Deteksi Kerusakan Rotor Bar Motor Induksi Menggunakan...
-
Upload
nguyenkiet -
Category
Documents
-
view
236 -
download
0
Transcript of Deteksi Kerusakan Rotor Bar Motor Induksi Menggunakan...
Proseding Seminar Tugas Akhir Teknik Elektro Juni 2013
1
Abstrak—Kerusakan rotor bar pada motor induksi
merupakan salah satu jenis kerusakan pada motor induksi
yang mnyebabkan masalah cukup serius. Selain
mempengaruhi performa motor induksi dalam mengatasi
beban, kerusakan rotor bar terbukti dapat menginisiasi
kerusakan lain seperti munculnya bunga api, hingga
melengkungnya shaft rotor karena gaya sentrifugal rotor yang
tidak seragam. Ditambah lagi, proses pemeliharaan motor
dilakukan dengan mematikan motor sehingga akan merugikan
industri karena menghentikan proses produksinya. Sebuah
sistem deteksi kerusakan rotor bar motor induksi tanpa harus
mematikan motor induksi dibutuhkan untuk mengantisipasi
hal tersebut. Tugas Akhir ini berfokus pada perancangan
sistem deteksi kerusakan rotor bar motor induksi yang dapat
dilakukan secara online tanpa harus mematikan motor
induksi. Sistem dalam Tugas Akhir ini berbasis pada analisis
arus keluaran inverter menggunakan discrete wavelet
transform (DWT) dan power detail density (PDD). Untuk
menciptakan sistem yang mampu mendiagnosa kerusakan
secara otomatis digunakan Artificial Neural Network (ANN)
sehingga didapatkan hasil diagnosa berdasarkan metode
forecasting. Pengujian sistem telah membuktikan bahwa sistem
mampu berkerja pada beberapa kondisi beban dan sampling
dalam konfigurasi sistem pengukuran. Penambahan perangkat
ANN mampu mendiiagnosa kerusakan dengan 20% kesalahan
melalui proses pengujian yang melibatkan beberapa sample
sinyal pengujian.
Kata Kunci—Arus Inverter, Rotor Bar, Descrite Wavelet
Transform (DWT), Power Detail Density (PDD)
I. PENDAHULUAN
OTOR induksi merupakan peralatan yang sering
digunakan sebagai penggerak utama proses operasi di
industri. Alasan utamanya karena motor induksi
memiliki kehandalan yang tinggi dan biaya yang relatif
lebih rendah. Namun, motor induksi tetap saja adakalanya
mengalami kerusakan sehingga harus dihentikan operasinya.
Hal ini tentunya akan merugikan perusahaan karena akan
mempengaruhi proses produksi industri tersebut. Sebuah
survei tentang kerusakan motor induksitelah dilakukan oleh
Electrical Power Research Institute (EPRI) yang
menemukan sekitar 8% dari total 6312 kasus kerusakan motor induksi diakibatkan karena masalah pada rotor [1].
Jumlah ini diperkuat oleh data dari IEEE-IAS yang juga
melakukan survei dan menemukan sekitar 9% dari 1141
kasus kerusakan motor diakibatkan karena kerusakan pada
rotornya [1]. Beberapa penyebab kerusakan rotor bar
antaralain: kesalahan proses maintenance, proses produksi,
ataupun saat proses pengoperasian. Beberapa kesalahan
tersebut seringkali terjadi karena penanganan yang salah
terhadap motor induksi. Tugas akhir ini akan membahas
mengenai sistem deteksi kerusakan rotor bar menggunakan
analisa arus keluaran inverter berbasis kepada Discrete
Wavelet Transform (DWT). Selain itu Power Detail Density
(PDD) juga digunakan untuk melengkapi DWT dalam
mendeteksi besaran energi dalam sinyal hasil pengolahan
DWT. Selain itu sistem deteksi kerusakan yang dirancang akan melibatkan penggunaan Artificial Neural Network
(ANN) sehingga sistem mampu mendeteksi kerusakan
secara otomatis. Beberapa percobaan eksperimen serta
pengujian pada beberapa kondisi telah dilakukan untuk
membuktikan sistem yang dirancang mampu mendeteksi
kerusakan motor induksi secara tepat.
