Deteksi Kerusakan Bearing Menggunakan Metode Robust Principal Component Analysis (ROB PCA)
Abstract
ABSTRACT. Bearings have an important role, because bearings are part of a machine element that if it has good health, the machine element can work properly. In this paper, bearing damage detection was carried out using the Principal Component Analysis (PCA) method and its development method, the Robust Principal Component Analysis (ROB PCA) method using the main monitoring index, namely the Squared Prediction Error (SPE). The purpose of this paper is to compare the main principal component method (PCA) and the main Robust Principal Component method (ROB PCA) on bearing vibration data for bearing damage detection. The data to be used is secondary data from bearing test experiments obtained from the Institute of Electrical and Electronic Engineers (IEEE) Prognostics and Health Management (PHM) 2012 through data storage from the FEMTO-ST Institute. Then, for data processing, Bearing1_1 vibration data in the horizontal direction is used and 11 statistical features are extracted. Based on the research that has been done, in detecting damage the PCA and ROBPCA methods are able to overcome it, and the ROBPCA method is better than the PCA method because it has a smaller SPE value.
ABSTRAK. Bearing memiliki peranan cukup penting, karena bearing merupakan bagian dari elemen mesin yang apabila memiliki kesehatan cukup baik maka elemen mesin dapat bekerja dengan baik. Pada skripsi ini dilakukan deteksi kerusakan bearing menggunakan metode Principal Component Analysis (PCA) dan metode kembangannya yaitu metode Robust Principal Component Analysis (ROB PCA) dengan menggunakan indeks pemantauan utamanya yaitu Squared Prediction Error (SPE). Tujuan dari penelitian ini adalah untuk membandingkan metode principal component utama (PCA) dan metode Robust Principal Component utama (ROB PCA) pada data vibrasi bearing untuk deteksi kerusakan bearing. Data yang akan digunakan adalah data sekunder dari eksperimen uji bearing yang diperoleh dari Institute of Electrical and Electronic Engineers (IEEE) Prognostics and Health Management (PHM) 2012 melalui penyimpanan data dari FEMTO-ST Institute. Kemudian, untuk pengolahan data digunakan data vibrasi Bearing1_1 arah horizontal yang dilakukan ekstraksi fitur statistik sebanyak 11 fitur. Berdasarkan penelitian yang telah dilakukan, dalam mendeteksi kerusakan metode PCA dan ROBPCA mampu mengatasinya, dan metode ROBPCA lebih baik dibanding metode PCA karena memiliki nilai SPE lebih kecil.
References
Mahfoudh, C., Nasri, O., Omessad, H., Slama, J.B.H., Ndongo, M. (2021). Principal Component Analysis for Fault Detection and Isolation in a DC-DC Buck . International Multi-Conference on Systems, Signals & Devices (SSD'21), hal.135-141.
Abidin, G.Z., Sujan, I.W. (2017). Deteksi Kerusakan Bearing Pada Condensate Pump Dengan Analisis Sinyal Vibrasi. “FLYWHEEL”, Program Studi Teknik Mesin, Institut Teknologi Nasional Malang, 8,hal. 60-67.
Dina S. K., Kusumaningrum, D., Suryani, Y. (2009). Metode Pendugaan Matriks Ragam-Peragam Dalam Analisis Regresi Komponen Utama (RKU). Forum Statistika dan Komputasi, Departemen Statistika, Fakultas MIPA, Institut Pertanian Bogor, Vol 14 No.2, 26-34.
M Ahmed, F. G. (2012). Fault Detection and Diagnosis using Principal Component Analysis of Vibration Data from a Reciprocating Compressor. 18th International Conference On Automation And Computing (ICAC), 461-466.
Dayanti, N.P.I.V., Suciptawati, N.I.P., Susilawati, M. (2016). Penerapan Bootstrap Dalam Metode Minimum Covariance Determinant (Mcd) Dan Least Median Of Squares (Lms) Pada Analisis Regresi Linier Berganda. E-Jurnal Matematika, Jurusan Matematika Fakultas MIPA, Universitas Udayana , Vol. 5 (1), hal. 22-26.
He, P.Q, Member, IEEE, Wang, J., Member., IEEE. (2007). Fault Detection Using the k-Nearest Neighbor Rule for Semiconductor Manufacturing Processes. IEEE TRANSACTIONS ON SEMICONDUCTOR MANUFACTURING, VOL. 20, NO. 4 hal., 345-354.
Sanusi, R.N.M., Saputro, D.R.S (2020). Metode Robust Principle Component Analysis (RPCA) dengan Algoritme Proyeksi dan Matriks Ragam Peragam. PRISMA, Prosiding Seminar Nasional Matematika 3, Program Studi Matematika Fakultas MIPA Universitas Sebelas Maret, hal. 52-57.
Wahyudi, T., Soeharsono., Eddy, N. (2016). Mendeteksi Kerusakan Bantalan Dengan Menggunakan Sinyal Vibrasi. SINERGI, Pascasarjana Teknik Mesin, Fakultas Teknologi Industri, Universitas Trisakti, Vol. 20, No. 2, hal. 123-128.
Tharrault, Y., Mourut, G., Ragot, J., Maquin. (2018). Fault Detection And Isolation With Robust Principal. Int. J. Appl. Math. Comput. Sci., 2008, Vol. 18, No. 4, hal. 429–442.
Mardia, K. V., Kent, J. T., dan Bibby, J. M. (1995). Multivariate Analysis. Academic Press
Pudyastuti D., Prahasto T., dan Widodo A. (2016) Diagnosa Kerusakan Bearing Menggunakan Principal Component Analysis (PCA) dan Naive Bayes Classifier. *Jurnal Sistem Informasis Bisnis*, 5(2), 114-123. https://doi.org/10.21456/vol6iss2pp114-123.
Suherman, A. S., & Kudus, A. (2024). Kepercayaan The Bootstrap Percentile Confidence Interval untuk Koefisien Variasi. Jurnal Riset Statistika, 21–30. https://doi.org/10.29313/jrs.v4i1.3854
