Jurnal 1

Tugas Metodologi Penelitian

“Deteksi Kerusakan pada Sinyal Getaran Menggunakan Non Representasi Frekuensi Waktu Parametrik”

Nama : Iqbal Bayu Kurniawan

Kelas : 3IC05

NPM : 22417948

Judul Penelitian :

Deteksi kerusakan pada sinyal getaran menggunakan non representasi frekuensi waktu parametrik

Penulis :

O. Cardona-Morales , A. Orozco-Ángel  dan G. Castellanos-Domínguez

Metodologi Penelitian :

Pengaturan eksperimen

Ketidakseimbangan poros dan ketidakselarasan kopling adalah kesalahan penting dari mesin berputar. Ketidakseimbangan ditandai dengan kelebihan massa di sebagian poros, menyebabkan gosokan dengan elemen bergulir bantalan. Misalignment kopling menghasilkan kerusakan oleh ketidaksejajaran antara pusat rotasi dari poros dan rotor. Kesalahan ini biasa terjadi di industri dan keberadaannya di mesin adalah sumber utama kerusakan lainnya seperti gosok, cacat elemen bantalan rol.

Gambar 1 menunjukkan pengaturan eksperimental, di mana dimungkinkan untuk mempelajari perilaku kerusakandisebutkan di atas. Pengaturan eksperimental terdiri oleh motor DC 2HP, dengan maksimumkecepatan 1800 rpm, dan analisis perilaku ketika perubahan kecepatan menjelaskan pentingnya hal inikerja. Ketidakseimbangan dihasilkan memasukkan massa 5g di dalam roda pengeboran dan tiga kemungkinanmalfungsi diperoleh: satu massa di roda kiri (UBL), satu massa di roda kanan (UBR), dan satu massa massa di roda dua (UBB), pada posisi yang sama untuk menaikkan level getaran. Dalam ketidakselarasan kopling kasus, rotor dipindahkan dalam posisi vertikal (masing-masing 0,0025 dan 0,007 dalam, VM1 dan VM2) dan posisi horizontal (masing-masing 0,002 ke kiri dan 0,004 pada poros kanan, HML dan HMR). Selain itu, sinyal tanpa kerusakan, WD, juga tercatat, memiliki masalah klasifikasi dengan delapan kelas.

Sensor ini adalah accelerometer standar dan dapat ditempatkan di posisi horizontal atau vertikal, meskipun dalamkarya ini, catatan yang diperoleh dengan pengukuran posisi horisontal digunakan. Dinamika pengukurankisaran berkisar dari 0 hingga 1800 rpm selama 10 detik, beralih dari kondisi siaga ke operasi maksimumkondisi, dan frekuensi pengambilan sampel adalah 20 kHz. Basis data disusun oleh 20 catatan asinkronuntuk setiap kelas.

Estimasi representasi TF
Analisis TF sangat penting ketika pemodelan sinyal sangat berharga. Oleh karena itu, variabel waktu adalahdiperkenalkan dalam analisis berbasis Fourier untuk mencapai deskripsi yang sesuai dari konten spektralberubah sebagai fungsi waktu [4]. Penggunaan representasi frekuensi waktu (TFR) mengandaikan bahwa810 PROSEDUR ISMA2010 TERMASUK USD2010pemetaan dihasilkan oleh frame dan, dalam sinyal akselerasi non-stasioner, itu mendistribusikan kembali fundamentalkomponen frekuensi dalam bidang TF, sebagai harmoniknya (lihat Gambar 2). Frame pesawat TF diperoleholeh operasi antara fungsi dasar ∅, (τ) dan sinyal waktu x (τ). Fungsi-fungsi dasar ini memilikienergi terbatas, ∅, (τ) ∈ L(ℝ). Spectrogram, sebagai representasi frekuensi waktu, memungkinkan untuk memperolehkepadatan energi dari sinyal x (τ), yang dapat dihitung sebagai:

di mana istilah dengan () adalah fungsi dasar ∅, (). Sinyal waktu diatur ulang setiap 8 poin untuk mendapatkaninformasi frekuensi rendah. Fungsi jendela (-), adalah jendela Hamming 1024-poin danrepresentasi frekuensi waktu, (,), memiliki 256 titik frekuensi dan 25000 instants waktu. Itu mungkinuntuk menurunkan sampel (,) menjadi 2,5% tanpa kehilangan informasi yang bertujuan untuk mengurangi biaya komputasi.