II. ANALISA ARUS OUTPUT INVERTER DALAM DETEKSI
KERUSAKAN ROTOR BAR MOTOR INDUKSI
Motor induksi akan bekerja berdasarkan prinsip induksi
elektromagnet dan interaksi medan stator dengan medan
rotor. Pada motor induksi normal arus yang dihasilkan dari
proses induksi medan stator yang mengalir pada rotor akan
terdistribusi sama rata kepada seluruh rotor bar (simetri).
Namun saat rotor bar mengalami kerusakan maka
konduktor bar akan mengalami penurunan kemampuan
mengalirkan arus sehingga arus akan dibebankan kepada
konduktor bar masih sehat. Hal ini akan menimbulkan
ketidaksimetrian fluks medan rotor yang akan berakibat munculnya Back Electromotive Force (Back EMF). Back
EMF akan memunculkan frekuensi tambahan (fBRB) pada
arus stator yang akan memiliki besaran sedikit lebih tinggi
atau sedikit rendah dari frekuensi fundamentalnya.
Persamaan (1) menjelaskan bahwa besar fBRB yang muncul
akan dipengaruhi oleh jumlah pasang pole (p), slip (s), dan
komponen harmonik dalam arus motor induksi (k).
𝑓𝐵𝑅𝐵 = 𝑓𝑓𝑢𝑛𝑑 . [1 ± p . k . s] (1)
Saat motor induksi dilengkapi dengan sebuah power
electronics yaitu inverter sebagai perangkat pengendali
kecepatan. Arus input motor, yang terdiri dari arus input
inverter dan arus output inverter akan memiliki karakteristik
yang berbeda dengan arus stator motor saat tanpa
pengendali. Arus output inverter terbentuk berdasarkan
proses switching komponen power electronics yang karena
tidak idealnya filter, dan kemampuan switching akan
menyebabkan adanya ripple pada arus. Selain itu proses
switching akan akan mengakibatkan munculnya orde
harmonik pada arus input stator. Dalam Tugas Akhir ini
proses analisa lebih difokuskan pada analisa terhadap arus output inverter motor sebagai metode dalam sistem deteksi
kerusakan rotor bar. Hasil pengujian membuktikan bahwa
sistem yang dirancang mampu membedakan motor induksi
dalam kondisi normal
Deteksi Kerusakan Rotor Bar Motor Induksi
Menggunakan Analisis Arus Output Inverter Berbasis
Wavelet Rifaldy Swasetyasakti, Mochamad Ashari, dan Teguh Yuwono
Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS)
Jl. Arief Rahman Hakim, Surabaya 60111 E-mail: [email protected]
M
Proseding Seminar Tugas Akhir Teknik Elektro Juni 2013
2
S
d1
d2
d3
d4
d5
d6
d7
d8
d9
a9
(a)
dan mengalami kerusakan rotor bar dalam beberapa kondisi
dan konfigurasi sistem yang digunakan.
