DETEKSI HUBUNG SINGKAT PADA BELITAN STATOR MOTOR INDUKSI SATU FASA MENGGUNAKAN JARING SARAF TIRUAN

DETEKSI HUBUNG SINGKAT PADA BELITAN STATOR MOTOR INDUKSI SATU FASA MENGGUNAKAN JARING SARAF TIRUAN Dicky Nova Wardana – 2205 100 157 Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo, Surabaya - 60111 Abstrak : Motor induksi adalah salah satu peralatan utama dalam industri. Kerusakan pada bagian motor akan mempengaruhi proses produksi. Oleh karena itu, deteksi dini kerusakan motor induksi sangat dibutuhkan untuk menghindari kerusakan yang lebih parah. Tugas akhir ini menyajikan metode identifikasi untuk mendeteksi hubung singkat pada stator motor induksi satu fasa. Metode yang diajukan digunakan untuk mengidentifikasi hubung singkat dengan durasi yang sangat singkat, impedansi tinggi, dan gangguan non-periodik pada belitan stator. Gabungan transformasi wavelet dan jaring saraf tiruan digunakan sebagai metode pengidentifikasi kerusakan. Variabel identifikasi yang digunakan pada metode tersebut diambil dari sinyal arus stator. Untuk mencapai tujuan yang diinginkan, data percobaan arus hubung singkat 25%, 50%, dan 75% dari total belitan digunakan sebagai studi kasus. Hasil simulasi menunjukkan bahwa data pelatihan teridentifikasi 100% sedangkan data validasi teridentifikasi rata-rata 85% dalam menentukan keadaan belitan stator motor induksi satu fasa. Kata kunci : deteksi dini, hubung singkat, jaring saraf tiruan, belitan stator, motor induksi.

I. PENDAHULUAN Motor induksi ukuran kecil maupun sedang digunakan secara luas pada industri dan peralatan rumah tangga. Motor-motor tersebut ditempatkan pada lingkungan dan kondisi bervariasi yang dapat menimbulkan kerusakan pada bagian-bagian motor. Kerusakan isolasi belitan dan bearing adalah jenis kerusakan yang paling umum [1]. Penelitian tentang gangguan pada motor induksi yang telah dilakukan menunjukkan mekanisme kegagalan pada mesin induksi yang paling umum dapat dikategorikan berdasarkan komponen utama mesin seperti gangguan pada stator(38%), gangguan pada rotor(10%), gangguan pada bearing(40%) dan gangguan lain(12%) [2,3]. Deteksi dini hubung singkat pada belitan saat motor beroperasi akan mencegah kerusakan berikutnya pada belitan yang saling berdekatan, inti stator, mengurangi biaya reparasi dan memperpanjang usia motor. Oleh karena itu deteksi kerusakan motor induksi mendapat perhatian lebih beberapa tahun belakangan [4]. Hubung singkat pada belitan menyebabkan penurunan jumlah belitan ekuivalen pada motor. Hal ini menyebabkan penurunan kecepatan dan peningkatan panas pada inti karena penambahan rugi-rugi I2 R. Peningkatan

panas membuat suhu belitan stator meningkat sehingga berakibat pada penurunan perkiraan umur isolasi belitan. Kegagalan isolasi pada belitan stator akan mengakibatkan tambahan hubung singkat pada belitan, tambahan kenaikan temperature, dan semakin memperpendek umur isolasi belitan. Selanjutnya, akan menyebabkan kerusakan pada belitan yang berdekatan bahkan menyebabkan motor gagal beroperasi [5]. Pada penelitian sebelumnya simulasi hubung singkat dilakukan dengan cara mensolder belitan stator sehingga menyebabkan kenaikan arus yang dikonsumsi motor [6]. Pada penelitian ini simulasi hubung singkat hubung singkat dilakukan dengan cara mengkondisikan belitan stator terhubung singkat sesaat yang menggambarkan awal terjadinya kerusakan isolasi belitan stator. Gejala kerusakan belitan tersebut tidak dapat diamati dengan mengukur besarnya arus yang mengalir karena besarnya arus tidak mengalami kenaikan yang signifikan. Data yang dibutuhkan untuk melatih JST dihasilkan di laboratorium menggunakan motor induksi satu fasa yang didesain khusus untuk mempermudah simulasi hubung singkat yang terjadi pada belitan stator. II. TEORI PENUNJANG 2.1 Jaring Saraf Tiruan JST adalah sebuah sistem pemroses informasi dengan karakteristik tertentu yang dibuat menyerupai suatu jaring saraf biologis. Misalkan terdapat n buah masukan dan penimbang, fungsi keluaran dari tiap neuron adalah sebagai berikut: F(x,w) = f(w1x1 + ... + wnxn) (1)

