Tugas Metodologi Penelitian

TUGAS METODOLOGI PENELITIAN

”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. Pendahuluan

Pemantauan kondisi dan diagnosa kesalahan pada mesin berputar adalah topik penting dalam aplikasi industri. Mesin-mesin berputar yang paling umum adalah motor-motor induksi dan rantai-rantai statis yang dihubungkan dengan kotak-kotak berlubang dan tersebar luas dalam berbagai aplikasi. Topik ini telah menarik perhatian banyak peneliti selama beberapa tahun terakhir [1, 2], menekankan perlunya pemantauan kesehatan dan pemeliharaan prosedur-prosedur dalam operasi manufaktur untuk memastikan ketersediaan peralatan, kualitas produk, pengiriman tepat waktu, dan keamanan, motor induksi terhubung ke gearbox [7, 8], dan penting untuk mengidentifikasi kondisi yang salah pada tahap awal sementara elemen-elemen ini sedang beroperasi bersama dengan rantai kinematik terkait. Meskipun telah ditunjukkan bahwa sekitar 41% dari kesalahan motor induksi disebabkan oleh cacat bantalan, kondisi ini biasanya tidak menyebabkan kerusakan langsung. Dalam gearbox, bagaimanapun, kemungkinan kesalahan daya tangkap, sekitar 26%, tetapi kesalahan stagely, karena keausan yang seragam, dapat menyebabkan konsekuensi yang parah [9, 10]. Memang, motor induksi, gearbox, dan bantalan mewakili komponen kritis dalam rantai statik, dan adanya kesalahan baru jadi dapat menyebabkan gangguan tak terduga.

2. Latar Belakang Teoritis

Getaran di Mesin Berputar dengan Roda Gigi. Getaran mekanis dalam studi mesin berputar dengan roda gigi melekat pada operasinya karena ini dihasilkan oleh pukulan balik atau eksitasi dari kekuatan dinamis yang diinduksi ketika benda yang berada di tengah memasuki kontak; akibatnya, pada serangan balik yang lebih tinggi, amplitudo getaran lebih tinggi. Selain itu, variasi pada kecepatan dan beban juga memberikan kontribusi pada sistem dalam gigi, ketika gigi awal memasuki kontak dengan efek frekuensi frekuensi mesh (𝑓𝑚) dan itu adalah frekuensi utama di mana gearing menginduksi getaran dan infeksi yang diberikan oleh
𝑓𝑚 = 𝑁⋅𝑓 𝑟, (1) di mana 𝑁 adalah jumlah gigi dan 𝑓𝑟 adalah frekuensi rotasi dari poros keluaran ke poros untuk menganalisis.

Kesalahan gigi yang paling umum adalah ketidakteraturan gigi gerigi diskrit seperti kerusakan pada roda gigi yang terlepas. Dengan berkurangnya tingkat kesalahan, peningkatan tingkat kerusakan pada roda dapat terjadi pada frekuensi rotasi poros dan sesuai dengan harmonik yang terkait. Juga, kesalahan diskrit cenderung menghasilkan level-rendah, datar, spektrum sideband di sekitar frekuensi mesh dan harmonik. Untuk gearbox dalam kondisi baik, spektra getaran biasanya menunjukkan frekuensi poros input dan output serta frekuensi mesh dengan frekuensi sideband (idsebeband) (2) di sekitar frekuensi frekuensi danitsesuai denganarmonik. 𝑓sideband = 𝑓 𝑚 ± 𝑓 𝑟. (2)
Pita seperti itu biasanya berasal dari modulasi gelombang pengait gigi oleh frekuensi rotasi gigi. Ketika gigi dalam kondisi baik dan persneling konsentris, amplitudo 𝑓𝑚 dan idsideband beserta harmoniknya turun. Di sisi lain, peningkatan tegangan dalam 𝑓𝑚 dan 𝑓sideband dan harmoniknya dikaitkan dengan keausan seragam seperti ditunjukkan pada Gambar1 (b); peningkatan komponen frekuensi ini dan harmonik yang terkait adalah kriteria khas untuk deteksi kesalahan. Mengingat bahwa untuk sepasang roda gigi, 𝑓𝑚 sama, maka informasi yang terkandung dalam 𝑓sideband memungkinkan mengetahui yang mana yang dipakai; ini ditentukan karena setiap instrumen memiliki perbedaang. Gearboxdipertimbangkansebagaiacomplexsistem mesin pelindung; pertimbangan iniadalahmenghasilkan getaran nonlinier dan penambahan komponen frekuensi yang tidak terduga, bersama dengankombinasi dari kecepatan operasi yang lebih tinggi. Dalam hal ini, keberadaan model mekanis teoretis dengan pendekatan yang sebenarnya dapat meningkatkan pemahaman perilaku sistem kotak fenomena [39].

