisa parameter-parameter performansi ini dapat diketahui jenis-jenis kerusakan yang terjadi pada kompresor tersebut. Untuk itulah diperlukan juga sebuah prediksi perawatan pada kompresor mesin pesawat Boeing 737 seri 300 tipe CFM56-3-B1 .
Prediksi Perawatan merupakan sebuah metode perawatan dengan melakukan pemantauan terhadap kondisi suatu sistem. Menrurut Paresh Girdhar dalam buku Practical Machinery Vibration Analysis and Predictve Maintenance second Edition, Filosofi prediksi perawatan terdiri dari kegiatan penjadwalan pemeliharaan bila terjadi kegagalan fungsional yang terdeteksi. Pada penelitian ini dilakukan prediksi kecepatan rotasi pada kompresor mesin pesawat Boeing 737-300 tipe CFM56-3b-1 dengan menggunakan logika fuzzy. 1.2 Tujuan Tulisan ini disajikan dengan tujuan antara lain untuk memprediksi perawatan pada kompresor mesin pesawat dengan menggunkan logika fuzzy. 1.3 Rumusan Masalah Tulisan ini disajikan dengan perumusan masalah bagaimana memprediksi perawatan pada kompresor mesin pesawat dengan menggunakan logika fuzzy. II. Teori Penunjang 2.1. Kompresor Mesin Pesawat Kompresor mesin pesawat merupakan suatu bagian dari mesin pesawat yang berfungsi meningkatkan tekanan dari aliran
udara yang didapat (intake). Kompresor mesin pesawat ini merupakan tipe rotating yaitu mengkompres fluida kerja dengan cara memutarnya. Pada kompresor mesin pesawat Boeing 737-300 tipe CFM 56-3B-1 menggunakan kompresor axial flow. Terdapat dua tipe dasar dari kompresor dalam mesin turbin gas yaitu memberi aliran sentrifugal dan memberi aliran aksial. Keduanya berfungsi untuk kompresi udara sebelum diekspansi melalui turbin. Kedua jenis tersebut digerakkan oleh mesin turbin dan biasanya digabungkan langsung ke poros turbin. Kompresor putar secara aksial adalah kompresor berbasis airfoil di mana pada prinsipnya fluida kerja mengalir sejajar dengan sumbu rotasi. Kompresor aliran aksial menghasilkan aliran kontinu gas kempaan, dan memiliki manfaat efisiensi tinggi dan kapasitas aliran massa yang besar, terutama dalam kaitannya dengan penampang-lintang (crosssection) mereka. Bagaimanapun juga, yang membuat mereka kompleks dan mahal dibandingkan dengan desain lainnya (misalnya kompresor sentrifugal), mereka memerlukan beberapa deretan airfoils untuk mencapai kenaikan tekanan yang besar Kompresor aksial secara luas digunakan pada turbin gas, seperti mesin jet, mesin kapal kecepatan tinggi, dan pembangkit listrik skala kecil. 2.2 Sistem Indikasi Mesin Pesawat Sistem ini tersusun atas 3 buah subsistem, antara lain; 1. Sistem tachometer mesin pesawat Sistem ini memiliki tugas untuk mengukur kecepatan rotasi pada kecepatan rendah rotor (N1) dan pada kecepatan tinggi rotor (N2). Kedua variabel tersebut, dihasilkan oleh kerja dari kompresor mesin pesawat. Untuk variabel N1 merupakan hasil kerja dari kompresor tekanan rendah. Sedangkan untuk variabel N2 merupakan hasil kerja dari kompresor tekanan tinggi. 2. Sistem indikasi suhu gas buang mesin pesawat (EGT). Sistem ini memiliki tugas untuk mengukur suhu gas buang yang dikeluarkan mesin pesawat. Variabel suhu tersebut diukur dalam masukan turbin tekanan rendah. Sistem ini meghasilkan visual indikasi suhu total gas buang mesin pesawat. Sensor yang digunakan oleh sistem ini adalah thermocouple baik yang 6 probes maupun yang 9 probe.
