Identifikasi Karakteristik Kerusakan Bearing Berdasarkan Analisis FFT dan Envelope Spectrum pada Sinyal Getaran

Ade Usra Berli, Dytchia Septi Kesuma, Aggrivina Dwiharzandis, Desmarita Leni, Wiwin Lovita

Sari


Identifikasi kondisi kerusakan bearing berdasarkan sinyal getaran merupakan salah satu pendekatan dalam pemantauan kondisi mesin. Penelitian ini bertujuan menganalisis karakteristik frekuensi getaran bearing  pada kondisi normal, inner race fault, outer race fault, dan ball fault menggunakan fast fourier transform (FFT) dan envelope spectrum. Data yang digunakan berasal dari dataset Case Western Reserve University (CWRU) dengan frekuensi sampling 12 kHz. Analisis dilakukan dengan mengidentifikasi sepuluh puncak amplitudo terbesar pada rentang frekuensi 0–500 Hz, kemudian membandingkannya dengan frekuensi karakteristik bearing, yaitu frekuensi shaft, BPFI, BPFO, dan BSF beserta harmoniknya. Tingkat kesesuaian frekuensi dievaluasi berdasarkan relative error, sedangkan konsistensi antar file pada setiap kondisi dievaluasi menggunakan mean relative error (MRE) dan standard deviation (SD). Hasil analisis menunjukkan bahwa kondisi normal didominasi oleh frekuensi shaft dan harmoniknya. Pada kondisi inner race fault, kedua metode menunjukkan pola harmonik 1×–2×–3×BPFI, dengan pola yang lebih jelas pada envelope spectrum, sedangkan pada outer race fault, karakteristik BPFO tidak tampak dominan pada FFT tetapi teridentifikasi lebih jelas pada envelope spectrum melalui pola 1×–2×–3×–4×BPFO. Pada ball fault, FFT lebih banyak menunjukkan dominasi harmonik shaft dan belum memberikan pola BSF yang kuat, sedangkan envelope spectrum menunjukkan indikasi karakteristik BSF tetapi masih terdapat tumpang tindih dengan karakteristik BPFO sehingga belum cukup spesifik untuk mengonfirmasi kondisi tersebut. Hasil evaluasi kuantitatif menunjukkan relative error yang rendah pada karakteristik target di keempat kondisi, tetapi konsistensi identifikasi tetap bergantung pada pola harmonik dan kemungkinan tumpang tindih karakteristik frekuensi. Secara keseluruhan, kombinasi FFT dan envelope spectrum memberikan informasi yang saling melengkapi dalam identifikasi karakteristik getaran bearing , khususnya pada kondisi normal, inner race fault, dan outer race fault, sedangkan identifikasi ball fault masih memiliki keterbatasan.

Kata Kunci: pemantauan kondisi, diagnosis kerusakan, karakteristik frekuensi, pemeliharaan prediktif, kesehatan mesin


Teks Lengkap:

PDF

Referensi


. J. P. Kumar, P. S. Chauhan, and P. P. Pandit, “Time domain vibration analysis techniques for condition monitoring of rolling element bearing: A review,” Materials Today: Proceedings, vol. 62, pp. 6336–6340, 2022, doi: 10.1016/j.matpr.2022.02.550.

. V. Kannan, T. Zhang, and H. Li, “A Review of the Intelligent Condition Monitoring of Rolling Element Bearings,” Machines, vol. 12, no. 7, Art. no. 484, 2024, doi: 10.3390/machines12070484.

. P. Arun, S. A. Lincon, and N. Prabhakaran, “Detection and Characterization of Bearing Faults from the Frequency Domain Features of Vibration,” IETE Journal of Research, vol. 64, no. 5, pp. 634–647, 2018, doi: 10.1080/03772063.2017.1369369.

. E. O. Brigham and R. E. Morrow, “The Fast fourier transform,” IEEE Spectrum, vol. 4, no. 12, pp. 63–70, Dec. 1967.

. S. A. McInerny and Y. Dai, “Basic Vibration Signal Processing for Bearing Fault Detection,” IEEE Transactions on Education, vol. 46, no. 1, pp. 149–156, Feb. 2003, doi: 10.1109/TE.2002.808234.

. V. K. Rai and A. R. Mohanty, “Bearing fault diagnosis using FFT of intrinsic mode functions in Hilbert–Huang transform,” Mechanical Systems and Signal Processing, vol. 21, no. 6, pp. 2607–2615, 2007, doi: 10.1016/j.ymssp.2006.12.004.

. K. H. Munde, H. H. Sawant, M. J. Sable, K. J. Kamble, R. N. Yerrawar, K. A. Mahajan, P. D. Darade, and S. H. Gawande, “An improved approach on ball bearing characteristic frequencies,” Progress in Engineering Science, vol. 1, no. 4, Art. no. 100030, 2024, doi: 10.1016/j.pes.2024.100030.

. T. A. Harris and M. N. Kotzalas, Advanced Concepts of Bearing Technology: Rolling Bearing Analysis, 5th ed. Boca Raton, FL, USA: CRC Press, 2007.

. N. Sikder, K. Bhakta, A. Al Nahid, and M. M. Manjurul Islam, “Fault Diagnosis of Motor Bearing Using Ensemble Learning Algorithm with FFT-based Preprocessing,” in Proc. 2019 International Conference on Robotics, Electrical and Signal Processing Techniques (ICREST), 2019.

. W. A. Smith and R. B. Randall, “Rolling element bearing diagnostics using the Case Western Reserve University data: A benchmark study,” Mechanical Systems and Signal Processing, vol. 64–65, pp. 100–131, 2015.

. Case Western Reserve University Bearing Data Center, “12k Drive End Bearing Fault Data,” Case School of Engineering, Case Western Reserve University. [Online]. Available: CWRU Bearing Data Center. Accessed: Aug. 17, 2026.

. J. G. Proakis and D. G. Manolakis, Digital Signal Processing: Principles, Algorithms, and Applications, 4th ed. Upper Saddle River, NJ, USA: Prentice Hall, 2007.

A. V. Oppenheim and R. W. Schafer, Discrete-Time Signal Processing, 3rd ed. Upper Saddle River, NJ, USA: Pearson, 2010




DOI: https://doi.org/10.31869/mi.v20i2.8605

Article Metrics

Sari view : 0 times
PDF - 0 times

Refbacks

  • Saat ini tidak ada refbacks.


##submission.copyrightStatement##

INDEXED BY :

   
   


Lembaga Penelitian & Pengabdian Masyarakat (LPPM). Universitas Muhammadiyah Sumatera Barat
Jl. Pasir Kandang No.4, Pasie Nan Tigo, Kec. Koto Tangah, Kota Padang, Sumatera Barat 25586. 
Email : lppmumsb@gmail.com



Kunjungan Sampai Saat ini    Web Analytics Made Easy - StatCounter

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.