KLASIFIKASI KERUSAKAN MOTOR INDUKSI DENGAN SINYAL GETARAN MENGGUNAKAN FAST FOURIER TRANSFORM DAN EXTREME LEARNING MACHINE TERINTEGRASI INTERNET OF THINGS (IOT)

Lesmana, Indra Dwi (2020) KLASIFIKASI KERUSAKAN MOTOR INDUKSI DENGAN SINYAL GETARAN MENGGUNAKAN FAST FOURIER TRANSFORM DAN EXTREME LEARNING MACHINE TERINTEGRASI INTERNET OF THINGS (IOT). Diploma thesis, Politeknik Perkapalan Negeri Surabaya.

[img] Text
0916040039 - Indra Dwi Lesmana - Klasifikasi Kerusakan Motor Dengan Sinyal Getaran Menggunakan i Fast Fourier Transform _i dan i Extreme Learning Machine _i Terintegrasi i Internet of Things _i (IoT).pdf
Restricted to Repository staff only

Download (3MB)

Abstract

Analisa jenis kerusakan pada motor induksi sangat penting untuk kelangsungan proses produksi dan mengurangi biaya perawatan yang tinggi. Pada penelitian ini diharapkan dapat membantu meminimalisir bentuk kerusakan pada motor induksi dengan mengetahui jenis klasifikasi kerusakan motor induksi berdasarkan pengukuran sinyal getaran menggunakan Fast Fourier Transform (FFT)dan Extreme Learning Machine (ELM).Data sinyal getaran motor diubah ke dalam domain frekuensi menggunakan FFT, sehingga didapat data amplitudo spektrum vibrasi tiap jenis kerusakan yang dijadikan sebagai input ELM. ELM digunakan untuk mengklasifikasikan jenis kerusakan motor ke dalam lima kondisi, yaitu normal, Unbalance, Misalignment, looseness, dan bearing. Tingkat ketepatan ELM dalam mengklasifikasikan jenis kerusakan sangat tinggi. Serta kondisi motor dapat di pantau dari tempat mana saja karena terintegrasi dengan Internet of Things(IoT). Dengan penelitian ini didapatkan hasil analisa amplitudo kondisi motor induksi bearing, looseness, dan normal mencapai persentase akurasi 60%. Sedangkan kondisi motor induksi misalignment mencapai persentase akurasi 50%, dan kondisi motor induksi Unbalance mencapai persentase akurasi 80%. Dengan rata-rata keseluruhan mencapai 62% maka penelitian ini dapat mendeteksi kerusakan motor tanpa melakukan pembongkaran motor dan juga dapat memberikan prediktabilitas pemeliharaan motor, waktu penjadwalan perbaikan, dan membantu mencegah penghentian produksi.

Item Type: Thesis (Diploma)
Uncontrolled Keywords: sinyal getaran,Fast Fourier Transform(FFT), Extreme Learning Machine (ELM), Internet of Things(IoT).
Subjects: TO - Teknik Otomasi > Rancang Bangun Sistem Otomasi
Divisions: Jurusan Teknik Kelistrikan Kapal > D4 Teknik Otomasi
Depositing User: Unnamed user with email repository@ppns.ac.id
Date Deposited: 09 Aug 2021 03:55
Last Modified: 09 Aug 2021 03:55
URI: http://repository.ppns.ac.id/id/eprint/3068

Actions (login required)

View Item View Item