III. DWT DAN PDD SEBAGAI METODE PENGOLAHAN
SINYAL SISTEM DETEKSI KERUSAKAN ROTOR BAR
DWT merupakan salah satu proses pengolahan sinyal yang
berbasis pada fungsi waktu (sampling) dan skala. DWT terdiri dari beberapa tahapan proses antara lain:
1.Dekomposisi sinyal yang secara garis besar terdiri dari
proses pemecahan sinyal melalui low pass dan high pass
filter yang memecah seluruh sampling sinyal menjadi dua
bagian yang sama approximation dan detail coefficient,
2.Proses transformasi berdasar fungsi skala pada tiap
sampling sinyal, dan 3.Proses rekonstruksi sinyal pada tiap
level dekomposisinya yang berlanjut hingga mencapai level
dekomposisi yang diinginkan. Dari hasil pengujian
menunjukkan DWT dapat membedakan antara motor
induksi kondisi normal dan dengan kerusakan 4 rotor bar. Kondisi ini ditunjukkan melalui perbedaan magnitude dan
bentuk sinyal detail coefficient DWT yang dihasilkan pada
masing-masing level dekomposisinya. Namun hasil yang
diperoleh akan sangat menyulitkan jika dilakukan proses
deteksi kerusakan. Oleh karena itu, Power Detail Density
(PDD) digunakan untuk mendapatkan besaran energi dalam
Detail Coefficient di tiap level dekomposisi. PDD akan
menghitung besaran energi pada sebuah sinyal dengan
meng-integralkan nilai absolute kuadrat dari transformasi
fourier. Metode yang sama juga dapat dilakukan pada DWT
yaitu dengan mengintegralkan nilai absolute kuadrat dari
sinyal detail coefficients (2). Persamaan PDD:
𝑃𝐷𝐷 = 1
𝑇 [𝐼𝑅 𝑡 𝑥 𝜑 𝑡 ]2𝑑𝑡
𝑇
0 (1)
Dimana 𝐼𝑅 𝑡 𝑥 𝜑 𝑡 merupakan sinyal detail coefficients
dari wavelet[7].
Hasil akhir dari DWT-PDD adalah besaran energi pada masing-masing level dekomposisi detail coeficient yang
S
d1
d2
d3
d4
d5
d6
d7
d8
d9
a9
(b)
akan mengindikasikan motor induksi dalam keadaan normal
atau sedang mengalami kerusakan. PDD digunakan untuk
mengkomputasi tiap sampling dalam DWT untuk
didapatkan energinya. PDD akan menghitung tiap energi dalam sebuah sinyal detail dengan menjumlahkan seluruh
magnitude pada setiap samplingnya.
IV. PERANCANGAN SISTEM DETEKSI KERUSAKAN ROTOR
BAR MOTOR INDUKSI BERBASIS WAVELET
Dalam Tugas Akhir ini tahap perancangan sistem akan
terbagi menjadi beberapa proses antaralain: konfigurasi perangkat pengukuran, pengondisian kerusakan rotor bar,
pembebanan mekanis, perancangan sistem pengolahan
sinyal dan deteksi otomatis.
A. Konfigurasi Perangkat Pengukuran
Tugas Akhir ini membahas tentang perancangan sistem
deteksi kerusakan rotor bar melalui analisa arus output
inverter. Sistem yang dirancang terdiri dari perangkat
pengukuran dan pengolahan sinyal melalui software
terpogram. Perangkat pengukuran akan melibatkan
penggunaan perangkat Current Transformer, Oscilloscope,
untuk menangkap sinyal arus stator serta perangkat ADC
D1 D2 D3 D4 D5 D6 D7 D8 D9
32,3 22,0 14,2 17,4 261,2 2,0 3,3 4,6 2,1 Gambar 2. Besaran energi pada masing-masing level detail coefficient
hasil DWT-PDD
0
50
100
150
200
250
300
d1 d2 d3 d4 d5 d6 d7 d8 d9
Mag
nit
ud
o
Level Detail Coefficient DWT
Gambar 1. Hasil dekomposisi DWT pada motor induksi (a) Normal (b) dengan kerusakan 4 rotor bar
Proseding Seminar Tugas Akhir Teknik Elektro Juni 2013
3
sebagai pengonversi data agar sesuai dengan input software
terprogram sedangkan perangkat pengolahan sinyal akan
melibatkan proses DWT dan PDD. Dalam proses
konfigurasi perangkat pengukuran, frekuensi sampling
merupakan sebuah komponen penting dalam konfigurasi
peralatan pengukuran dalam merekronstruksi bentuk sinyal
yang diukur. Frekuensi sampling akan berpengaruh pada
tingkat overlapping yang akan mengakibatkan adanya error
pada proses rekonstruksi sinyal. Dalam Tugas Akhir ini akan digunakan dua tingkat frekuensi sampling yang
berbeda, 2 dan 5 kS/detik.