Gambar 2.1 Bagian-bagian mesin pesawat tipe axial flow by pass turbofan 3. Sistem pemantauan vibrasi mesin pesawat. Sistem ini secara kontinyu menunjukkan tingkat vibrasi mesin pesawat. sistem ini terdiri atas 2 (dua) akselerometer (sensor vibrasi) dan sebuah indikator vibrasi Untuk satu mesin pesawat dan sebuah pengkondisi sinyal AVM. 2.4 Perawatan Pada umumnya dalam telekomunikasi dan teknik, istilah perawatan memiliki arti sebagai berikut: Segala kegiatan - seperti tes, pengukuran, penggantian, penyesuaian dan perbaikan dimaksudkan untuk mempertahankan atau memulihkan unit fungsional dalam keadaan tertentu di mana unit yang dibutuhkan perusahaan dapat melakukan fungsi. Untuk bahan - semua tindakan yang dilakukan untuk mempertahankan material dalam kondisi baik atau mengembalikannya ke kondisi in-service. Ini termasuk inspeksi, pengujian, pelayanan, klasifikasi untuk serviceability, dan perbaikan. 2.5 Jenis Perawatan Secara filosofi perawatan ini biasanya dapat dibagi menjadi empat kategori yang berbeda: 1. Kerusakan atau perawatan berdasarkan kegagalan (breakdown or run to falure maintenance). Pada tipe ini, perawatan dilakukan apabila suatu mesin mengalami kegagalan). 2. Pencegahan atau perawatan berdasarkan waktu (preventive or time-based maintenance). Pada tipe ini, perawatan dilakukan berdasarkan waktu perbaikan, penanggalan atau waktu operasi. 3. Prediksi atau perawatan berdasarkan kondisi (predictive or condition-based
maintenance). Pada tipe ini, perawatan dilakukan berdasarkan pemantauan kondisi. 4. Proaktif atau perawatan berdasarkan pencegahan (proactive or prevention maintenance). Pada tipe ini, perawatan dilakukan berdasarkan identifikasi dan perancangan solusi sumber penyebab kegagalan. 2.6. Fuzzy Fuzzy berarti samar, kabur, tidak jelas. Fuzzy merupakan istilah yang dipakai oleh Lotfi A Zadeh pada tahun 1965 untuk menyatakan kelompok atau himpunan yang dapat dibedakan dengan kelompok lain berdasarkan derajat keanggotaan secara kabur. Didalam teori himpunan klasik objek dinyatakan suatu anggota jika bernilai “1” dan bukan anggota jika bernilai “0” dari suatu himpunan dengan batas keanggotaan yang jelas/tegas. Namun dalam teori himpunan fuzzy memungkinkan derajat keanggotaan (member of degree) suatu objek bernilai antara “0” dan “1” atau dalam interval antara “0” dan “1”, biasa ditulis [0 1]. Himpunan fuzzy F dalam semesta X biasanya dinyatakan dalam pasangan berurutan dari elemen x dan mempunyai derajat keanggotaan : 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] Sistem fuzzy mempunyai beberapa kelebihan antara lain: • Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari logika fuzzy sangat sederhana dan mudah dimengerti. • Logika fuzzy sangat fleksible • Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat. • Logika fuzzy mampu memodelkan fungifungsi nonlinier yang sangat komplek. • Logika fuzzy dapat membangun dan mengaplikasikan pengalamanpengalaman para pakar secara langsung tanpa harus mengalami pelatihan. • Logika fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional.
•
Logika fuzzy didasarkan pada bahasa alami.