3. Metodologi dan Eksperimental

Pengaturan Bagian ini menunjukkan metodologi yang diusulkan dan deskripsi pengaturan eksperimental untuk diagnosis keausan di gearbox dan deteksi cacat bantalan pada motor induksi; kedua kesalahan berada di atas rantai kinematik yang sama.
3.1. Metodologi. Diagram alir Gambar 2 menggambarkan metodologi yang diusulkan. Pekerjaan ini berfokus pada deteksi kesalahan yang berbeda. Pertama, kondisi yang dipelajari berbeda didefinisikan sebagai sehat, tiga tingkat keausan pada gearbox, cacat bantalan, dan pencampuran setiap tingkat keausan dengan cacat bantalan. Kesalahan ini secara artifisial dibuat, dan komponen yang rusak harus ditempatkan di sebelah kiri untuk rantai statis untuk membawa eksperimen yang berbeda. Juga, frekuensi yang berbeda sebelum digunakan untuk menguji coba gunakan ini untuk memeriksa dependensi yang telah ditentukan sebelumnya. Setelah itu, data getaran diperoleh dari accelerometer triaksial yang ditempatkan di bagian atas gearbox. Selain itu, arus motor dan kecepatan putar masing-masing diperoleh dari sensor efek Hall dan enkoder digital. Untuk mendapatkan getaran rantai kinematik, arus motor, dan frekuensi rasional, semua data direkam selama operasi rantai kinematik dalam setiap kondisi yang dipelajari untuk semua percobaan berbeda yang dijalankan. Kemudian, analisis spektral dilakukan yang terdiri dari pengaplikasian penunjuk waktu Hanning hingga saat ini dan sinyal arus untuk mengurangi kebocoran pektral. FFT dan thePowerSpectral Density (PSD) kemudian dikomputasi untuk mendapatkan getaran dan arus yang telah dipatuhi. Setelah itu, dengan tujuan menemukan bandwidth spesifik untuk menemukan komponen frekuensi spektral yang terkait dengan setiap kondisi yang dipelajari, frekuensi teoritis dihitung. Oleh karena itu, nilai-nilai ini diperoleh dengan mengganti kecepatan yang diperoleh, karakteristik gearbox, dan geometri bantalan dalam (1), (4), dan (7). Frekuensi yang dihitung dirangkum dalam Tabel1. Adalah penting untuk menyebutkan bahwa nilai-nilai ini sesuai dengan pendekatan dan diajukan untuk berbagai variasi (tidak lebih dari 3% dari nilai yang diharapkan) dari kedua kondisi untuk beroperasi.

4. Hasil dan Diskusi

Diselesaikan dengan cara disempurnakan dengan menerapkan metodologi yang diusulkan. Percobaan dilakukan dengan mengganti gigi yang sehat dengan perangkat roda gigi yang tersisa, dan menggunakan roda gigi yang cacat dengan cacat pendengaran. Dengan demikian, untuk sinyal getaran, kecepatan, getaran, getaran, getaran, getaran, getaran, getaran, getaran Dalam hal ini, frekuensi putar operasional dihitung melalui sinyal kecepatan yang diberikan oleh digital encoder. Meskipun ada beberapa frekwensi spesifik seperti 5hz, 15Hz, dan 50hz yang ditetapkan dalam PKS, frekuensi operasi untuk masing-masingnya di bawah ini, dengan frekuensi yang sama karena motor, seperti yang diperlihatkan dalam tabel. Sifat kesalahan dianggap menyiratkan generasi impuls kejut di sepanjang rantai kinematik, yang berarti bahwa domain berlebih didasarkan pada analisis analitik yang tidak cocok untuk deteksi. Jadi, data yang diperoleh dianalisis dengan FFT dan data arus motor yang diperoleh dianalisis dengan PSD. Teknik FFT memiliki beberapa kelemahan dalam analisis sinyal ketika frekuensi karakteristik sistem adalah nonstasioner. Penggunaan VFD untuk memberi makan motor secara sederhana bahwa sistem dapat beroperasi pada frekuensi pasokan yang berbeda. FFT mengeluarkan desain yang gagal dari sistem ini, selama frekuensi operasi pada VFD diatur dan kondisi mapan tercapai karena sistem ini diam di bawah kondisi ini. Namun, di bawah kondisi operasi kondisi tunak ini, jika beban mekanis bervariasi selama operasi, kinerja metode FFT dapat terpengaruh. Selanjutnya, studi ini akan memilih untuk menghindari variasi beban untuk menghindari operasi yang tidak stabil.

5. 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