DETEKSI HUBUNG SINGKAT PADA BELITAN STATOR MOTOR INDUKSI TIGA FASA TANPA BEBAN MENGGUNAKAN JARING SYARAF TIRUAN

DETEKSI HUBUNG SINGKAT PADA BELITAN STATOR MOTOR INDUKSI TIGA FASA TANPA BEBAN MENGGUNAKAN JARING SYARAF TIRUAN Nanang Hardianto - 2205100196 Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo, Surabaya - 60111 Abstrak : Motor induksi tiga fasa adalah salah satu peralatan utama dalam industri dan transportasi karena konstruksinya yang sederhana dan keandalannya. Kerusakan pada bagian motor akan mempengaruhi proses produksi pada industri dan jasa transportasi. Oleh karena itu, deteksi dini kerusakan motor induksi sangat dibutuhkan untuk menghindari kerusakan yang lebih parah. Tugas akhir ini akan menyajikan metode identifikasi untuk mendeteksi hubung singkat pada belitan stator motor induksi tiga fasa pada kondisi tanpa beban. Ada tiga jenis arus hubung singkat yang diidentifikasi yaitu arus hubung singkat sefasa, fasa-fasa dan fasa-ground. Metode yang diajukan digunakan untuk mengidentifikasi hubung singkat dengan periode lama, impedansi tinggi, dan gangguan periodik pada belitan stator. Gabungan transformasi wavelet dan jaring saraf tiruan digunakan sebagai metode pengidentifikasi gangguan. Sedangkan variabel identifikasi yang digunakan pada metode tersebut diambil dari sinyal arus dan tegangan tiap fasa stator motor. Untuk mencapai tujuan yang diinginkan, digunakan data percobaan arus dan tegangan pada kondisi normal, hubung singkat sefasa, fasa-fasa dan fasa-ground. Hasil simulasi menunjukkan bahwa seluruh data pelatihan teridentifikasi 100% sedangkan data validasi teridentifikasi rata-rata 95%. Kata kunci : deteksi dini, hubung singkat, wavelet, jaring saraf tiruan, belitan stator, motor induksi tiga fasa.

PENDAHULUAN Motor induksi tiga fasa ukuran kecil maupun besar digunakan secara luas pada industri. Motormotor 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 (28%), gangguan pada rotor (8%), gangguan pada bearing (42%) dan gangguan lain (22%) [2]. Deteksi dini hubung singkat pada belitan saat motor beroperasi akan mencegah kerusakan berikutnya pada belitan yang saling berdekatan dan 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 I2R. Peningkatan panas membuat suhu belitan stator meningkat sehingga berakibat pada penurunan kerusakan isolasi belitan. Kerusakan isolasi pada belitan stator akan mengakibatkan tambahan hubung singkat pada belitan, tambahan kenaikan temperatur, dan semakin memperpendek umur isolasi belitan. Selanjutnya, akan menyebabkan kerusakan pada belitan yang berdekatan bahkan menyebabkan motor gagal beroperasi [5]. Pada penelitian ini simulasi hubung singkat hubung singkat sefasa, fasa-fasa dan fasa-ground dilakukan dengan cara mengkondisikan belitan stator terhubung singkat dalam jangka sepuluh siklus (200 milidetik) yang menggambarkan kejadian sebenarnya selama terjadi gangguan. Gejala kerusakan belitan tersebut sebenarnya dapat diamati dengan mengukur besarnya arus dan tegangan yang mengalir, tetapi kenaikan arus dan tegangan yang tidak signifikan pada beberapa kondisi gangguan mengakibatkan kemungkinan kesalahan deteksi sangat besar. Data yang dibutuhkan untuk melatih JST dihasilkan di laboratorium menggunakan motor induksi tiga fasa yang didesain khusus untuk mempermudah simulasi hubung singkat yang terjadi pada belitan stator. 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

Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS

Halaman 1 dari 7 halaman

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 [6].

magnitude

function

H(ω)

sebagai

berikut: (2.42) (2.43)