Analisis Relevansi
Representasi TF yang diperoleh mengandung sejumlah besar informasi yang tidak relevan dan berlebihan yangmenurunkan kualitas dan memperbesar beban komputasi untuk pendekatan dekomposisi linier. Untuktentukan set terbaik poin t-f suatu tahap pemilihan variabel diusulkan. Pilihan variabel terdiri darimenemukan subset minimum sedemikian rupa sehingga (|) ≅ (|), di mana (|) adalah distribusi probabilitasfungsi kelas diberi dataset lengkap dan (|) adalah fungsi distribusi probabilitasdari diberikan subset fitur. Pendekatan untuk menemukan subset ini menggunakan teknik penyaringan, di manavariabel dipilih sesuai dengan beberapa ukuran relevansi yang ditugaskan untuk masing-masing variabel. Ukuran relevansimengevaluasi kualitas prediksi masing-masing variabel dalam kaitannya dengan kelas [5]. Dalam karya ini, berikut inilangkah-langkah relevansi dipelajari:

Hasil

Prosedur estimasi fitur yang relevan dilakukan oleh kelas, itu mengandaikan bahwa setiap kelas adalahfungsi obyektif dan lainnya adalah kelompok besar. Gambar 4 menunjukkan nilai relevansi untuk basis data WD. inimungkin untuk mengetahui bahwa fitur TF berkorelasi terbalik dengan segmen akselerasi (lihat Gambar4-a), dan daerah tersebut sesuai dengan karakteristik yang paling relevan dari kelas ini. Pada Gambar 4-b)fitur relevan yang diperoleh dengan ukuran informasi sesuai dengan sebagian kecil dari bidang TF,yang menunjukkan bahwa persentase variabel yang relevan rendah.

Gambar 5 menunjukkan ukuran yang diurutkan dari skor tertinggi ke skor terendah dari setiap basis data kelas. Saya tdapat dilihat bahwa korelasi linier, Gambar 5-a), lebih selektif daripada ketidakpastian simetris, Gambar 4-b), karena ukurannya meluruh lebih cepat dan paling seragam di antara kelas-kelas. Perilaku ini sangat mempengaruhiproses klasifikasi, karena tingkat relevansi tinggi yang dimiliki oleh sejumlah fitur per kelas.

Mengenai ukuran ketidakpastian simetris, perbedaan relevansi lebih terkenal, danproses klasifikasi dengan demikian lebih dipengaruhi oleh variabilitas yang tinggi antara nilai relevansi yang berbeda.Hasil klasifikasi akhir dirangkum dalam Tabel 1. Hasil ditampilkan sebagai rata-rata dan standarpenyimpangan angka akurasi, sensitivitas dan spesifisitas setelah uji cross-validasi. Perbandingan langsungukuran relevansi (bobot PCA, korelasi linier, dan ketidakpastian simetris) dapat dibuat untuk masing-masingnyajenis sinyal. Dibandingkan dengan peta TF diperlukan untuk menunjukkan keunggulan yang diukur relevansinyamenyajikan. Penting untuk menekankan bahwa persentase relevansi yang digunakan untuk mencapai maksimumkinerja, serta pengurangan dimensi (Dm Red.) dicapai dengan fitur yang diusulkanlangkah-langkah seleksi.

Hasil menunjukkan bahwa ukuran korelasi linier mengatasi ketidakpastian simetris sebesar 0,6% dalam presisi, dan8,1% dalam pengurangan dimensi, yang tercermin dalam biaya komputasi yang lebih rendah dan klasifikasi yang lebih tinggigeneralisasi. Langkah-langkah relevansi yang diusulkan dibandingkan dengan peta TF dan PCA tanpaukuran relevansi, peningkatan kinerja sangat jelas dan biaya komputasi berkurang,yang menunjukkan bahwa metodologi ini memadai untuk masalah deteksi ini.

DAFTAR PUSTAKA :
[1] W. Fengqi, G. Meng, Ekstraksi fitur kerusakan rub Compound berdasarkan kaskade spektrum penuhanalisis dan SVM, Sistem Mekanik dan Pemrosesan Sinyal, Vol. 20, (2006), hlm 2007-2021
[2] M. Zvokelj, S. Zupan, I. Prebil, Multivariat, dan pemantauan multi-skala untuk kecepatan rendah ukuran besarbantalan menggunakan Ensemble Mode Empiris Metode Dekomposisi dikombinasikan dengan PrincipalAnalisis Komponen, Sistem Mekanik dan Pemrosesan Sinyal, Vol. 24, (2010), hlm 1049-1067.
[3] M. Timuska, M. Lipsett, C. K. Mechefske, Deteksi kesalahan menggunakan sinyal mesin transient,Sistem Mekanik dan Pemrosesan Sinyal, Vol. 22, (2008), hlm. 1724–1749.
[4] E. Sejdic, I. Djurovic, J. Jiang, Representasi fitur waktu-frekuensi menggunakan konsentrasi energi:Ikhtisar kemajuan terkini, Pemrosesan Sinyal Digital, Vol. 19, (2009), hlm 153–183.[5] Yu L., Liu H., Seleksi Fitur yang Efisien melalui Analisis Relevansi dan Redundansi, JurnalMachine Learning Research, Vol 5, (2004), hlm 1205-1224.
[6] I.T.Jollife, Analisis Komponen Utama, Springer Verlag, (1986).