UWKSUWKS

KARSA NUSANTARAKARSA NUSANTARA

Bearing pada sistem konveyor memiliki peran penting dalam menjaga kelancaran operasional, terutama pada Robo Palletizer Fuji yang digunakan di perusahaan produsen pupuk. Penelitian ini bertujuan untuk merancang dan mengembangkan sistem klasifikasi kerusakan bearing dan gearset menggunakan metode K-Nearest Neighbors (KNN). Parameter utama yang digunakan meliputi data getaran dan kecepatan rotasi (RPM). Sistem ini diimplementasikan dalam lingkungan industri dan dirancang untuk mengidentifikasi kondisi kerusakan komponen secara otomatis berdasarkan data real-time dari sensor. Klasifikasi kerusakan gearset dilakukan dengan metode KNN menggunakan parameter RPM motor dan RPM roll. Sementara itu, deteksi kerusakan bearing dilakukan dengan pendekatan berbasis rumus frekuensi karakteristik (BPFO, BPFI, BSF, dan FTF) yang dihitung dari data getaran. Sistem diuji menggunakan sekitar 6.500 data yang diperoleh selama kegiatan penelitian di perusahaan produsen pupuk dan dievaluasi berdasarkan akurasi klasifikasinya. Penelitian ini diharapkan dapat membantu proses identifikasi kerusakan komponen secara lebih cepat dan tepat serta mendukung penerapan teknologi Industri 4.0 di sektor manufaktur.

Penelitian ini telah berhasil merancang dan mengimplementasikan sistem identifikasi kerusakan bearing dan klasifikasi kondisi gearset pada roll konveyor Robo Arm Palletizer menggunakan pendekatan analisis frekuensi dan algoritma K-Nearest Neighbors (KNN).Sistem identifikasi bearing memanfaatkan hasil transformasi Fast Fourier Transform (FFT) untuk mendeteksi frekuensi karakteristik seperti BPFO, BPFI, BSF, dan FTF.Hasil pengujian menunjukkan bahwa frekuensi dominan pada spektrum FFT sesuai dengan frekuensi karakteristik yang dihitung, mengindikasikan efektivitas pendekatan ini dalam mengidentifikasi lokasi kerusakan bearing.Untuk klasifikasi kondisi gearset, sistem menggunakan parameter RPM dari motor dan roll sebagai fitur input ke dalam algoritma KNN.Hasil evaluasi menunjukkan bahwa model KNN dengan K = 5 mampu mencapai akurasi hingga 94%, dengan performa klasifikasi yang tinggi terutama pada kondisi Normal dan Terputus.Sistem yang dikembangkan terintegrasi dengan antarmuka GUI berbasis Python untuk menampilkan status kondisi komponen secara real-time.Dengan demikian, sistem ini diharapkan dapat menjadi solusi pemantauan kondisi yang efektif serta mendukung implementasi Industry 4.

Untuk penelitian lanjutan, dapat dipertimbangkan pengembangan sistem yang lebih canggih dengan menggabungkan berbagai metode analisis dan klasifikasi. Misalnya, menggabungkan metode KNN dengan teknik-teknik machine learning lainnya seperti Support Vector Machine (SVM) atau Random Forest untuk meningkatkan akurasi klasifikasi kondisi gearset. Selain itu, dapat juga dieksplorasi penggunaan algoritma-algoritma optimasi seperti Genetic Algorithm atau Particle Swarm Optimization untuk tuning parameter-parameter sistem secara lebih efisien. Penelitian lebih lanjut juga dapat dilakukan untuk mengintegrasikan sistem dengan platform Industry 4.0, seperti sistem kontrol dan otomasi industri, untuk meningkatkan efisiensi dan produktivitas proses manufaktur secara keseluruhan.

Read online
File size764.97 KB
Pages8
DMCAReport

Related /

ads-block-test