B. Pengondisian Kerusakan Rotor Bar
Pengondisian kerusakan dilakukan dengan memberikan
kecacatan berupa lubang melalui proses pengboran pada
rotor bar motor induksi (Broken Rotor Bar). Adapun proses
pelubangan dilakukan dengan besaran yang sama pada
beberapa tingkatan yaitu: Normal (0 BRB), 1 BRB, 2 BRB,
3 BRB, dan 4 BRB.
3 m
m
3 mm (a)
3 mm
Laminasi Rotor
Laminasi Rotor
Rotor Bar
(b)
Gambar 3.Rekronstruksi kerusakan rotor bar
Tabel 1. Data Motor Induksi
PARAMETER MOTOR INDUKSI NILAI
Daya Rating 0,18 kW / 0,25 Hp
Jumlah Pole 4
Tegangan Rating 380 V (koneksi Y)
Arus Rating
0,6 A
Kecepatan Rating 1310 rpm
Jumlah Konduktor Rotor 22
Faktor Daya 0,73
Gambar 4.Skema sistem deteksi kerusakan rotor bar yang dirancang dalam
Tugas Akhir.
C. Pembebanan Mekanis
Dalam Tugas Akhir ini digunakan variasi beban untuk
membuktikan sistem yang dirancang mampu digunakan
pada motor induksi dengan kondisi beban yang bervariasi.
Pembebanan yang diberikan berupa beban mekanis yang
berfungsi memberikan torsi lawan terhadap torsi putaran
motor (breaking). Pada Tugas Akhir digunakan pembebanan
0,5 Nm, 1,0 Nm, dan 1,5 Nm.
D. Perancangan Sistem Pengolahan Sinyal dan Diagnosa Kerusakan secara
Perancangan sistem pengolahan sinyal merupakan bagian
yang sangat penting dalam sistem deteksi kerusakan rotor
bar berbasis wavelet. Tahap ini akan menentukan performa
sistem dalam menentukan suatu motor induksi dalam
keadaan normal ataupun mengalami kerusakan. Adapun
perancangan pengolahan sinyal yang dimaksud merupakan
perancangan DWT dalam software terprogram.
Dalam Tugas Akhir ini, proses perancangan DWT hanya
terfokus pada detai coefficient pada 9 level dekomposisi
Wavelet.Adanya inverter memngakibatkan munculnya ripple dan orde harmonik pada arus stator yang dengan 9
level dekomposisi DWT dapat dideteksi dengan mudah
kemunculan frekuensi karena kerusakan rotor bar.
START
Rekronstruksi sinyal hasil
pengukuran
Dekomposisi sinyal
dengan DWT
Apakah
Dekomposisi
sesuai ?
Input data sinyal
hasil pengukuran
Rekronstruksi sinyal pada tiap
level dekomposisi
END
START
Proses Dekomposisi Wavelet
Rekronstruksi sinyal pada tiap
level dekomposisi
Perhitungan PDD pada tiap
level dekomposisi
Penyimpanan data dalam format
.xls
Representasi Grafik
END
ya
tidak
(a) (b)
Gambar 5. Diagram Alir (a) Proses DWT
(b) Proses PDD
Tabel 2. Spesifikasi DWT
Spesifikasi DWT
Jenis DWT Deubaches (db)
Orde 29
Level Dekomposisi 9
Sampling frekuensi 2000 / 5000 Sampling/detik
Tabel 3. Data Parameter ANN
PARAMETER ANN
Fungsi Pembelajaran Trainlm (backpropagation)
Input Layer 9 Neuron
Hidden Layer 250 Neuron
Output Layer 2 Neuron
Iterasi Maksimal 1000
Fitur Sinyal 156 data
Variable Speed
Drive
Motor Induksi 3
Phasa
File .xls
Peralatan
Pengukuran
DWT
Wavelet Details
File .xls
Analog to
Digital
Converter
Artificial
Neural
Network
(ANN)
Sinyal
arus Diagnosa
Sumber 3
phasa
Power
Detil
Density
(PDD)
0,5 Nm
1,0 Nm
1,5 Nm
Proseding Seminar Tugas Akhir Teknik Elektro Juni 2013
4
START
Membandingkan nilai
error
Err = Err’Penambahan unit
tersembunyi baru
Pelatihan unit
tersembunyi
baru
Reduksi jaringan
Normalisasi Input dengan
fungsi normalisasi
Inisiasi pelatihan, penimbang,
nilai awal
Mencari struktur
yang paling
minimum
Pelatihan
jaringan
tereduksi
END
ya
tidak
ya
tidak
Gambar 6. Diagram alir Backpropagation Neural Network
Adapun penggunaan DWT berjenis Deubaches memiliki keunggulan dalam memproses sinyal yang bersifat asimetri
karena ripple ataupun orde harmonik. Selain itu DWT orde
29 digunakan untuk meminamilisir terbentuknya
overlapping pada proses dekomposisi.