Gambar 1. Model tiruan neuron tanpa bias Proses belajar (learning) bagi JST merupakan proses mengatur nilai bobot penimbangnya untuk mendapatkan nilai yang terbaik dengan melatih JST menggunakan sekumpulan data, menurut unjuk kerja sistem yang dikehendaki [7].

Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS

Halaman 1 dari 6 halaman

2.2 Backpropagation Neural Network Algoritma pelatihan BPNN terdiri dari dua proses utama, yaitu feed forward dan backpropagation dari error-nya [7]. Secara garis besar, algoritma ini disebut sebagai backpropagation neural network (BPNN) karena ketika JST diberi pola masukan sebagai pola pelatihan, maka pola tersebut disebarkan maju (forward) menuju ke unit-unit pada hidden layer dan diteruskan pada output layer yang akan memberikan tanggapan yang disebut sebagai keluaran JST. Ketika keluaran JST tidak sama dengan keluaran yang diharapkan maka keluaran akan disebar mundur (backward) pada hidden layer dan diteruskan ke unit pada input layer. 2.3 Discrete Wavelet Transform Transformasi wavelet dalam konteks pemrosesan sinyal adalah sebuah metode untuk mendekomposisi sinyal masukan yang diinginkan menjadi gelombang lain yang disebut wavelet dan menganalisis sinyal tersebut dengan memberi perlakuan terhadap koefisien-koefisien wavelet tersebut. Proses dekomposisi melibatkan dua filter, yaitu low pass filter dan high pass filter. Hasil yang diperoleh berupa sinyal aproksimasi cA dan sinyal detail cD. Wavelet merupakan persamaan matematis yang memisahkan sinyal kedalam frekuensi yang berbeda, dan selanjutnya menganalisis masingmasing komponen dangan resolusi yang disesuaikan dengan skala. Pada pemrosesan sinyal, wavelet merupakan suatu bentuk energi yang memplot sesaat setiap bagian sinyal yang hendak dianalisis. Bentuk wavelet digambarkan sebagai sebuah bentuk gelombang dengan durasi terbatas dan memiliki nilai rata-rata sama dengan nol. Analisis wavelet pada dasarnya merupakan pergeseran dan penskalaan suatu bentuk energi terbatas yang disebut wavelet induk (t) terhadap sinyal yang diinginkan. Sehingga transformasi wavelet diskrit dapat dituliskan sebagai berikut. (2) ψ jk (t ) = 2 j / 2ψ (2 j t − k )

motor induksi pada paper ini dapat dilihat pada Gambar 2.

Gambar 2. Diagram alir deteksi hubung singkat 3.1 Perangkat Percobaan Motor induksi satu fasa digunakan sebagai obyek penelitian. Spesifikasi motor yang digunakan adalah sebagai berikut: teganggan sumber 220 volt, frekuensi 50 Hz, memiliki empat kutub, 1/4 HP, dan kecepatan motor 1400 rpm. Motor disadap masing-masing belitannya untuk mensimulasikan hubung singkat yang terjadi pada belitan stator motor. Hal ini dilakukan untuk menggambarkan lokasi hubung singkat yang mungkin terjadi pada motor. Foto motor yang telah disadap dapat dilihat pada Gambar 3.

