Perpustakaan Digital ITB

Perawatan merupakan masalah penting dalam industri. Terdapat banyak jenis pendekatan dalam perawatan. Salah satunya metode perawatan berbasis kondisi (Condition Based Maintenance). CBM terdiri dari beberapa tahap yaitu deteksi, isolasi, dan identifikasi cacat. Fokus tesis ini adalah pada identifikasi cacat. Dalam hal ini, identifikasi dilakukan dengan menganalisis sinyal getaran mesin. Dalam penelitian ini, digunakan teknik pengenalan pola berbasis deret waktu [Dianviviyanthi dan Nurprasetio, 2000]. Metode ini menggabungkan teknik jarak terdekat dan pemodelan deret waktu untuk mengidentifikasi cacat permesinan. Pemodelan deret waktu data menggunakan format AutoRegressive Moving Average (ARMA). Vektor fitur dibentuk dari koefisien model ARMA yang dihasilkan. Koefisien ARMA dihitung menggunakan MATLAB®. Vektor fitur acuan berasal dari tahap pembelajaran (learning stage), di mana data diperoleh dari mesin dengan cacat tertentu. Dalam tesis ini, digunakan 30 set data dalam tahap pembelajaran untuk membentuk vektor fitur referensi. Untuk mengidentifikasi cacat, vektor fitur baru dibentuk berdasarkan data getaran mesin dengan cacat yang tidak diketahui. Jarak parametrik antara vektor fitur baru dan vektor fitur referensi dalam basis data akan mengindikasikan cacat yang terjadi. Untuk percobaan laboratorium digunakan anjungan uji yang dikembangkan oleh Bamanto [2010] dan Sakti [2011]. Anjungan uji dapat mensimulasikan cacat tak-balans dan cacat tak-balans dengan kelonggaran mekanik. Tahap pertama menerapkan metode pemodelan berbasis deret waktu cukup berhasil untuk cacat tak-balans. Namun, metode ini menunjukkan kemungkinan kesalahan identifikasi untuk gabungan cacat tak-balans dengan kelonggaran mekanik. Guna menyempurnakan metode, dipakai dekomposisi wavelet. Penggabungan pemodelan deret waktu dan dekomposisis wavelet ternyata berhasil mengatasi kemungkinan kesalahan identifikasi. Oleh karena itu, metode diagnostik berbasis pemodelan deret waktu dan dekomposisi wavelet dapat direkomendasikan untuk melengkapi metode berbasis domain frekuensi (FFT).