Dalam Tugas Akhir ini sistem deteksi kerusakan tidak
hanya dirancang agar dapat bekerja secara online namun
juga secara otomatis. Artificial Neural Network (ANN)
untuk dapat melakukan proses ini. Adapun ANN yang
digunakan dalam Tugas Akhir ini adalah Backpropagation
Neural Network dengan parameter pada tabel 2 Dalam
perancangan Listing ANN, fitur sinyal yang digunakan tidak seluruhnya digunakan untuk proses pelatihan ANN, namun
dikomposisikan 80% untuk proses pelatihan, 10% untuk
proses validasi, dan 10% untuk proses pengujian. Hal ini
difungsikan untuk meminimalisir terjadi underfitting
ataupun overfitting saat proses pelatihan ANN sehingga
error yang terjadi ketika ANN menentukan diagnosa
kerusakan rotor bar motor induksi dapat diminimalisasi.
V. PENGUJIAN SISTEM DAN ANALISA DATA
Sistem dalam Tugas Akhir ini dirancang sedemikian rupa
sehingga mampu mendeteksi kerusakan secara on-line.
Sistem dalam Tugas Akhir ini akan melibatkan perangkat
pengukuran dan listing pengolahan sinyal dalam software
terprogram. Mekanisme pengujian sistem juga dilakukan
sehingga akan terlihat bagaimana performa sistem yang
telah dirancang. Tahap pengujian juga dilakukakan dalam
beberapa konfigurasi untuk menciptakan sebuah sistem yang
dapat bekerja pada beberapa kondisi pengoperasian.
A. Pengujian Sistem Deteksi Kerusakan Rotor Bar Motor Induksi Menggunakan DWT-PDD
Gambar 4 menunjukkan hasil pengujian sistem
membuktikan bahwa DWT-PDD dapat digunakan untuk
mendeteksi kerusakan rotor bar motor induksi dengan
menggunakan arus output inverter sebagai sinyal sampel.
Gambar 4 menunjukkan adanya kenaikan nilai energi pada beberapa level dekomposisi DWT pada motor induksi
dengan kerusakan 4 rotor bar dibandingkan dengan motor
induksi normal. Kerusakan rotor bar pada dasarnya akan
menimbulkan frekuensi slip yang terinduksi kembali ke
statornya (back EMF). Adanya frekuensi ini menimbulkan
efek harmonisa tambahan pada arus stator motor induksi.
Frekuensi slip ini akan bernilai sedikit lebih tinggi dan
sedikit lebih rendah dari pada frekuensi fundamentalnya dan
berbeda dengan harmonisa yang memang terdapat pada
motor induksi karena efek air gap. Hal inilah yang akan dideteksi oleh DWT-PDD dengan menunjukkan perubahan
pada bentuk sinyal pada level dekomposisi frekuensi slip ini
terjadi.
