TUGAS METODOLOGI PENELITIAN

BEDAH JURNAL

”DETECTION VIBRATION”

 

 

 

 

Disusun Oleh :

Nama         : Muji Widodo

NPM          : 24417296

Kelas         : 3IC06

 

 

FAKULTAS TEKNOLOGI INDUSTRI

JURUSAN TEKNIK MESIN

UNIVERSITAS GUNADARMA

2019

 

 

Metodologi Deteksi Multi-Kesalahan Berdasarkan Getaran dan Analisis Saat Ini Diterapkan pada Bearing di Motor Induksi dan Gearbox pada Rantai Kinematik

1. Kesimpulan

Metoda ini bekerja berdasarkan metodologi analisis berdasarkan analisis dan analisis saat ini untuk tingkat yang berbeda dari pakaian seragam dan kotak deteksi kerusakan pendengaran keduanya terkait dengan rantai kinematik yang sama. Metodologi ini didasarkan pada perolehan sinyal getaran yang dihasilkan dalam rantai kinematik dan sinyal arus motor induksi, bersama dengan pemrosesan sinyal yang memadai untuk menganalisis amplitudo pada frekuensi yang diinginkan oleh teori, untuk memberikan hasil diagnosis kesalahan yang dapat diandalkan. Analisis getaran menghasilkan menunjukkan bahwa komponen lampu meningkatkan komponen frekuensi dan harmonik yang sesuai terkait dengan adanya keausan dalam gearbox. Analisis pada frekuensi yang beroperasi lebih rendah secara sempurna mendeteksi adanya keausan di gearbox karena peningkatan monoton dalam semua frekuensi mesh. Meskipun pada frekuensi operasi yang lebih tinggi tidak cocok untuk mendeteksi keausan yang seragam, dimungkinkan untuk mempertimbangkan perubahan amplitudo nonmonotonik pada frekuensi mesh sebagai indikator keberadaan keausan yang seragam. Seperti yang disebutkan [38], sistem mekanis yang paling rumit adalah gearbox dan bearing; oleh karena itu, getaran nonlinier melekat pada operasinya. Untuk kasus ini, adanya keausan seragam di gearbox dan lokasi remote accelerometer membuatnya sulit untuk menentukan dengan sempurna keberadaan cacat bantalan berdasarkan analisis getaran. Selanjutnya, efek getaran pada rantai mekanik yang didukung oleh analisis terhadap sinyal arus motor induksi, yang juga mendeteksi pengaruh seragam pada kedua band tersebut dan modifikasi terkait dengan frekuensi fungsional pada gigi ini, dan kaitannya dengan komponen analisis yang berkaitan dengan efek getaran yang terkait dengan efek getaran. Selain itu, dengan penelitian ini, ditunjukkan bahwa setiap modifikasi dalam rantai kinematik memiliki efek yang mampu memodifikasi proses operasi. Lebih lanjut, dengan perolehan sensor militer secara fisik pada pemantauan kondisi dan kesalahan pada mesin pelindung, pemilihan kesalahan beberapa dapat diperbaiki dengan hasil yang lebih baik. Dari perspektif industri, metode yang diusulkan dapat ditingkatkan dan ditingkatkan untuk pengembangan lebih lanjut. Struktur metodologi yang diusulkan membuatnya cocok untuk pemantauan online dan deteksi kesalahan menggunakan sistem tertanam seperti FPGA. Implementasi perangkat keras untuk operasi online dimungkinkan karena Hanning filter dan modul FFT dapat dengan mudah diintegrasikan ke dalam FPGAdevicesaslowcost unit berkinerja tinggi. Juga, penggunaan akselerasi dan sinyal saat ini dengan sistem klasifikasi otomatis dapat menghasilkan metoda yang ditingkatkan berdasarkan fusi data untuk deteksi multi-gangguan dalam rantai kinematik. Untuk perbaikan lebih lanjut dari metode ini

 

 

 

 

 

 

Referensi

 

1. G. Niu, B.-S. Yang, and M. Pecht, “Development of an optimized condition-based maintenance system by data fusion andreliability-centeredmaintenance,”ReliabilityEngineering& SystemSafety,vol.95,no.7,pp.786–796,2010.
2. A. Bellini, F. Filippetti, C. Tassoni, and G.-A. Capolino, “Advances in diagnostic techniques for induction machines,” IEEE Transactions on Industrial Electronics, vol. 55, no. 12, pp. 4109–4126,2008.
3. V. T. Tran and B.-S. Yang, “An intelligent condition-based maintenance platform for rotating machinery,” ExpertSystems withApplications,vol.39,no.3,pp.2977–2988,2012.
4. M.Ayad,D.Chikouche,N.Boukazzoula,andM.Rezki,“Search of a robust defect signature in gear systems across adaptive Morlet wavelet ofvibration signals,” IETSignal Processing,vol. 8,no.9,pp.918–926,2014.
5. L. Frosini, C. Harlisca, and L. Szab ´ o, “Induction machine bearing fault detection by means of statistical processing of the stray flux measurement,” IEEE Transactions on Industrial Electronics,vol.62,no.3,pp.1846–1854,2015.
6. J. Antonino-Daviu, M. Riera-Guasp, J. Pons-Llinares et al., “Detectionofbrokenouter-cagebarsfordouble-cageinduction motors under the startup transient,” IEEE Transactions on IndustryApplications,vol.48,no.5,pp.1539–1548,2012.  
7. D. A. Tobon-Mejia, K. Medjaher, and N. Zerhouni, “CNC machinetoolsweardiagnosticandprognosticbyusingdynamic Bayesian networks,” Mechanical Systems and Signal Processing, vol.28,pp.167–182,2012.
8. H. Henao, G.-A. Capolino, M. Fernandez-Cabanas et al., “Trends in fault diagnosis for electrical machines: a review of diagnostic techniques,” IEEE Industrial Electronics Magazine, vol.8,no.2,pp.31–42,2014.
9. P. Henr´ıquez, J. B. Alonso, M. A. Ferrer, and C. M. Travieso, “Review of automatic fault diagnosis systems using audio and vibration signals,” IEEE Transactions on Systems, Man, and Cybernetics:Systems,vol.44,no.5,pp.642–652,2014.
10. P.BangaloreandL.B.Tjernberg,“Anartificialneuralnetwork approach for early fault detection of gearbox bearings,” IEEE TransactionsonSmartGrid,vol.6,no.2,pp.980–987,2015.
11. V.Mien,K.Hee-Jun,andS.Kyoo-Sik,“Rollingelementbearing fault diagnosis based on non-local means de-noising and empiricalmodedecomposition,”IETScience,Measurementand Technology,vol.8,no.6,pp.571–578,2014.
12. V. C. M. N. Leite, J. G. Borges da Silva, G. F. C. Veloso et al., “Detectionoflocalizedbearingfaultsininductionmachinesby