j adalah parameter perluasan (penskalaan) dan k adalah parameter pergeseran [8]. III. METODOLOGI Arus motor disensor dengan menggunakan trafo arus untuk mendapatkan sinyal dengan magnitudo yang maksimum tidak melebihi kemampuan peralatan analog to digital converter (A/DC). Selanjutnya, sinyal analog akan dikonversi dengan A/DC menjadi sinyal digital. Sinyal digital tersebut kemudian diolah menggunakan transformasi wavelet diskrit hingga level tiga. Sinyal frekuensi tinggi tersebut kemudian diambil masing-masing fiturnya lalu diinputkan ke sistem identifikasi (JST). Dari sistem ini maka sinyal akan diindetifikasi apakah motor mengalami gangguan atau tidak. Diagram alir deteksi hubung singkat belitan stator

Gambar 3. Motor induksi satu fasa Pada percobaan ini lokasi hubung singkat dibagi menjadi tiga tingkatan yaitu 25%, 50%, dan 75% dari total belitan stator. Diagram pengkabelan belitan stator yang digunakan dalam percobaan ini dapat dilihat pada Gambar 4. Hubung singkat sesaat dihasilkan dengan bantuan mikrokontroler sebagai switch elektronik. Mikrokontroler berfungsi sebagai pemberi sinyal on-off pada TRIAC. Sedangkan



lokasi hubung singkat dapat ditentukan berdasarkan kedudukan selektor. Gambar selektor yang digunakan dalam percobaan ini dapat dilihat pada Gambar 4. Hambatan geser (rheostat) dipasang untuk mensimulasikan impedansi hubung singkat.

Gambar 4. Wiring diagram belitan stator 3.2 Percobaan Pada percobaan ini data analog dari arus stator motor diubah menjadi data digital menggunakan A/D converter lalu ditampilkan melalui osiloskop untuk mengetahui bentuk gelombang yang akan dianalisis. Data digital ini dikirimkan ke komputer melalui kabel serial (RS-232) dengan bantuan remote control program yang nantinya akan digunakan sebagai masukan dalam proses pembelajaran pada JST untuk menentukan keadaan motor. Analog to digital converter diperlukan karena data arus stator motor merupakan data analog sehingga perlu diubah menjadi bentuk data diskrit agar memudahkan dalam proses selanjutnya. A/D converter ini sekaligus berfungsi sebagai pengubah data arus menjadi data tegangan karena masukan osiloskop merupakan data tegangan.

Sedangkan sebagai sarana pengiriman data menggunakan kabel serial (RS-232) jenis female pada kedua ujungnya. Pada kasus penggunaan notebook maupun laptop yang tidak memiliki terminal serial dibutuhkan konverter serial to USB sebagai pengganti terminal serial. Diagram blok percobaan dapat dilihat pada Gambar 5. 3.3 Pengambilan Data Pada tahap ini diambil data bentuk gelombang arus stator motor induksi normal maupun yang mengalami gangguan. Pengambilan data bentuk arus stator motor induksi dilakukan dengan cara memasang probe osiloskop pada kabel fase pada sisi suplai. Pengambilan data ini menggunakan osiloskop merk GW Instek tipe GRS-6052A. Pengambilan data ini dilakukan dengan menggunakan time sample 50 ms/div dan 1 volt/div. Data bentuk gelombang yang diperoleh selanjutnya dikirimkan ke komputer melalui kabel serial (RS232) menggunakan bantuan GRS-60X2 PC remote control program. File yang dihasilkan oleh program ini adalah data dalam format CSV dan gambar bentuk gelombang dalam format BMP, PCX, TIFF, PNG atau JPEG. Tampilan program dapat dilihat pada Gambar 6.