B. Pengujian dengan Frekuensi Sampling Berbeda
Perbedaan frekuensi sampling akan menentukan band frekuensi pada tiap level detail coefficient DWT. Hal ini
dibuktikan melalui hasil pengujian sistem menggunakan
frekuensi sampling 2 dan 5 kS/detik. Data hasil pengujian
dapat dilihat pada tabel 3. Proses percobaan dilakukan
dengan menggunakan FFT untuk mendapatkan perkiraan
band frekuensi yang digunakan pada tiap level dekomposisi
DWT. Nilai frekuensi fundamental berada pada detail
dekomposisi level 5 untuk frekuensi sampling 2 kS/detik
dan level 6 untuk frekuensi 5 kS/detik. Jika diketahui pada
kondisi tanpa beban motor induksi memiliki slip = 1% maka
melalui persamaan (2) dapat dicari nilai frekuensi yang
muncul karena kerusakan rotor bar adalah:
𝑓𝐵𝑅𝐵 = 50 . 1 ± 4 .1 .0.01 𝑓𝐵𝑅𝐵 1 = 49,27 𝐻𝑧 ;𝑓𝐵𝑅𝐵 2 = 50,73 𝐻𝑧
Sehingga kenaikan level detail coefficient dekomposisi
DWT akan meningkat pada d6 untuk frekuensi sampling
5kS/detik dan d5 untuk frekuensi sampling 2kS/detik
C. Perbandingan antara DWT-PDD dan PDD
Selain DWT-PDD, deteksi kerusakan rotor bar dengan
menggunakan FFT merupakan salah satu metode yang saat
ini menunjukkan besaran magnitude dan frekuensi yang
dapat mendiagnosa kondisi kerusakan rotor bar. Namun proses FFT memerlukan proses penyesuaian yang lebih
rumit dimana proses rekronstruksi sinyal akan
mempengaruhi ketepatan FFT dalam meintepretasikan
besaran frekuensi sinyal. Selain itu proses transformasi FFT.
d1 d2 d3 d4 d5 d6 d7 d8 d9
Normal 33,1 16,3 8,4 3,4 2,7 246,6 6,7 6,7 6,3
4 BRB 44,2 23,8 9,9 5,5 2,2 251,3 6,6 7,0 8,0
Gambar 7. Hasil PDD untuk tiap koefisien detail dekomposisi DWT pada
pengukuran arus pada bagian output inverter
00
50
100
150
200
250
300
d1 d2 d3 d4 d5 d6 d7 d8 d9
Mag
nit
ud
o
Dekomposisi DWT-PDD
Normal
4 brb
Proseding Seminar Tugas Akhir Teknik Elektro Juni 2013
5
Gambar 8.Hssil pengujian sistem dengan DWT-PDD
(merah) motor induksi normal (biru) dengan kerusakan 4 rotor bar
Tabel 4.Band Frekuensi DWT pada frekuensi sampling tertentu
DETAIL DWT 2 KS/DETIK 5 KS/DETIK LEVEL 1 390 - 1000 Hz 950 - 2500 Hz
LEVEL 2 180 - 630 Hz 450 - 1600 Hz
LEVEL 3 90 - 230 Hz 200 - 850 Hz
LEVEL 4 48 - 143 Hz 100 - 400 Hz
LEVEL 5 38 - 78 Hz 40 - 200 Hz
LEVEL 6 15- 40 Hz 23 - 80 Hz
LEVEL 7 6 – 20 Hz 12 - 50 Hz
LEVEL 8 2 - 10 Hz 2,5 - 23 Hz
LEVEL 9 0 - 6 Hz 0 – 14 Hz
juga harus dilakukan penyesuaian dalam haal frekuensi
sampling dan normalisasi fungsi magnitudo yang akan
membuat sistem yang dirancang tidak maksimal
D. Perbandingan antara DWT-PDD dan PDD
Selain DWT-PDD, deteksi kerusakan rotor bar dengan
menggunakan FFT merupakan salah satu metode yang saat
ini menunjukkan besaran magnitude dan frekuensi yang
dapat mendiagnosa kondisi kerusakan rotor bar. Namun
proses FFT memerlukan proses penyesuaian yang lebih rumit dimana proses rekronstruksi sinyal akan
mempengaruhi ketepatan FFT dalam meintepretasikan
besaran frekuensi sinyal. Selain itu proses transformasi FFT
juga harus dilakukan penyesuaian dalam haal frekuensi
sampling dan normalisasi fungsi magnitudo yang akan
membuat sistem yang dirancang tidak dapat berjalan
maksimal.
