PEMISAHAN BANYAK SUMBER SUARA MESIN MENGGUNAKAN INDEPENDENT COMPONENT ANALYSIS (ICA) UNTUK DETEKSI KERUSAKAN

PEMISAHAN BANYAK SUMBER SUARA MESIN MENGGUNAKAN INDEPENDENT COMPONENT ANALYSIS (ICA) UNTUK DETEKSI KERUSAKAN B.T. Atmaja, A.S. Aisyah, dan D. Arifianto Jurusan Teknik Fisika, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS), Kampus ITS Sukolilo, Surabaya, 60111, Indonesia E-mail: Abstrak Pemeliharaan kondisi mesin di industri membutuhkan kecepatan dan kemudahan, salah satu metodenya adalah dengan analisis getaran. Getaran mesin menyebabkan pola suara yang diemisikan mesin, di mana suara mesin satu bercampur dengan mesin lainnya. Blind Source Separation (BSS) merupakan teknik memisahkan sinyal campuran berdasarkan sifat kebebasan statistik antar sumber. Melalui simulasi dengan beberapa motor dan susunan mikrofon sebagai sensor, didapatkan data suara campuran dari beberapa motor yang terekam melalui tiap mikrofon. Intensitas sinyal yang diterima mikrofon berbeda satu sama lain, tergantung pada jarak dan sudut datangnya. Tujuan penelitian ini adalah untuk memisahkan sinyal campuran dari tiap mikrofon sehingga didapatkan sinyal estimasi sumber untuk mendeteksi kerusakan motor. Berdasarkan hasil penelitian, diperoleh pemisahan sinyal terbaik dalam Time-Domain ICA. Sinyal estimasi tersebut dianalisis untuk menentukan kondisi kerusakan mesin berdasarkan pola frekuensi sesaatnya. Kata Kunci: deteksi kerusakan, ICA, sinyal suara Abstract Maintenance of engine conditionin the industry requires speed and convenience, one of the method is by vibration analysis. Machine’s vibration causes the machine emitted sound pattern, in which an engine sound mixed with other machine’s. Blind Source Separation (BSS) is a technique to separate mixed signals based on the statistical independence properties between the sources. Through simulation with several motors and the composition of the microphones as the sensor, noise mixture data obtained from some motors recorded by each microphone. The signal intensity received by microphone are different from each other, depending on the distance and angle of arrival. The purpose of this study is to separate the mixed signals from each microphone to obtain estimation of the signal source to detect the motor damage . Based on the research, obtained the best signal separation in the Time-Domain ICA. Signal estimation is analyzed to determine the condition of an engine failure patterns based on instantaneous frequency. Keywords: damage detection, ICA, sound signal 1. Perubahan parameter getaran juga mengakibatkan perubahan terhadap parameter suara yang diemisikan mesin. Hal ini disebabkan karena suara yang ditimbulkan mesin berasal dari mesin tersebut di mana hal ini berlaku secara umum. Dengan mengetahui karakteristik suara mesin normal dan abnormal maka dapat dibangun suatu metode pemeliharaan berdasarkan analisis pola suara. Pada penelitian sebelumnya telah berhasil dilakukan analisis sinyal suara mesin dari satu mesin dengan menggunakan satu mikrofon sebagai sensornya. Namun kenyataannya mesin yang digunakan di industri tidak tunggal melainkan lebih dari satu mesin. Suara dari mesin satu akan bercampur dengan mesin lainnya. Untuk mengembangkan metode pemeliharaan dengan Pendahuluan Strategi dalam dunia pemeliharaan di industri mulai mengarah pada predictive maintenance (PdM). PdM memonitor peralatan berdasarkan kondisi peralatan tersebut sehingga teknik ini disebut pula condition monitoring. Ada beberapa metode yang digunakan dalam PdM, antara lain analisis vibrasi, termografi, tribologi, dan motor current. Menurut operator di lapangan, analisis vibrasi merupakan metode yang paling handal dalam menentukan kerusakan mesin. Perubahan terhadap parameter sinyal vibrasi (amplitudo, frekuensi, dan fase) bisa dideteksi sebagai kelainan kondisi mesin terhadap kondisi normal. Teknik inilah yang banyak digunakan di industri untuk pemeliharan peralatannya. 