Gambar 6. Tampilan remote control program [9]

Gambar 5. Diagram blok percobaan Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS


3.4 Pengolahan Data Dalam penelitian sebelumnya, penggunaan fitur domain waktu saja hanya memberikan tingkat akurasi identifikasi maksimal sebesar 57% [10]. Oleh karena itu dalam tugas akhir ini data-data bentuk gelombang yang diperoleh dari proses pengambilan data dikelompokkan menjadi dua. Data pertama merupakan data yang nantinya akan digunakan sebagai masukan dalam proses pembelajaran JST. Data kedua merupakan data pengujian untuk mengetahui unjuk kerja JST yang digunakan. Selanjutnya masing-masing kelompok data diolah menggunakan discrete 1-D wavelet transform (DWT) untuk mendapatkan feature extraction masing-masing gelombang. Langkah ini adalah langkah awal yang penting dalam monitoring dan deteksi kerusakan motor karena dapat mereduksi jumlah sampling sehingga dapat mempercepat proses kalkulasi dalam pelatihan JST. Penggunaan DWT sebagai pengolah data karena sinyal arus pada saat gangguan merupakan sinyal non-stationer atau transien. Sehingga keadaan tersebut dapat dijadikan sebagai tanda adanya gangguan pada motor. Karena gangguan berbeda memiliki efek yang berbeda terhadap arus stator transformasi wavelet dapat digunakan sebagai metode feature extraction.

3. Fungsi aktivasi • Hidden layer • Output layer 4. Iterasi maksimal 5. Error minimal 6. Learning rate

: tansig(sigmoid bipolar) : logsig(sigmoid biner) : 200.000 : 10e-5 : 0,1

4.2 Data arus motor Dari pengukuran terhadap motor induksi satu fasa yang dilakukan di laboratorium diperoleh bentuk gelombang arus stator seperti yang ditunjukkan Gambar 7, 8, dan 9.

3.5 Identifikasi Output atau keluaran JST merupakan identifikasi keadaan motor induksi. Identifikasi yang dihasilkan meliputi ada tidaknya hubung singkat pada belitan stator serta lokasi hubung singkat yang terjadi. Identifikasi keadaan motor induksi dapat dilihat pada Tabel 1.

Gambar 7. Normal

Tabel 1. Identifikasi keadaan motor Keadaan motor Keluaran JST Normal [1 0 0 0] 25% [0 1 0 0] 50% [0 0 1 0] 75% [0 0 0 1] IV. HASIL DAN ANALISIS 4.1 Parameter JST Untuk keperluan pembelajaran, parameter NN yang harus ditentukan adalah sebagai berikut : 1. Fungsi pembelajaran : traingd (Gradient descent –backpropagation) 2. Jumlah layer • Input layer : 22 neuron • Hidden layer : 1500 neuron • Output layer : 4 neuron

Gambar 8. Hubung singkat 25% total belitan



Tabel 4. Fitur arus hubung singkat 50% total belitan 50% asli D1 D2 D3

Fitur Sinyal min

med

maks

-0.064 0 0 0

-0.094 0 0 0

Stdev

3.28 0.33 0.59 1.01

-3.38 -0.33 -0.59 -1.01

|Med -dev| 2.33 0.19 0.36 0.7

|Meandev| 2.34 0.19 0.38 0.71




4.3 Feature Extraction Dari hasil dekomposisi arus hingga level tiga diperoleh fitur-fitur sinyal frekuensi tinggi seperti ditunjukkan pada Tabel 2,3,4, dan 5. Table 2. Fitur arus normal Fitur Sinyal min