Diagram blok pengendali logika fuzzy diperlihatkan pada gambar 2.6 dengan masingmasing blok dijelaskan sebagai berikut : Fuzzifikasi (Fuzzyfication) Fuzzifikasi adalah suatu proses mengubah peubah masukan dari bentuk tegas (Crisp) menjadi peubah fuzzy (Variabel Linguistic) yang biasanya disajikan dalam bentuk himpunan-himpunan fuzzy dengan suatu fungsi keanggotaan masing-masing. sedangkan proses ini dinyatakan sebagai : X = fuzzifier (X0) Crisp Input
Input Membership Function
Fuzzyfication
Fuzzy Input
Rule Evaluation
Rule Base
Fuzzy Output
Output Membership Function
Defuzzyfication
Crisp Output
Gambar 2.6 Diagram Blok Proses Logika Fuzzy III. Data dan Metode Data performansi yang telah dihimpun kemudian akan dilakukan analisa untuk memprediksi nilai kecepatan tinggi rotor (N2) kompresor. Dalam penelitian ini akan dilakukan prediksi nilai kecepatan tinggi rotor (N2) kompresor, sehingga data yang digunakan adalah data performansi saat pesawat berada pada kondisi cruise. Pada tulisan ini telah dilakukan empat kali iterasi dengan varisai perubahan jumlah input dan fungsi keanggotaan. Pengulangan tersebut antara lain:
1. Dua masukan lima fungsi kenggotaan dan satu keluaran.
OAT (0C)(6) prediksi perawatan N1(%RPM) (7) (mamdani) Tekanan Oli (Psi) (6)
Prediks Perawata i n
OAT (0C)(2)
4991 rules
(mamdani )
fuel flow (PPH)(3)
6 rules
System prediksi perawatan: 5 inputs, 1 outputs, 4991 rules
N2 (%RPM)(3)
N1(%RPM) (3)
System prediksi
erawatan: 2 inputs, 1 outputs, 6 rules
p
2. Dua masukan 14 fungsi keanggotaan dan satu keluaran.
prediksperawata
OAT (0C)(7)
N2 (%RPM)(3)
EGT (0C)(7)
(mamdani
3.1. Pemilihan dan pemilahan data Data pengukuran yang diambil pada saat pesawat berada pada kondisi cruise (melayang diudara), dimana pada kondisi tersebut mesin pesawat bekerja dalam situasi konstan. Variabel yang digunakan sebagai inputan adalah 1. Suhu udara luar (OAT) 2. Kecepatan rendah rotor (N1) 3. Tekanan oli (OP) 4. Suhu gas keluaran (EGT) Sedangkan data output adalah kecepatan tinggi rotor (N2) kompresor mesin pesawat.
49
N2 (%RPM)(3)
3.2 Penentuan space data dan semesta pembicaraan
N1 (%RPM)(7)
System prediksi
No
Variabel
Space
1
Suhu udara luar (0C)
-40 – 50
2
Kecepatan rendah rotor [N1] (%RPM)
0 – 110
3
Tekanan oli [OP] (Psi)
0 – 310
4
Suhu gas keluaran [EGT] (0C)
0 – 950
Perawatan: 2 inputs, 1 outputs, 49 rules p
3. Empat masukan 26 fungsi keanggotaan dan satu keluaran. OAT (6)
prediksi Perawatan
N1 (7) (mamdani)
1567 rules N2 (3)
Tekanan li (6) o
EGT (7)
System prediksi erawatan: 4 inputs, 1 outputs, 1567 rules p
Dari ke-empat pengulangan tersebut pengulangan pada empat masukan 26 fungsi keanggotaan dan satu keluaran menghasilkan rata-rata eror terkecil. Berikut spesifikasi pengulangan tersebut. 4. Lima masukan 29 fungsi keanggotaan dan satu keluaran.