E. Diagnosa Kerusakan Rotor Bar menggunakan Artificial
Neural Network (ANN)
Hasil grafik dari DWT-PDD pada pengukuran sinyal arus
pada output inverter memiliki perbedaan yang tidak terlalu
signifikan antara motor induksi normal dan dengan 4
kerusakan rotor bar. Artificial Neural Network (ANN)
digunakan untuk mendeteksi perbedaan ini dengan
melibatkan 156 data. Adapun data yang digunakan
merupakan hasil pengukuran arus di bagian input dan output
inverter pada frekuensi sampling 2000 dan 5000 sampling/detik serta mendefinisikan motor normal dan
motor dengan kerusakan 4 rotor bar. Hasil pengujian sistem
deteksi kerusakan rotor bar motor induksi telah dilakukan,
melibatkan 20 sinyal pengujian ANN telah mampu
mendefinisikan kondisi motor induksi apakah dalam kondisi
normal atau mengalami kerusakan rotor bar.
Hasil pengujian yang dilakukan, terdapat error yang
merupakan selisih target dengan ouput ANN. Tercatat dari
20 arus pengujian, yang terdiri dari 10 sampel pengujian
dari motor induksi normal dan 10 sampel pengujian untuk
motor induksi dengan kerusakan 4 rotor bar, terdapat 2 kesalahan diagnosa pada masing-masing kelompok sampel.
Hasil pengujian menjelaskan bagaimana deteksi kerusakan
rotor bar motor induksi dapat dilakukan dengan
menggunakan ANN. Walaupun terdapat hasil identifikasi
yang belum sesuai dengan kondisi yang terjadi sebenarnya
yang ditunjukkan melalui kolom merah dimana hasil output
ANN memiliki tingkat error yang dikarenakan error saat
proses pengukuran.
00
50
100
150
200
250
300
d1 d2 d3 d4 d5 d6 d7 d8 d9
Mag
nit
ud
o
Dekomposisi DWT-PDD dengan 5kS/detik
00
50
100
150
200
250
300
d1 d2 d3 d4 d5 d6 d7 d8 d9
Mag
nit
ud
o
Dekomposisi DWT-PDD dengan 2kS/detik
Gambar 9. Hasil pengujian DWT-PDD pada beberapa tingkat pembebanan berbeda
000
050
100
150
200
250
300
d1 d2 d3 d4 d5 d6 d7 d8 d9
Mag
nit
ud
o
Dekomposisi DWT-PDD
pada 0,5 Nm Load
000
050
100
150
200
250
300
350
d1 d2 d3 d4 d5 d6 d7 d8 d9
Mag
nit
ud
o
Dekomposisi DWT-PDDpada 1,0 Nm Load
000
050
100
150
200
250
300
350
400
450
d1 d2 d3 d4 d5 d6 d7 d8 d9
Mag
nit
ud
o
Dekomposisi DWT-PDDpada 1,5 Nm Load
Proseding Seminar Tugas Akhir Teknik Elektro Juni 2013
6
Tabel 5.Hasil Pengujian ANN SINYAL
PENGUJIA
N KE- KONDISI TARGET OUTPUT ERROR DIAGNOSA
1 4 brb 10 13 3 4 brb
2 4 brb 10 4 -6 Normal
3 4 brb 10 11 1 4 brb
4 4 brb 10 7 -3 4 brb
5 4 brb 10 15 5 4 brb
6 4 brb 10 11 1 4 brb
7 4 brb 10 8 -2 4 brb
8 4 brb 10 11 1 4 brb
9 4 brb 10 9 -1 4 brb
10 4 brb 10 -3 -13 Normal
11 Normal 0 0 0 Normal
12 Normal 0 2 2 Normal
13 Normal 0 6 6 4 brb
14 Normal 0 2 2 Normal
15 Normal 0 0 0 Normal
16 Normal 0 -4 -4 Normal