30 Atmaja, dkk., Pemisahan Banyak Sumber Suara Mesin 31 analisis pola suara maka dibutuhkan metode untuk memisahkan sinyal suara antar mesin tersebut, sehingga nantinya didapatkan sinyal estimasi sumber suara mesin yang dapat dianalisis untuk menentukan kondisi mesin. Pada penelitian ini akan dipaparkan hasil penelitan yang telah dilakukan tentang pemisahan sinyal suara dari banyak mesin untuk deteksi kerusakan. Metode pemisahan yang digunakan adalah Independent Component Analysis (ICA) berdasarkan pada jurnal [1-3]. Penulisan penelitian ini diawali dengan latar belakang penelitian, penelitan yang telah dilakukan sebelumnya, teori yang digunakan pada penelitian ini, metode penelitian yang digunakan, hasil dan analisis data, serta kesimpulan dari penelitian yang telah dilakukan. Hasil penelitian ini diharapkan mampu mengembangkan permasalahan pada penelitian sebelumnya serta berkelanjutan untuk mengembangkan metode baru pemeliharaan mesin berdasarkan analisis pola suara. 2. Metodologi apabila proses berlangsung secara konvolusi, maka model ICA dapat diformulasikan ulang dalam domain waktu sebagai berikut: 𝑥 𝑡 = 𝐴 ∗ 𝑠(𝑡) Model ICA yang dinyatakan dalam persamaan 5 melibatkan operasi perkalian konvolusi. Hal ini berbeda dengan model ICA dalam domain frekuensi yang hanya dikalikan secara dot product. Tujuan dari model ICA adalah mencari sinyal estimasi y yang ditentukan oleh persamaan sebagai berikut: 𝑦 = 𝑊𝑥 𝑝 𝑦1 , 𝑦2 = 𝑝 𝑦1 . 𝑝(𝑦2 ) (1) bila ada sumber-sumber yang bebas secara statistik, maka aturan di atas juga berlaku. Sinyal terukur sensor dari sinyal yang diemisikan sumber-sumber yang bebas secara statistik dapat dinyatakan sebagai berikut: 𝑥𝑗 = 𝑎𝑗 𝑠1 + 𝑎𝑗2 𝑠2 + … + 𝑎𝑗𝑛 𝑠𝑛 (2) dimana x menyatakan sinyal terukur sensor, s menyatakan sumber, dan a merupakan matrik pencampur yang tidak diketahui. Persamaan di atas merupakan ide dasar analisis komponen independent ICA. Persamaan di atas dapat disederhanakan menjadi model ICA sebagai berikut: 𝑥 = 𝐴𝑠 (3) bila proses pencampuran sinyal emisi sumber berlangsung secara sesaat (instantaneous) model di atas dapat dituliskan dalam domain frekuensi sebagai berikut: 𝑥 𝜔 = 𝐴 𝜔 . 𝑠 (𝜔) (4) (6) di mana W=A-1. Proses pemisahan sinyal dengan model ICA dapat digambarkan dengan blok diagram pada gambar 1. Unknown mixing system S Suatu kejadian dikatakan bebas secara statistik bila kejadian tersebut tidak behubungan satu sama lain. Secara matematik, peluang antar kejadian tersebut merupakan perkalian tiap kejadian tersebut, seperti pada persamaan di bawah ini: (5) n A Separation system X m W y n Gambar 1. Proses ICA. Permasalahan pada model ICA adalah mencari filter pemisah W. Pemilihan filter W yang tepat dan optimal akan memengaruhi kualitas sinyal estimasi. Ada beberapa algoritma ICA yang digunakan. Masing-masing algoritma memiliki kelebihan satu sama lain dan dari tahun ke tahun algoritma ini terus disempurnakan. Beberapa algoritma untuk optimasi ICA adalah Infomax, Natural Gradient, dan FastICA Algoritma Infomax mendekati model ICA berdasarkan fungsi non-linear. Pada algoritma ini, bobot filter pemisah W ditentukan seb (...truncated)