2.2 Backpropagation Neural Network Algoritma pelatihan BPNN terdiri dari dua proses utama, yaitu feed forward dan backpropagation dari error-nya [6]. 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. Analisis wavelet pada dasarnya merupakan pergeseran dan penskalaan suatu bentuk energi terbatas yang disebut wavelet induk ψ(t) terhadap sinyal yang diinginkan. Sehingga transformasi wavelet diskrit dapat dituliskan sebagai berikut. (2)  jk ( t )  2 j / 2 (2 j t  k )

dengan N adalah nilai orde filter. 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 filter dan transformasi wavelet diskrit hingga level lima. 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 motor induksi pada paper ini dapat dilihat pada Gambar 2.

j adalah parameter perluasan (penskalaan) dan k adalah parameter pergeseran [7]. 2.4 Digital Butterworth Low Pass Filter Filter adalah suatu rangkaian elektronik yang berfungsi untuk mengolah frekuensi dari suatu sinyal, frekuensi sinyal tersebut akan diloloskan atau diredam, dalam hal ini disesuaikan dengan kebutuhan. Filter digital memiliki banyak kelebihan dibandingkan dengan pasangannya filter analog, baik dalam performa yang lebih tinggi dengan transition zone yang lebih kecil, ketahanan, serta fleksibilitas dalam menentukan range kerjanya [9]. Karena faktor-faktor ini, filter digital merupakan elemen penting dalam bidang DSP (Digital Signal Processing). Konfigurasi Butterworth adalah salah satu konfigurasi standar dari filter rekursif baik dalam bentuk analog maupun digital. Konfigurasi ini menekankan pada aproksimasi karakteristik lowpass dengan hasil respons yang mendekati titk nol dengan halus dan rata (smooth and flat) [10]. Filter Butterworth didefinisikan melalui persamaan

Gambar 2. Diagram alir deteksi hubung singkat 3.1 Perangkat Percobaan Motor induksi tiga fasa yang selanjutnya disebut “motor” digunakan sebagai objek penelitian. Sedangkan tiga fasa motor yaitu fasa u-x selanjutnya disebut fasa “R”, fasa v-y disebut fasa “S” dan fasa w-z disebut fasa “T”. Spesifikasi motor yang digunakan adalah sebagai berikut: tegangan sumber yang digunakan adalah 220/380 volt, frekuensi 50 Hz, cosФ atau faktor daya 0.7, memiliki empat kutub, daya kerja 250 kW dan arus nominal 1.42/0.82 A. Belitan dihubungkan secara wye dengan pertimbangan jenis belitan ini paling



sering digunakan oleh motor induksi tiga fasa dengan daya kerja tersebut.

Gambar 3. Motor induksi satu fasa Pada penelitian ini lokasi hubung singkat dilakukan pada pada salah satu fasa, antar fasa dan fasa dengan ground. 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 pin pada motor. Agar arus saat hubung singkat tidak melebihi batas yang diijinkan hambatan geser (rheostat) dipasang seri terhadap selektor sehingga tidak menyebabkan kerusakan pada peralatan saat pengambilan data. Pemasangan rheostat ini sekaligus mensimulasikan impedansi hubung singkat yang terjadi. Pada pengambilan data ini motor dalam keadaan tanpa beban (no load).

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.

Gambar 5. Diagram blok percobaan 3.3 Pengambilan Data Pengambilan data bentuk arus dan tegangan 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. 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 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

Gambar 6. Tampilan remote control program [11] 3.4 Pengolahan Data Dalam penelitian sebelumnya, penggunaan fitur domain waktu saja hanya memberikan tingkat akurasi identifikasi maksimal sebesar 57% [12]. 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. 3.5 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. Tabel 1. Identifikasi keadaan motor Keadaan motor Keluaran JST Normal [1 0 0 0] HS Sefasa [0 1 0 0] HS Fasa-fasa [0 0 1 0] HS Fasa-ground [0 0 0 1] 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 : 24 neuron  Hidden layer : 70 neuron  Output layer : 4 neuron 3. Fungsi aktivasi  Hidden layer : tansig(sigmoid bipolar)  Output layer : logsig(sigmoid biner) 4. Iterasi maksimal : 100.000 5. Error minimal : 10e-4 6. Learning rate : 2,5

program Matlab 7.1. Contoh bentuk gelombang arus dan tegangan pada kondisi normal ditunjukkan gambar 7.