17 Normal 0 -1 -1 Normal
18 Normal 0 0 0 Normal
19 Normal 0 15 15 4 brb
20 Normal 0 -1 -1 Normal
(a)
(b)
(c)
Gambar 10. Hasil pelatihan ANN (a)Target ANN (b)Output ANN (c)
Error yang terjadi
VI. KESIMPULAN DAN RINGKASAN
Berdasarkan hasil yang telah didapatkan dari proses
pengujian dan analisis didapat kesimpulan bahwa PDD-
DWT mendeteksi kerusakan rotor bar motor induksi dengan
menunjukkan pertambahan besaran energi pada level dekomposisi frekuensi karena kerusakan muncul. Sistem
yang dirancang mampu mendiiagnosa kerusakan dengan
20% kesalahan melalui proses pengujian yang melibatkan
20 sample sinyal. Sistem yang dirancang dapat diaplikasikan
pada motor induksi dalam berbeagai tingkat pembebanan
serata konfigurasi frekuensi sampling peralatan pengukuran.
Sistem juga dirancanga agaar dapat diaplikasikan sebagai
sistem deteksi kerusakan rotor bar secara online.
LAMPIRAN
Gambar 11.Hasil pengujian sistem dengan DWT-PDD
(merah) motor induksi normal (biru) dengan kerusakan 4 rotor bar
Lapisan
Masukan
(9 Neuron)
Lapisan
Tersembunyi
(250 Neuron)
Lapisan
Keluaran
(2 Neuron)
D1
D2
D3
D4
Pola Masukan Pola Keluaran Pola Target
A1
A2
BRB1
BRB2
9 x 156
dimensi
2 x 1
dimensi
2 x 1
dimensi Gambar 12.Topologi ANN yang digunakan oleh sistem
DAFTAR PUSTAKA
1. Aderiano M. da Silva, B.S., “Induction Motor Fault Diagnostic And
Monitoring Methods”, Mei 2006, Marquette University, Milwaukee,
Wisconsin.
2. Khalaf Salloum Gaeid, Hew Wooi Ping, “Wavelet Fault Diagnosis
of Induction Motor”, University of Malaya, Malaysia.
3. Neelam Mehala, Ratna Dahiya, “Motor Current Signature Analysis
And Its Applications In Induction Motor Fault Diagnosis”,
International Journal Of Systems Applications, Engineering &
Development, 2007.
4. J. Cusidó, L. Romeral, J.A. Ortega, A. Garcia, J.R. Riba, “Wavelet
and PDD as fault detection techniques” ELSEVIER, 2010, Electric
Power Systems Research 80 (2010) 915–924.
5. Michel Misiti, Yves Misiti, Georges Oppenheim, Jean-Michel Poggi,
“Wavelet Toolbox™ Getting Started Guide”, 2013
6. Stephen J. Chapman, “Electric Machinery Fundamentals Fourth
Edition”, 2005, McGraw-Hill, New York.
7. Ilias P. Georgakopoulos, Epaminondas D. Mitronikas, Athanasios N.
Safacas, “Detection of Induction Motor Faults in Inverter Drives
Using Inverter Input Current Analysis” IEEE Transactions on
Industrial Electronics, vol. 58, no. 9, September 2011.
0
5
10
15
0 50 100 150
Nila
i Tar
get
Data ke-
-30
-20
-10
0
10
20
30
0 50 100 150Nila
i Tar
get
Data ke-
-30
-20
-10
0
10
20
30
0 50 100 150Nila
i Err
or
Data ke
0
20
40
60
80
100
120
d1 d2 d3 d4 d5 d6 d7 d8 d9
Mag
itu
do
Dekomposisi DWT-PDD
Normal
4 brb