normal

med

maks

asli D1 D2 D3

-0.064 0 0 0

-0.094 0 0 0

3.28 0.33 0.59 1.01

Stdev -3.38 -0.33 -0.59 -1.01

|Med -dev| 2.33 0.19 0.36 0.7

|Meandev| 2.34 0.19 0.38 0.71


med

maks

-0.064 0 0 0

-0.094 0 0 0

Fitur Sinyal min Stdev 3.28 0.33 0.59 1.01

-3.38 -0.33 -0.59 -1.01

|Meddev| 2.33 0.19 0.36 0.7

|Meandev| 2.34 0.19 0.38 0.71

Fitur Sinyal min

med

maks

-0.064 0 0 0

-0.094 0 0 0

Stdev

3.28 0.33 0.59 1.01

-3.38 -0.33 -0.59 -1.01

|Med -dev| 2.33 0.19 0.36 0.7

|Meandev| 2.34 0.19 0.38 0.71

4.4 Pembelajaran JST Pembelajaran JST dilakukan dengan empat pola fitur arus motor yang terdiri dari fitur arus domain waktu dan fitur arus domain frekuensi. Fitur masukan yang digunakan dalam proses pelatihan adalah 4 x 22 = 88 fitur. Pola tersebut diperoleh dari fitur-fitur setiap pola arus motor kecuali mean dan median pada fitur arus domain frekuensi. Grafik keempat pola pelatihan dapat dilihat seperti pada gambar 11.

Gambar 11. Grafik pola data pelatihan JST 4.5 Evaluasi Performansi Sistem Pengujian yang dilakukan terhadap data yang telah diajarkan memberikan akurasi sebesar seratus persen, dengan kata lain seluruh keadaan motor dapat dikenali dengan baik. Hasil pengujian tersebut dapat ditampilkan pada tabel seperti yang dapat dilihat pada Tabel 6. Tabel 6. Nilai keluaran tiap neuron Keadaan motor Normal HS 25% HS 50% HS 75%

Keluaran JST Neuron1

Neuron1

Neuron1

Neuron1

0.9949 0.0051 0.0016 0.0001

0.0055 0.9944 0.0019 0.0026

0.0018 0.0016 0.9974 0.0024

0.0013 0.0014 0.0022 0.9978

Setelah dilakukan pembelajaran terhadap keempat pola fitur sinyal arus dilakukan pengujian dengan data yang belum pernah diajarkan sebelumnya. Hal ini bertujuan untuk memberikan validasi terhadap parameter yang digunakan.



Keluaran JST terhadap pengujian data validasi dapat dilihat pada Tabel 7. Table 7. Keluaran JST No.

Neuron 1

1

0.994864

2 3

Neuron 2

Neuron 3

Neuron 4

0.005530

0.001799

0.001276

0.801183

0.129709

0.001027

0.001213

0.994864

0.005530

0.001799

0.001276

4

0.800331

0.135143

0.001143

0.001192

5

0.829850

0.173739

0.870069

0.000432

6

0.008017

0.996121

0.001657

0.001583

7

0.708084

0.080634

0.010127

0.003153

8

0.014520

0.963161

0.001242

0.001382

9

0.828595

0.315684

0.000496

0.000665

10

0.072369

0.718821

0.000064

0.002364

11

0.001649

0.001941

0.997442

0.002239

12

0.004139

0.001214

0.996642

0.001510

13

0.001649

0.001941

0.997442

0.002239

14

0.004193

0.000991

0.996542

0.001971

15

0.004193

0.000991

0.996542

0.001971

16

0.000079

0.002643

0.002441

0.997770

17

0.000079

0.002643

0.002441

0.997770

18

0.000079

0.002643

0.002441

0.997770

19

0.000120

0.016349

0.005540

0.996751

20

0.000322

0.006802

0.000973

0.995164

Berdasarkan Tabel 7 hasil identifikasi JST dapat dikelompokkan berdasarkan kondisi belitan statornya. Hasil identifikasi JST berdasarkan kondisi belitan stator dapat dilihat pada Tabel 8. Table 8. Hasil identifikasi JST Keadaan motor Normal HS 25% HS 50% HS 75%

Keluaran JST normal

25%

50%

75%

80% 40% 0% 0%

0% 60% 0% 0%

0% 0% 100% 0%

0% 0% 0% 100%

V. KESIMPULAN Berdasarkan analisis yang telah dilakukan dapat diambil kesimpulan sebagai berikut: 1. Sinyal domain frekuensi hasil pengolaan discrete wavelet transform dapat merepresentasikan bentuk gelombang yang dianalisis sehingga dapat digunakan sebagai masukan JST 2. Data pelatihan teridentifikasi 100% dan data validasi teridentifikasi rata-rata 85% dalam menentukan keadaan belitan stator motor induksi satu fasa. 3. Kombinasi transformasi wavelet yang digunakan untuk menganalisis sinyal diskontinyu dan metode JST dapat digunakan untuk menganalisis dan mengidentifikasi jenis gangguan.

