Analisis Getaran Untuk Deteksi Kerusakan Bearing Spindle Pada Mesin Milling Menggunakan Artificial Neural Network

Alfaro, Octavian Dharma (2023) Analisis Getaran Untuk Deteksi Kerusakan Bearing Spindle Pada Mesin Milling Menggunakan Artificial Neural Network. Diploma thesis, Institut Teknologi Sepuluh Nopember.

Text 10311910000006_Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2025. Download (4MB) | Request a copy

Abstract

Mesin milling adalah sebuah mesin perkakas yang dalam proses kerja pemotongannya dengan cara menyayat atau memakan benda kerja menggunakan alat potong bermata banyak yang berputar. Mesin milling merupakan salah satu mesin yang sering digunakan untuk melakukan pekerjaan seperti memotong dan mengebor bagian-bagian komponen. Tingkat kerjanya yang tinggi menyebabkan mesin milling mudah mengalami kerusakan. Kerusakan yang sering terjadi pada mesin milling terletak pada spindle. Spindle adalah komponen berpresisi tinggi yang terdiri dari poros motor, bearing, dan sistem penjepit. Semua komponen ini harus berada dalam kondisi baik untuk mencapai akurasi tinggi dalam menghasilkan suatu produk. Kerusakan pada spindle dapat menyebabkan terjadinya getaran, peningkatan suhu, dan timbulnya bunga api. Analisa getaran mampu mendiagnosis kerusakan pada bearing dengan mengukur keseluruhan getaran spindle. Dari kerusakan yang dialami oleh mesin milling, maka diperlukan suatu sistem untuk merencanakan tindakan pemeliharaan berdasarkan kondisi mesin dan untuk mencegah kegagalan dengan memecahkan masalah terlebih dahulu serta mengontrol keakuratan operasi mesin. Pada penelitian ini, sistem deteksi dilakukan berdasarkan kondisi getarannya. Menggunakan data kecepatan getaran yang diperoleh dari sensor accelerometer, dilakukan ekstraksi fitur menggunakan metode statistik dengan menghitung nilai maksimal, minimal, rata-rata, dan standar deviasi sampel. Kemudian, hasil ekstraksi fitur dilakukan normalisasi yang akan digunakan untuk training dan testing menggunakan Artificial Neural Network (ANN) agar didapat hasil deteksi kondisi bearing spindle rusak, pelumasan, dan normal. Berdasarkan penelitian, diperoleh akurasi hingga 98,3% dan running time 23,6 detik. Serta, menggunakan website sebagai user interface hasil deteksi yang dapat menampilkan kondisi bearing spindle sesuai dengan kondisi sebenarnya.
=================================================================================================================================
A milling machine is a machine tool that in the process of cutting work by cutting or eating the workpiece using a rotating multi-edged cutting tool. A milling machine is a machine that is often used to do work such as cutting and drilling component parts. The high level of work causes the milling machine to be easily damaged. The damage that often occurs in milling machines lies in the spindle. The spindle is a high-precision component consisting of the motor shaft, bearing, and clamping system. All these components must be in good condition to achieve high accuracy in producing a product. Damage to the spindle can cause vibration, increased temperature, and sparks. Vibration analysis can diagnose damage to the bearing by measuring the overall vibration of the spindle. From the damage experienced by milling machines, a system is needed to plan maintenance actions based on machine conditions and to prevent failures by solving problems first and controlling the accuracy of machine operations. In this study, the detection system is based on vibration conditions. Using vibration velocity data obtained from the accelerometer sensor, feature extraction is performed using statistical methods by calculating the maximum, minimum, average, and standard deviation values of the sample. Then, the feature extraction results are normalized which will be used for training and testing using an Artificial Neural Network (ANN) to obtain detection results for damaged or normal spindle bearing conditions. Based on the research, obtained an accuracy of up to 98.3% and a running time of 23,6 seconds. Also, using the website as a user interface for detection results that can display spindle bearing conditions according to actual conditions.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Artificial Neural Network, Bearing, Milling Machine, Vibration, Getaran, Mesin Milling.
Subjects:	T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK2785 Electric motors, Induction.
Divisions:	Faculty of Vocational > 36304-Automation Electronic Engineering
Depositing User:	Octavian Dharma Alfaro
Date Deposited:	26 Sep 2023 02:46
Last Modified:	26 Sep 2023 02:46
URI:	http://repository.its.ac.id/id/eprint/104275

Actions (login required)

View Item