5 Peluang Usaha Kerja Sampingan Bagi Pegawai,Maupun Mahasiswa/Pelajar Yang Cocok

TUGAS METODOLOGI PENELITIAN

REVIEW 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. 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].

2. 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.
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.

 

 

 

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.