PENGEMBANGAN Sistem ini hanya bisa digunakan untuk mendeteksi hubung singkat pada belitan stator pada motor induksi dalam keadaan tanpa beban, kedepan dapat dikembangankan untuk mendeteksi kerusakan belitan motor pada berbagai macam kondisi pembebanan, maupun jenis kerusakan lain yang umum terjadi pada motor. UCAPAN TERIMAKASIH Penulis mengucapkan terimakasih kepada bapak Mauridhi H. P. dan bapak Dimas Anton A. selaku dosen pembimbing yang telah membantu penyelesaian tugas akhir ini. DAFTAR PUSTAKA [1]

M. Y. Chow, “Methodologies of using neural network and fuzzy logic technologies for motor incipient fault detection”, World Scientific Publishing Co. Pte. Ltd, Singapore, 1997. [2] O.V. Thorsen and M. dalva, “failure identification and analysis for HV induction motors in the petrochemical industry”, IEEE trans. On Ind. Appl., vol. 35, no. 4, jul/aug. 1999, pp. 810-818. [3] IAS motor reliability working group, “report of large motor reliability survey of industrial and commercial installation part1”, IEEE trans. On Ind. Appl., vol. 21 jul/aug. 1985, pp. 853-864.M. Young, The Technical Writer's Handbook. Mill Valley, CA: University Science, 1989. [4] K. Kim and A. G. Parlos, “Induction Motor ault Diagnosis Based on Neuropredictors and Wavelet signal processing”, IEEE/ASME Trans. On Mechatronics, vol. 7, no. 2, June 2002. [5] S.A. Nasar, “Hanbook of electric Machines”, New York: Mc Graw Hill, Chapter 3 dan 4, 1987. [6] M. Benbouzid, “A review of induction motors signature analysis as a medium for faults detection”, IEEE Trans. Ind. Electron., vol 47, pp. 984-993, Oct. 2000. [7] Mauridhi Hery P. dan Agus Kurniawan, “Supervised Neural Networks dan Aplikasinya”, Graha Ilmu, Yogyakarta, 2006. [8] Ika Damayanti, Metode Wavelet Untuk Peramalan Time SeriesYang Non Stasioner, Tesis Jurusan Statistika FMIPAITS, Surabaya 2008. [9] GW Instek, “GRS60x2 PC Remote Contrl Program”, User Manual, 2002. [10] Dicky N. Wardana, Dimas Anton A., dan Mauridhi Hery P.,”Early Detection for Short Circuit Symptom at Single Phase Induction Motor Winding Using Neural Networks”, Proceedings of National Seminar on Applied Technology, Science, and Arts, pp. 35, Surabaya, Desember 2009.

DAFTAR RIWAYAT HIDUP Dicky Nova Wardana dilahirkan di Sidoarjo, 10 November 1986. Penulis adalah putra terakhir dari tiga bersaudara pasangan Sadili dan Sriwati. Penulis memulai jenjang pendidikannya di SDN Candinegoro, SLTPN 1 Krian, serta SMAN 1 Sidoarjo hingga lulus tahun 2005. Pada tahun yang sama, penulis melanjutkan studi di Jurusan Teknik Elektro FTI-ITS lewat jalur SPMB dan mengambil bidang studi Teknik Sistem Tenaga. Penulis dapat dihubungi pada alamat e-mail: [email protected].



DETEKSI HUBUNG SINGKAT PADA BELITAN STATOR MOTOR INDUKSI SATU FASA MENGGUNAKAN JARING SARAF TIRUAN

Recommend Documents