Deteksi Kerusakan Bearing Menggunakan Hotelling T2

Abstract

Abstract. Bearing is the main component of the machine, used to support the shaft. in such a way that the shaft rotates smoothly. If the machine is used continuously, it will cause a decrease in engine performance which will result in Bearing damage. The method that will be used in this research is Hotelling T² through principal component analysis. The Bearing failure diagnosis will consider statistical features consisting of maximum, minimum, mean, standard deviation, skewness, kurtosis, range, root mean square (RMS), peak-value, crest-factor and shape-factor. Principal component analysis was used to construct the Hotelling T² statistic. The data used in this study is secondary data obtained from the NASA website. Two types of damage to Bearings are normal and faulty. Based on the study's results, it can be reduced to six main components using AKU as many as eleven main components. In hypothesis testing, the Bearing is detected as damaged when the T2 statistic value > 17.057 (α=1%). With a significance level of 1%, 428 samples were detected as faulty Bearings, and the remaining 435 were detected as normal Bearings. The results of detecting Bearings using Hotelling T² cannot be used because the predicted data do not match the actual data confirmed by the Hotelling T² control chart. In addition, the results of the main component plots and biplots for the two Bearing conditions cannot be separated based on the data pattern. This means that the Hotelling T² method cannot be applied and cannot separate the two Bearing conditions.

Abstrak. Bearing merupakan komponen utama mesin, digunakan untuk menopang poros. sedemikian rupa agar poros tersebut berputar dengan lancar. Apabila mesin digunakan secara terus menerus akan menyebabkan penurunan kinerja mesin yang akan mengakibatkan kerusakan Bearing. Metode yang akan digunakan dalam penelitian adalah Hotelling T² melalui analisis komponen utama. Diagnosis kerusakan pada Bearing akan mempertimbangkan fitur statistik yang terdiri dari maximum, minimum, mean, standar deviasi, skewness, kurtosis, range, root mean square (RMS), peak-value, crest-factor dan shape-factor. Analisis komponen utama digunakan untuk mengkontruksi statistik Hotelling T². Data yang digunakan pada penelitian ini adalah data sekunder yang diperoleh dari situs NASA. Dua jenis kerusakan pada Bearing terdiri dari normal dan rusak. Berdasarkan hasil penelitian, menggunakan AKU sebanyak sebelas komponen utama, dapat direduksi menjadi enam komponen utama. Dalam pengujian hipotesis, Bearing terdeteksi rusak ketika nilai statistik T² > 17,057 ( . Dengan taraf signifikansi sebesar 1%, didapatkan sebanyak 428 sampel terdeteksi sebagai Bearing rusak sisanya sebanyak 435 terdeteksi sebagai Bearing normal. Hasil dari mendeteksi Bearing menggunakan Hotelling T² tidak dapat digunakan karena data hasil prediksi yang tidak sesuai dengan data sesungguhnya yang dikonfirmasi dengan diagram kendali Hotelling T². Selain itu, hasil plot komponen utama serta biplot untuk kedua kondisi Bearing tidak dapat dipisahkan berdasarkan pola data. Artinya, metode Hotelling T² tidak dapat diterapkan serta tidak dapat memisahkan kedua kondisi Bearing.