(a)

(b) Gambar 7 (a) Arus normal; (b) Tegangan normal 4.3 Feature Extraction Gelombang arus dan tegangan kemudian diolah dengan wavelet Haar level lima untuk mendapat kan fitur ekstraksinya. Contoh hasil dekomposisi gelombang arus dan tegangan pada kondisi normal ditunjukkan gambar 8. Sedangkan fitur ekstraksinya ditunjukkan pada Tabel 2 sampai 9.

Gambar 8. Koefisien detail dekomposisi arus dan tegangan level 5 kondisi normal

4.2 Data arus dan tegangan motor Dari pengukuran terhadap motor induksi satu fasa yang dilakukan di laboratorium diperoleh bentuk gelombang arus dan tegangan stator yang selanjutnya dinormalisasi, difilter dan direpresentasikan dalam bentuk sinyal dengan



Tabel 2 fitur sinyal arus motor normal sinyal

mean

Domain waktu Dec5

median

0.0078 0

Fitur sinyal min

maks

0.009 0

0.7998 0.3634

-0.7998 -0.3634

Range

StDev

1.6 0.7268

0.559 0.2545

|median Dev| 0.5603 0.2481

|mean Dev| 0.5033 0.2267

Tabel 3 fitur sinyal tegangan motor normal sinyal

mean

median

Domain waktu Dec5

-1.066 0

maks

-1.596 0

Fitur sinyal min

219.4 117

-219.4 -117

Range

StDev

|median Dev|

|mean Dev|

438.8 234

165.6 77.33

175.5 74.93

151.6 66.62

Tabel 4 fitur sinyal arus motor hubung singkat sefasa Fasa

Fasa R

Fasa S

Fasa T

sinyal Domain waktu Dec5 Domain waktu Dec5 Domain waktu Dec5

mean

Fitur Sinyal Arus median maks min

0.0013

0.0008

0.8912

0 -0.0058

0 -0.0038

0 0.0019 0

Range

StDev 0.6336

|median Dev| 0.6378

|mean Dev| 0.5724

-0.8912

1.782

0.4191 0.9101

-0.4191 -0.9101

0.8382 1.82

0.2911 0.6138

0.2941 0.593

0.2589 0.5465

0 0.0006

0.3891 0.7362

-0.3891 -0.7362

0.7781 1.472

0.2833 0.5192

0.3181 0.5224

0.2544 0.4685

0

0.3498

-0.3498

0.6996

0.2415

0.2475

0.2152

|mean Dev| 154

Tabel 5 fitur sinyal tegangan motor hubung singkat sefasa Fasa


Fasa R

Fasa S

Fasa T

Fitur Sinyal Tegangan median maks min

Range

StDev

0.736

0.9357

225.3

-225.3

450.7

168.3

|median Dev| 177.2

0 0.7225

0 3.29

118.4 213.3

-118.4 -213.3

236.8 426.6

78.52 159.4

77.69 168.6

67.88 146

0 0.5082

0 1.933

112.4 215.8

-112.4 -215.8

224.9 431.5

73.09 163.7

74.95 175.4

63.25 149.9

0

0

116.8

-116.8

233.5

75.32

69.28

64.61

|mean Dev| 1.24

mean

Tabel 6 fitur sinyal arus motor hubung singkat fasa-fasa Fasa

Fasa R

Fasa S

Fasa T


sinyal

mean

Range

StDev

-1.969

3.937

1.38

|median Dev| 1.377

Domain waktu Dec5 Domain waktu Dec5 Domain waktu Dec5

-0.00316

-0.004561

1.969

0 0.0002

0 -0.0008

0.8985 1.875

-0.8985 -1.875

1.797 3.749

0.638 1.283

0.6084 1.263