Himpunan Fuzzy Kurang rendah Rendah Kurang sedang Sedang Lebih sedang Kurang tinggi Tinggi Rendah Lebih rendah Kurang sedang Sedang Lebih sedang Kurang tinggi Tinggi Rendah Kurang normal Normal Lebih normal Kurang ekstrim Ekstrim Rendah Lebih rendah Kurang sedang Sedang Lebih sedang Kurang tinggi Tinggi
Universe of Discourse -40 – -27.2 -27.2 – -14.4 -14.4 – -1.6 -1.6 – 11.2 11.2 – 24 24 – 36.8 36.8 – 50 0 – 15.7 15.7 – 31.4 31.4 – 47.1 47.1 – 62.8 62.8 – 78.4 78.4 – 94.1 94.1 – 109.8 0 – 51.6 51.6 – 103.2 103.2 – 154.8 154.8 – 206.4 206.4 – 258 258 – 310 0 – 135.7 135.7 – 271.4 271.4 – 401.7 401.7 – 542.8 542.8 – 678.5 678.5 – 814.2 814.2 – 950
Seluruh data yang didapat tersebut kemudian ditentukan space dari tiap-tiap variabel berdasarkan kondisi yang pernah tercatat di AFL. Dari space data tersebut kemudian akan ditentukan himpunan fuzzy
yang merupakan pernyataan kondisi variabel secara lingustik. Semesta pembicaraan atau space dari masing-masing himpunan fuzzy ditentukan berdasarkan pernyataan human expert dalam hal ini adalah teknisi dari MMF Juanda. Variabel
Kecepata n tinggi rotor [N2] (%RPM)
Space
Himpunan Fuzzy
Universe of Discourse
Tinggi
100-110
Sedang
75 - 100
Keterangan Not recommended for all reason Recommende d
0 – 75
permitted to purge fuel or clear of fire
0 – 110
Rendah
3.3 Pembuatan membership function Membership function merupakan bagian yang signifikan dalam menunjukkan hasil prediksi. Pemilihan jenis kurva yakni trimf, trapmf, gbellmf, gaussmf, gauss2mf, pimf, sigmf, smf, zmf, dsigmf, serta psigmf dan komponen-komponen kurva didasarkan pada karakteristik data. Kurva yang dipakai dalam simulasi ini hanyalah trapmf dan trimf yang merupakan gabungan dari dua garis linear. Bentuk ini paling sederhana dan menjadi pilihan yang baik untuk mendekati suatu konsep yang kurang jelas [4]. Tabel 3.3. Membership Function data No [1]
1
2
3
Variabel [2]
Suhu udara luar [OAT] (0C)
Kecepatan rendah rotor [N1] (%RPM)
Tekanan Oli
Himpunan Fuzzy [3] kurang rendah
Fungsi Keanggotaan [4]
rendah kurang sedang
trimf
trimf
trimf
sedang lebih sedang kurang tinggi
trimf
tinggi
trimf
rendah
trimf
lebih rendah kurang sedang
trimf
trimf trimf
trimf
sedang lebih sedang kurang tinggi
trimf
tinggi
trimf
rendah
trimf
trimf trimf
Komponen [5] [-50.48 40.08 -32.88] [-37.23 -27.5 -20.63] [-25.31 13.45 -1.544] [-8.232 4.643 14.85] [10.4 19.5 27.74] [19.84 32.7 45.8] [39.14 50.04 59.84] [70.3 72.4 73.94] [73.1 74.79 76.2] [75.26 77.06 78.73] [78.02 80.12 82.52] [80.92 83.22 85.12] [83.6 85.79 88.7] [87.31 89.28 91.21] [-124 0 27.47]
Lanjutan Tabel 3.3 [1]
[2]
[OP] (Psi)
4
5
Suhu gas keluaran
Kecepatan tinggi rotor (N2)
[3] kurang normal
[4] trimf
normal lebih normal kurang ekstrim
trimf
ekstrim rendah
trimf trimf
lebih rendah kurang sedang
trimf
trimf trimf
trimf
sedang lebih sedang kurang tinggi
trimf trimf
tinggi
trimf
Rendah
trapmf
Sedang
trapmf
Tinggi
trapmf
trimf
[5] [16.4 37.4 71.76] [52.05 88.16 113.3] [93.4 133.3 164] [141.8 184.1 216.1] [185.2 310 376.1] [-380 0 119] [92.04 169 243] [209.8 301.1 401.1] [343 453.6 567] [516.6 627.1 714.6] [675 773 871] [832.8 950 1065] [82 85 87.7 89.35] [85.7 89.3 92.3 95.9] [92.39 95.59 100.5 103.5]
Keterangan yang dimiliki dalam penelitian ini hanyalah space dan semesta pembicaraan yang memiliki masing-masing batas yang terpisah, sedangkan setiap membership function haruslah berpotongan. Penentuan titik potong dari tiap kurva ini kemudian diatasi dengan menentukan titik batas yang tidak terlalu jauh dengan batas space-nya (Gambar 3.1). Keseluruhan membership function yang telah disusun dalam logika ini dapat dilihat pada Tabel 3.3. 3.4 Simulasi penerapan logika fuzzy Algoritma program yang dibuat terlihat pada Gambar 3.4.
