v

Predictive Maintenance Berdasarkan Emisi Akustik

Menggunakan Metode Fast Fixed-Point Independent Component

Analysis (FastICA) untuk Identifikasi Kondisi Mesin Oxydation

Blower

Nama Mahasiswa : Akhmad Fajar Nasrullah

NIM : 2011610006

Pembimbing : Qurrotin A’yunina MOA, S.T., M.S

Anindita Adikaputri Vinaya, ST., M.T

ABSTRAK

Pemeliharaan mesin secara prediktif (Predictive Maintenance) diperlukan

agar indikasi kerusakan dapat diketahui lebih awal, sehingga waktu mesin berhenti

beroperasi yang dibutuhkan saat perbaikan tidak terlalu lama. Metode pemeliharaan

prediktif yang sering digunakan adalah vibrasi atau getaran. Namun pengambilan

data vibrasi memerlukan sensor yang ditempelkan pada titik pengukuran, tentu ini

menimbulkan resiko kecelakaan kerja bagi operator. Selain getaran, mesin juga

menghasilkan emisi akustik yang merupakan bentuk lain dari getaran. Emisi akustik

bisa digunakan dan tidak mengharuskan sensor menempel di equipment. Namun

emisi akustik akan tercampur dengan suara di sekitar lingkungan industri, untuk itu

perlu dilakukan pemisahan sinyal yang tercampur. Pemisahan sinyal yang

tercampur menggunakan teknik Blind Source Separation(BSS) dengan algoritma

FastICA. Algoritma FastICA adalah komputasi yang cepat dan efisien

menghasilkan taksiran isyarat yang mendekati kebenaran dari pemisahan sinyal

tercampur. Penelitian dilakukan di PT.SIPL, dengan objek pengamatan Oxydation

Blower 135-C-01-B yang terletak di Gas Processing Facility PT.SIPL. Perekaman

sinyal baseline dilakukan pada jarak 5 cm, kemudian perekaman sinyal campuran

dilakukan ketika jarak sensor dengan sumber 50 cm dan 70 cm serta variasi jarak

antar sensor 10 cm, 15 cm, dan 20 cm. Data kemudian diolah menggunakan

FastICA. Evaluasi nilai LSD menunjukkan sinyal estimasi yang mendekati sinyal

baseline adalah ketika jarak sensor dengan sumber 50 cm dan jarak antar sensor 20

cm. Sinyal estimasi pada variasi jarak tersebut selanjutnya digunakan untuk

menganalisa kondisi mesin. Dari analisa yang dilakukan menggunakan spektrum

sinyal estimasi dengan bantuan alarm vibrasi menunjukkan adanya indikasi

kerusakan bearing fault stage 2 pada titik NDE(Non-Drive End) blower dan

NDE(Non-Drive End) motor.

Kata Kunci : Blind Source Separation, FastICA, Mesin Berputar, Oxydation

Blower, Predictive Maintenance.

vi

Predictive Maintenance Based on Acoustic Emission Using Fast

Fixed-Point Independent Component Analysys (FastICA) Method to

Identify Condition of the Oxydation Blower Machine

Student Name : Akhmad Fajar Nasrullah

Student Identity Number : 2011610006

Advisor : Qurrotin A’yunina MOA, S.T., M.S

Anindita Adikaputri Vinaya, ST., M.T

ABSTRACT

Predictive maintenance is needed because indication of damage can be known early, so that the time the machine stops operating is needed when the repair is not too long. Predictive maintenance method that is often used is vibration. However, the vibration data collection requires a sensor that is attached to the measurement point, of course this creates a risk of work accidents for the operator. Apart from vibration, the engine also produces acoustic emissions which are another form of vibration. Acoustic emissions can be used and do not require the sensor to be attached to equipment. However, acoustic emissions will be mixed with the sound around the industrial environment, therefore it is necessary to separate the mixed signals. Separation of mixed signals using the Blind Source Separation (BSS) technique with the FastICA algorithm. FastICA's algorithm is computationally fast and efficient to produce approximate signal estimates of the mixed signal separation. The research was conducted at PT.SIPL, with the object of observation of Oxydation Blower 135-C-01-B which is located at the Gas Processing Facility of PT.SIPL. Baseline signal recording at a distance of 5 cm, then mixed signal recording when the sensor distance from the source is 50 cm and 70 cm and the variation in the distance between sensors is 10 cm, 15 cm, and 20 cm. The data is then processed using FastICA. Evaluation of the LSD value shows the estimated signal that is close to the baseline signal is when the sensor distance from the source is 50 cm and the distance between sensors is 20 cm. The estimation signal at the distance variation is then used to analyze the engine condition. From the analysis carried out using the estimated signal spectrum with the aid of a vibration alarm, it shows an indication of the fault bearing stage 2 at the point NDE (Non-Drive End) blower and NDE (Non-Drive End) motor.

Keywords: Blind Source Separation, FastICA, Spinning Machine, Oxydation

Blower, Predictive Maintenance.