Klasifikasi Cacat Lintasan Dalam Bantalan Bola Berbasis Support Vector Machine (SVM) pada Fan Industri

Abstract

Fan adalah sebuah mesin industri yang berfungsi mensirkulasikan udara di dalam sebuah ruangan. Salah satu komponen dari fan yang sering rusak adalah bantalan. Metode spektrum merupakan salah satu metode deteksi rusak/cacat bantalan berbasis getaran yang umum digunakan namun grafik spektrum sering sulit dipahami oleh operator di lapangan. Metode pengenalan pola (pattern recognition) adalah metode yang mudah digunakan karena tidak perlu menterjemahkan grafik spektrum. Metode pengenalan pola yang digunakan pada penelitian ini adalah Support Vector Machine (SVM). Tujuan penelitian ini adalah mendeteksi cacat lintasan dalam pada bantalan bola. Penelitian ini menggunakan dua kondisi bantalan yang berbeda yaitu bantalan normal, dan bantalan cacat. Cacat pada bantalan dibuat dengan metode Electrical Discharge Machine (EDM) pada lintasan dalam dengan kedalaman 1,4 mm dan lebar 0,4 mm. Sinyal getaran bantalan direkam dari rig uji fan industri menggunakan software MATLAB dengan merekam data sebanyak 700 file untuk setiap kondisi. Data tersebut diektraksi kedalam 17 parameter statistik yang kemudian diseleksi secara visual sebagai input SVM. Klasifikasi SVM dilakukan dengan variasi kernel Radial Basis Function (RBF), Polynomial dan Linear. Hasil penelitian menunjukkan parameter statistik entropy dengan standart error menggunakan variasi kernel Radial Basis Function (RBF), Polynomial dan Linear adalah rekomendasi untuk klasifikasi cacat pada bantalan lintasan dalam karena menghasilkan akurasi sebesar 100%. Industrial fan is one of -rotating machinery commonly used by industries to circulate air in a particular area. One of the most important component of a fan is the bearing which may fault during its operation Spectrum analysis is one of vibration-based methods frequently used to detect faulty bearing but this method has a disadvantage that is not easily understood by operators in the field. Pattern recognition method is an easy method to be used because it does not need to interpret the spectrum. The pattern recognition method used in this study is Support Vector Machine (SVM). The purpose of this study is to detect inner race fault of a ball bearing using SVM. This study uses two different bearings, namely a normal bearing and a faulty bearing. Fault on the bearing were made by Electrical Discharge Machine (EDM) on the inner race with a width of 0.4 mm and a depth of 1.4 mm. The test is carried out on an industrial fan test rig and recorded using MATLAB. The vibration signal is recorded to result of 700 files for each bearing condition. The vibration data is subsequently extracted into 17 statistical parameters which are then visually selected as input of SVM classifier. The SVM classifiear is trained using variations of the Radial Basis Function (RBF), Polynomial and Linear kernels. The results shows that the statistical parameters of entropy-standard error using variation of the RBF, Polynomial and Linear kernels gives the highest accuracy of 100%.

Keywords

• kernel function, pattern recognition, spectrum, statistical parameters