LOGO MONITORING PERFORMANSI MESIN BERPUTAR MELALUI PENERAPAN BLIND SOURCE SEPARATION (BSS) DI PT. GRESIK POWER INDONESIA (THE LINDE GROUP) SEMINAR TUGAS AKHIR Laboratorium Akustik Dan Fisika Bangunan Oleh Risqi ilham Zulfahmi 2408100039 Dosen Pembimbing : Dr. Dhany Arifianto ST, M.Eng NIP. 19731007 199802 1 001 PROGRAM STUDI S-1 TEKNIK FISIKA JURUSAN TEKNIK FISIKA FAKULTAS TEKNOLOGI INDUSTRI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2012 1
24
Embed
MONITORING PERFORMANSI MESIN BERPUTAR MELALUI … · Pada penelitian ini sudah didapatkan pola khusus kondisi mesin CWP yang diindikasikan normal dari pengulangan frekuensi sesaat,
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
LOGO
MONITORING PERFORMANSI MESIN BERPUTAR MELALUI PENERAPAN BLIND SOURCE SEPARATION (BSS)
DI PT. GRESIK POWER INDONESIA (THE LINDE GROUP)
SEMINAR TUGAS AKHIR Laboratorium Akustik Dan Fisika Bangunan
Mengetahui performansi dari metode blind source separation (BSS) dalam memonitoring performansi mesin berputar (cooling water pump) di PT. Gresik Power Indonesia (The Linde Group).
5
LOGO BATASAN MASALAH Mesin yang digunakan CWP (kecepatan 590rpm) di LINDE GROUP
1.
Sensor yang digunakan adalah mikrofon array bertipe super cardioid (Behringer XM1800)
2.
Sinyal suara yang direkam dalam kondisi wide sense stationary (WSS)
3.
Metode yang digunakan BSS-ICA berdasarkan pencampuran convolutive mixture.
4.
5. Software yang digunakan matlab R2009a dengan monitoring sinyal suara secara offline
6
LOGO Blind Source Separation (BSS) Model ICA
xi(t)= A*zn(t)+n(t)
dimana x=[x1,x2,...xm]T adalah vektor yang mewakili sinyal terukur xi, z=[z1,z2,...,zn] adalah vektor yang mewakili sumber (m≥n)
Time domain ICA (TDICA) Fequency domain ICA (FDICA)
s(t) =Wx(t) dimana matrik W = A-1
9
LOGO Desain eksperimen
IMPELLER
SHAFT
ROTOR
Dimana diasumsikan bahwa 1. Sinyal baseline=sinyal
paling ekat dengan mesin (5cm).
2. Sinyal campuran 3mikrofon pada jarak 30 cm dengan jarak antar mikrofon 25 cm
KIRI DEPAN, BELAKANG, ATAS, BAWAH KANAN
10
LOGO PENGAMBILAN DATA Sinyal baseline 1. Pengambilan data dilakukan pada jarak 5cm
Tampak depan
bawah
depan
atas
Tampak belakang
belakang
kiri
kanan
11
LOGO PENGAMBILAN DATA Sinyal Kombinasi 1. Pengambilan data pada jarak 30 cm dengan menggunakan 3 microphone array. 2. Posisi sensor sesuai dengan pengambilan data sinyal baseline
depan kiri
12
LOGO MICROPHONE ARRAY
Hal yang harus diperhatikan dalam penyusunan microphone yaitu :
JARAK ANTAR MIC
d = λ min / 2 d=25 cm
SUDUT DATANG
SPATIAL ALIASING
(Jika diabaikan)
13
LOGO MEAN SQUARE ERROR (MSE)
MSE adalah perbedaan antara sinyal asli dengan sinyal estimasi. sinyal estimasi merupakan sinyal output dari sistem [3]
LOGO KESIMPULAN Pemisahan sinyal bunyi dengan metode ICA pada kondisi riil di
lapangan sudah dapat dilakukan, baik dalam domain waktu (TDICA) maupun domain frekuensi (FDICA) dimana nilai MSE TDICA sebesar 0.077, sedangkan untuk nilai MSE FDICA sebesar 0.0096. Sehingga unjuk kerja metode FDICA lebih unggul daripada metode TDICA.
Pada penelitian ini sudah didapatkan pola khusus kondisi mesin
CWP yang diindikasikan normal dari pengulangan frekuensi sesaat, khususnya pada frekuensi 40 Hz, 80 Hz, 120Hz, 260 Hz, 300 Hz baik dari metode TDICA maupun FDICA.
21
LOGO DAFTAR PUSTAKA [1] D.Popescu, Theodor, Maret.2010. “Blind separation of vibration signals and source change detection Application to machine
monitoring”. Applied Mathe matical Modelling SciennceDirect 3408-3421. [2] G. Gelle And M. Colas. Mei 2001. “Blind Source Separation: A Tool For Rotating Machine Monitoring By Vibrations Analysis?”.
Journal of Sound and vibration (2001) 248(5), 865} 885. [3]Fevotte, Cedric., Doncarli, Christian. 2004. “Two Contribution to Blind Source Separation Using Time-Frequency
Distribution”. IEEE Signal Processing Letters vol 11 no.3 March. Processing, vol. 46, pp. 2888–2897, Nov 1998. [4] Hiham,Shahram,Yannick,2010,”Devillenoisy cyclo-stationary BSS using Frequency DomainPseudo-Correlation”.Denmark,18th
European Signal Processing Conferenc (EUSIPCO-2010). [5] Saruwatari, H et.al. 2002. “Blind Source Separaion of Acoustic Signal Based on Multistage Independent
Component Analysis”. Power Point File. [6] Saruwatari, H et.al. 2003. “A Fixed-Point ICA Algorithm for Convoluted Speech Signal Separation”. ICA 2003, Nara,
Japan. [7] Seltzer, ML., Mitchel, L. 2003. “ Microphone Array Processing for Robust Speech Recognition”. PhD Thesis,Carnegie
Mellon University, 2003. [8] Tris Atmajaya, Bagus,2008 “Pemisahan banyak sumber suara mesin dari microphone array dengan metode ICA”.Tugas
Akhir,ITS. [9] Parra, Lucas,2002, “Tutorial on Blind Source Separationand ICA”, Adaptive image and signal processing group,sarnoff
Coorporation. [10] Honarkhah, M and Caers, J, 2010, “Stochastic Simulation of Patterns Using Distance-Based Pattern Modeling”, Mathematical
Geosciences, 42: 487 – 517. [11] Nur hayati,Dian.2011.”Penerapan independent component analysis (ICA) untuk bunyi mesin berputar di PT. GRESIK
POWER INDONESIA. tugas akhir.ITS, Surabaya. [12] Yunata, Aris Surya. 2010.”Identifikasi Kerusakan Mesin Secara Serentak di Ruang Terbuka dengan independent
component analysis (ICA)”. Tugas akhir. ITS, Surabaya. [13] Permana, Ricky. 2011.” Evaluasi Unjuk Kerja Independent Component Analysis (Ica) Untuk Mendeteksi Kerusakan
Mesin Kapal Di PT. Dharma Lautan Utama Surabaya”. Tugas akhir.ITS, surabaya. 22