skip to main content

STUDI PENGGUNAAN FITUR DOMAIN WAKTU GUNA MEMANTAU TREN DEGRADASI ROLLING ELEMENT BEARING

*Achmad Rozan Mazaya  -  Department of Mechanical Engineering, Universitas Diponegoro, Jl. Prof. Sudarto, SH, Tembalang, Semarang, Indonesia 50275, Indonesia
Achmad Widodo  -  Department of Mechanical Engineering, Universitas Diponegoro, Jl. Prof. Sudarto, SH, Tembalang, Semarang, Indonesia 50275, Indonesia
Ismoyo Haryanto  -  Department of Mechanical Engineering, Universitas Diponegoro, Jl. Prof. Sudarto, SH, Tembalang, Semarang, Indonesia 50275, Indonesia

Citation Format:
Abstract

Energi terbarukan semakin meningkat, dengan tenaga angin menjadi salah satu sumber energi yang paling berkembang. Turbin angin terdiri dari berbagai komponen penting, salah satunya adalah bantalan pada poros kecepatan tinggi. Kegagalan bantalan dapat menyebabkan downtime signifikan dan biaya perawatan yang tinggi. Penelitian ini bertujuan untuk menganalisis trend degradasi bantalan turbin angin menggunakan data getaran dan ekstraksi fitur domain waktu. Setelah ekstraksi fitur kemudian dilakukan post proccecing pada data. Fitur-fitur tersebut kemudian diranking berdasarkan dua metrik utama yaitu monotonicity dan trendability. Monotonicity mengukur konsistensi perubahan fitur sepanjang waktu, sementara trendability mengukur frekuensi perubahan arah tren dalam data. Hasil penelitian menunjukkan bahwa metrik monotonicity dan trendability efektif dalam mengidentifikasi fitur-fitur yang paling indikatif untuk menunjukkan trend degradasi bantalan. Analisis ini memberikan wawasan berharga tentang pola degradasi dan kondisi kesehatan bantalan pada turbin angin. Implementasi metode ini dalam pengelolaan kesehatan mesin dapat meningkatkan keandalan dan mengurangi biaya operasional dalam industri energi terbarukan.

Fulltext View|Download
Keywords: bantalan; ekstraksi fitur; turbin angin
  1. Afidah Z, Yushardi Y, Sudarti S. Analisis Potensi Pembangkit Listrik Tenaga Bayu Dengan Turbin Angin Sumbu Vertikal Di Kecamatan Sangkapura Kabupaten Gresik. Jurnal Engine; Energi, Manufaktur, Dan Material. 2022;7(1):1-12
  2. Chen J, Pan J, Li Z, Zi Y, Chen X. Generator bearing fault diagnosis for wind turbine via empirical wavelet transform using measured vibration signals. Renew Energy [Internet]. 2016;89:80–92. Available from: http://dx.doi.org/10.1016/j.renene.2015.12.010
  3. Sheng S. Wind Turbine Gearbox Reliability Database, Condition Monitoring, and Operation and Maintenance Research Update. Natl Renew Energy Lab US Dep Energy [Internet]. 2015;21. Available from: https://www.nrel.gov/docs/fy16osti/66028.pdf
  4. Saidi L, Ben Ali J, Bechhoefer E, Benbouzid M. Wind turbine high-speed shaft bearings health prognosis through a spectral Kurtosis-derived indices and SVR. Appl Acoust [Internet]. 2017;120:1–8. Available from: http://dx.doi.org/10.1016/j.apacoust.2017.01.005
  5. Bechhoefer E, Van Hecke B, He D. Processing for improved spectral analysis. PHM 2013 - Proc Annu Conf Progn Heal Manag Soc 2013. 2013;33–8
  6. Nandi AK, Ahmed H. Condition Monitoring with Vibration Signals: Compressive Sampling and Learning Algorithms for Rotating Machines. Wiley-IEEE Press; 2019
  7. Ben Ali J, Saidi L, Harrath S, Bechhoefer E, Benbouzid M. Online automatic diagnosis of wind turbine bearings progressive degradations under real experimental conditions based on unsupervised machine learning. Appl Acoust. 2018;132(September 2017):167–81
  8. Oh S-H, Lee Y-R, Kim H-N. A Novel EEG Feature Extraction Method Using Hjorth Parameter. Int J Electron Electr Eng. 2014;106–10
  9. Caesarendra W. Monitoring and Its Application for Degradation Trend Estimation of Low-. 2017;
  10. Coble JB. Merging data sources to predict remaining useful life – an automated method to identify prognostic parameters [PhD dissertation]. Knoxville: University of Tennessee; 2010

Last update:

No citation recorded.

Last update:

No citation recorded.