0.5782 1.149

0 -0.004

0 -0.0027

0.8451 0.9606

-0.8451 -0.9606

1.69 1.922

0.5814 0.6495

0.5644 0.6398

0.5197 0.5826

0

0

0.4453

-0.4453

0.8907

0.3027

0.3138

0.2712



Tabel 7 fitur sinyal tegangan motor hubung singkat fasa-fasa Fasa

Fasa R

Fasa S

Fasa T


sinyal

mean

Range

StDev

Domain waktu Dec5 Domain waktu Dec5 Domain waktu Dec5

0.7659

1.599

216.7

0 0.3104

0 0.4781

0 -3.993 0

162.9

|median Dev| 172.7

|mean Dev| 149.4

-216.7

433.5

116.2 216.6

-116.2 -216.6

232.4 -433.2

76.19 162.6

73.01 172.3

65.56 149

0 -3.167

115.6 227.1

-115.6 -227.1

-231.3 -454.1

74.61 165.9

71.96 174.5

64.51 151.9

0

118.3

-118.3

-236.6

76.19

67.85

65.6

|mean Dev| 0.5608

Tabel 8 fitur sinyal arus motor hubung singkat Fasa-Ground Fasa

Fasa R

Fasa S

Fasa T



mean

Range

StDev

-0.003

-0.0041

0.869

-0.869

1.738

0.6205

|median Dev| 0.6264

0 -0.0056

0 -0.0106

0.4129 1.254

-0.4129 -1.254

0.8257 2.507

0.2847 0.8445

0.2765 0.8103

0.2539 0.7507

0 0.0066

0 0.0115

0.5281 0.7164

-0.5281 -0.7164

1.056 1.439

0.3877 0.5065

0.3869 0.5123

0.3523 0.4574

0

0

0.342

-0.342

0.684

0.2355

0.2389

0.2095

Tabel 9 fitur sinyal tegangan motor hubung singkat Fasa-ground Fasa

Fasa R

Fasa S

Fasa T



mean 2.047

3.847

236.4

-236.4

472.8

175.6

|median Dev| 185

0 -0.529

0 0.6189

123.6 201.4

-123.6 -201.4

247.3 402.8

82.04 151.4

78.87 160.5

70.97 138.7

0 -0.8932

0 -0.2983

107.9 220.1

-107.9 -220.1

215.9 440.2

69.32 165.3

70.9 175.7

59.79 151.1

0

0

116.8

-116.8

233.6

75.79

71.9

65.42

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 24 x 4 = 384 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 14.

StDev

|mean Dev| 160.7

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 10. Tabel 10. Nilai keluaran tiap neuron Keadaan motor Normal HS Sefasa HS Fasa-fasa HS F-G

Gambar 14. Grafik pola data pelatihan JST

Range

Keluaran JST Neuron1

Neuron2

Neuron3

Neuron4

0.997013

0.013915

0.006623

0

0.012383

0.966813

0.006861

0.014181

0.002273

0.002275

0.995042

0.006345

0.000306

0.007208

0.001577

0.993926

Setelah dilakukan pembelajaran terhadap ke-16 pola fitur sinyal arus dan tegangan 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 11. Table 11. Keluaran JST Keadaan Motor

Normal

HS sefasa

HS fasafasa

HS fasaground

0.992382 0.98386 0.981969 0.973418 0.982292 0.989765 0.979231 0.989408 0.010037 0.01174 0.010024 0.010147 0.011269 0.019942 0.00836 0.011151 0.005733 0.005442 0.005276 0.00648 0.00511 0.007236 0.005143 0.005762 0 0 0 0 0 0 0 0