Gambar Diagram Alir Perekaman data performansi suhu dan kecepatan
IV. Hasil Setelah menyusun program seperti pada Lampiran 2, kemudian dilakukan pengujian dengan data inputan pada bulan Agustus 2008, yakni sebanyak 46 data dan pada bulan Oktober 2009, yakni 46 data. Dari kesemua data tersebut, Hasil prediksi dapat terlihat pada Lampiran 3. Dari hasil pengujian tersebut, didapat rata-rata eror prediksi sebesar 0,745 untuk bulan Agustus 2008 dan 2,1 untuk bulan Okrtober 2009. Pada bulan Agustus 2008 eror terkecil teradi pada data ke dua yaitu sebesar 0,003 dengan nilai prediksi 90,803 dan nilai sebenarnya 90,8. Sedangkan nilai eror terbesar pada bulan Agustus 2008 terjadi pada data ke 23 yaitu sebesar 2,97 dengan nilai prediksi 90,803 dan nilai sebenarnya 92,9. Untuk bulan Oktober 2009 eror terkecil terjadi pada data ke tiga yaitu sebesar 0,8964 dengan nilai prediksi 90,8036 dan nilai sebenarnya 91,7. Sedangkan eror terbesar terjadi pada data ke 16 yaitu sebesar 3,2973 dengan nilai prediksi 90.8027 dan nilai sebenarnya 94,1. (Tabel 4.1). Tabel 4.1. Hasil Pengujian Program Eror pada Agustus 2008 minimum maksimum 0,003 2,97
Eror pada Oktober 2009 minimum maksimum 0,8964 3,2973
V Kesimpulan Dari penelitian yang telah dilakukan dalam ”Prediksi Perawatan di Merpati Maintenance Facilities dengan pendekatan Logika Fuzzy” ini, maka dapat disimpulkan bahwa: 1.
2. 3.
Telah dibuat sebuah logika fuzzy yang mampu melakukan prediksi prediksi perawatan secara terkomputerisasi untuk kompresor mesin pesawat Boeing 737300 tipe CFM-3B-2 Ketepatan prediksi perawatan dari logika yang dibuat sebesar 26 persen Kecilnya ketepatan prediksi perawatan dalam penelitian ini disebabkan oleh aturan-aturan if-then dalam logika fuzzy yang telah dibuat saling overlap.
DAFTAR PUSTAKA
[1] Pal, S. K., Majumder, D. K. D. 1989. Fuzzy: Pendekatan Matematik untuk Pengenalan Pola, Diterjemahkan oleh Sardy S. Jakarta: UI-Press. [2] Gelley, Ned, Jang Roger. 2002. Fuzzy
Logic Toolbox. USA: Mathwork, Inc.
[3] Kusumadewi, S. 2002. Analisis dan Desain Sistem Fuzzy Menggunakan Toolbox Matlab. Jogjakarta: Graha Ilmu. [4] MMF. 2006. Aircraft Maintenance Manual.
.
Lampiran 3
Nama : Nur Rohman Andik Ardian Nrp : 2405 100 002 Alamat : Ds. Buncitan RT13 RW 06 Sedati, Sidoarjo. E-mail : [email protected] Pendidikan : MIN Sedati SMPN 2 Sedati SMAN 1 Sidoarjo Teknik Fisika ITS
(1993-1999) (1999-2002) (2002-2005) (2005-sekarang)
