Pendeteksian Kerusakan Bantalan Gelinding Menggunakan Metode Radial Basis Function Neural Network (Rbfnn)
DOI:
https://doi.org/10.35145/joisie.v1i2.212Keywords:
Pendeteksian kerusakan, bantalan gelinding, RBFNN, Data mining, KlasifikasiAbstract
Bantalan Gelinding memegang peranan penting dalam perputaran mesin. Kerusakan bantalan gelinding pada mesin industri dapat berakibat fatal dan mengakibatkan kerugian yang besar bagi perusahaan. Suatu mesin bisa menjadi sangat berbahaya jika kerusakan bantalan gelinding terjadi pada saat mesin sedang beroperasi. Oleh karena itu pendeteksian kerusakan bantalan gelinding penting dilakukan untuk menghindari kerusakan yang mengakibatkan kerusakan pada komponen mesin yang lain. Beberapa teknik telah diusulkan untuk pendeteksian kerusakan bantalan gelinding. Penelitian ini mendiagnosis dan mendeteksi kerusakan bantalan gelinding berdasarkan data getran motor yang diklasifikasikan berdasarkan kesamaan kelasnya. Metode klasifikasi yang digunakan adalah Radial Basis Function Neural Network (RBFNN). RBFNN mengklasifikasikan data getaran berdasarkan kesaamaan pola. Selain itu performa RBFNN lebih cepat jika dibandingkan dengan Back Propagation yang membutuhkan waktu lama. Lebih jauh lagi, RBFNN cocok digunakan untuk data-data dengan skala besar, dan Gaussian digunakan sebagai fungsi aktivasi dari RBFNN ini. Hasilnya tingkat kesalahan yang terjadi pada bantalan gelinding.
Downloads
References
M. Orr, “Introduction to Radial Basis Function Networksâ€, unpublished, 1996.url:www.anc.ed.ac.uk/~mjo/pap ers/in tro.ps
Niu, Xinwen., Zhu, Limin.,dan Ding, Han., 2005, New Statistical Moments for Detection of Defects in Rolling Element Bearings, Int J Adv Manuf Technol, 1268-1274.Purwitasari, Diana., Pusposari, Glory, Intani., Sulaiman, Rully., 2011, Pembelajaran Bertingkat pada Arsitektur Jaringan Fungsi Radial Basis, Seminar Nasional Teknologi Informasi & Komunikasi Terapan, ISBN 979-26-0255-0.
Rao., Pai, Srinivasa, P., dan Nagabushana, T,N., 2012, Failure Diagnosis and Prognosis of Rolling-Element Bearings Using Artificial Neural Networks: A critical Overview, International Journal of Physics : Conference Series 364, 1-Sarfaz,Muhammad., 2005, Computer- Aided Intelligent Recognition
Techniques and Application , John Wiley&Sons,Ltd, England.
Smith, Lindsay,I., A Tutorial of Principal Component Analysis, Unpublished, 2002.
Vachtsevanos, G., Lewis,F., Roemer,M., Hess,A., Wu,B., 2006, Intelligent Fault Diagnosis and Prognosis for Engineering Systems, John Wiley & Sons, Hoboken, New Jersey.
Widodo, Achmad., Application of Intelligent System for Machine Fault Diagnosis and Prognosis, 2009, Badan Penerbit Universitas Diponegoro, Semarang.
Williams, T., Ribadeneira, X., Billington, S.,dan Kurfess, T., 2001, Rolling Element Bearing Diagnostics in Run-to failure Lifetime Testing, Mechanical Systems and Signal Processing 15(5), 979-993.
Yang, Hongyu., Mathew, Joseph., dan Ma,Lin., 2005, Fault Diagnosis of Rolling Element Bearings Using Basis Pursuit, Mechanical Signal and Processing, 341-356.
Yang, Zhenyu., Merrild, Uffe, C., dan Runge, Morten, T., 2009, A Study of Rolling- Ellement Bearing Fault Diagnosis Using Motor’s Vibration and Current Signatures, Fault Detection, Supervision and Safety of Technical Processes,354-359.