Keluaran JST 0.012066 0.006709 0.023737 0.004683 0.033396 0.00571 0.036159 0.005979 0.150806 0 0.017226 0.004807 0.023285 0.006255 0.024351 0.003999 0.981326 0.001522 0.977567 0.001287 0.981208 0.001641 0.981045 0.001221 0.976153 0.001444 0.962565 0.00212 0.980164 0.0021 0.976703 0.001902 0.007859 0.994422 0.007626 0.993368 0.007397 0.993353 0.006749 0.995129 0.007752 0.99317 0.005996 0.995363 0.009419 0.993733 0.007341 0.993808 0.019961 0.005909 0.00766 0.007759 0.021208 0.004827 0.020293 0.005941 0.01288 0.007325 0.014859 0.006965 0.013521 0.006721 0.021718 0.005088

0.000119 0.000175 0.000204 0.000249 0.986548 0.000131 0.00025 0 0.007441 0.007358 0.008116 0.007987 0.007151 0.004454 0.008701 0.006938 0.001516 0.001874 0.002241 0.001637 0.00215 0.001633 0.001165 0.001538 0.992208 0.994423 0.986222 0.992376 0.993785 0.993288 0.993487 0.983467

Berdasarkan Tabel 11 hasil identifikasi JST dapat dikelompokkan berdasarkan kondisi belitan statornya. Hasil identifikasi JST berdasarkan kondisi belitan stator dapat dilihat pada Tabel 12. Table 12. Hasil identifikasi JST Kondisi motor Normal Normal HS sefasa HS fasa-fasa HS fasa-ground

87.5 0 0 0

Identifikasi JST (%) Sefasa FasaFasafasa Ground 0 0 12.5 100 0 0 0 100 0 0 0 100

KESIMPULAN Berdasarkan analisis yang telah dilakukan dapat diambil kesimpulan sebagai berikut: 1. Sinyal arus dan tegangan domain frekuensi hasil pengolahan discrete wavelete transform dapat merepresentasikan bentuk gelombang yang dianalisis sehingga dapat digunakan sebagai masukan JST. 2. Kombinasi transformasi wavelet dan JST yang digunakan untuk menganalisis dan mengidentifikasi jenis gangguan pada motor induksi tiga fasa tanpa beban sesuai penelitian ini dapat mengidentifikasi 100% data pelatihan dan mengidentifikasi 95% data validasi.

PENGEMBANGAN Sistem ini hanya bisa digunakan untuk mendeteksi hubung singkat pada belitan stator pada motor induksi dalam keadaan tanpa beban, ke depan 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., Ibu Vita Listyaningrum 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] 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. [4] S.A. Nasar, “Hanbook of electric Machines”, New York: Mc Graw Hill, Chapter 3 dan 4, 1987. [5] 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. [6] Mauridhi Hery P. dan Agus Kurniawan, “Supervised Neural Networks dan Aplikasinya”, Graha Ilmu, Yogyakarta, 2006. [7] Ika Damayanti, Metode Wavelet Untuk Peramalan Time SeriesYang Non Stasioner, Tesis Jurusan Statistika FMIPAITS, Surabaya 2008. [8] Antoniou, Andreas. Digital Filters: Analysis, Design, and Applications Singapore: McGraw-Hill Inc. 1993. [9] Soliman, Samir S. dan Mandyam D. Srinath. Continuous and Discrete Signals and Systems. New Jersey, USA: Prentice-Hall Inc. 1990. [10] Irda Winarsih, dkk. Implementasi Filter Digital IIR Butterworth. Jakarta: JETri, Volume 2, Nomor 2, Februari 2003. [11] GW Instek, “GRS60x2 PC Remote Contrl Program”, User Manual, 2002. [12] 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 Lahir di Magetan, 25 Juni 1986, Nanang Hardianto memulai jenjang pendidikannya di SDN Kepanjen Lor V Blitar, SLTPN 1 Blitar, serta SMAN 1 Blitar hingga lulus tahun 2005. Pada tahun yang sama, penulis masuk ke Jurusan Teknik Elektro FTI-ITS lewat jalur SPMB dan mengambil bidang studi Teknik Sistem Tenaga.



DETEKSI HUBUNG SINGKAT PADA BELITAN STATOR MOTOR INDUKSI TIGA FASA TANPA BEBAN MENGGUNAKAN JARING SYARAF TIRUAN

Recommend Documents