DETEKSI HUBUNG SINGKAT PADA BELITAN STATOR MOTOR INDUKSI TIGA FASA TANPA BEBAN MENGGUNAKAN JARING SYARAF TIRUAN
Presenter
: Nanang Hardianto (2205.100.196)
Pembimbing
: P r o f . D r. I r M a u r i d h i H e r y P. , M . E n g . V i t a L i s t y a n i n g r u m , S . T. , M . S c .
Teknik Sistem Tenaga Jurusan Teknik Elektro - ITS Surabaya 2010 mONDAY, jUNE 14 TH 2010
1
PENDAHULUAN
2
TEORI PENUNJANG
3
METODOLOGI
4
HASIL DAN ANALISIS
5
KESIMPULAN
Latar Belakang (1) Tahapan Kerusakan Motor Periodic
Very Short Duration
Very Short Duration
Low Current/ high impedance
Low Current/ high impedance
1
2
Permanent Low Current
3
Normal Speed, Normal Torque Low Noise
Permanent High Current
4
Decrease Speed, Torque High Noise
Short circuit condition
S T O P 5
Performance
Temporary Fault/ Non-periodic
Latar Belakang (2) Tahapan Kerusakan Motor Temporary Fault/ Non-periodic
Periodic
Very Short Duration
Very Short Duration
Low Current/ high impedance
Low Current/ high impedance
1
Permanent
Permanent Low Current
3
2
High Current
4
5
Detection Based on Fokus Penelitian :
Pattern of frequency content [1][2] High Frequency Signal pattern [3]
Identifikasi gejala hubung singkat
Normal
Normal
Fault
Fault
S T O P
Permasalahan
1. Bagaimana suatu bentuk gelombang arus dan tegangan dapat direpresentasikan menjadi masukkan jaring saraf tiruan sehingga dapat mewakili bentuk gelombang yang diolah. 2. Bagaimana performansi jaring mengidentifikasi kerusakan motor.
saraf
tiruan
dalam
Batasan Masalah
1. Motor yang digunakan adalah motor induksi tiga fasa dengan kondisi tanpa beban 2. Gangguan yang dianalisis adalah hubung singkat sefasa, fasa-fasa dan fasa-ground pada belitan stator motor induksi tiga fasa 3. Jaring saraf tiruan menggunakan metoda pelatihan backpropagation
Tujuan
1. Menentukan representasi bentuk gelombang menjadi masukan jaring saraf tiruan, sehingga dapat diolah dengan menggunakan algoritma jaring saraf tiruan. 2. Menguji parameter-parameter jaring saraf tiruan sehingga diketahui performansi jaring saraf tiruan yang digunakan.
Relevansi
1. Menjadi referensi mengenai metoda baru yaitu kombinasi transformasi wavelet dan jaring saraf tiruan untuk mendeteksi hubung singkat pada motor 2. Menjadi alat bantu bagi perusahaan untuk mengidentifikasi keadaan motor induksi tiga fasa
1
PENDAHULUAN
2
TEORI PENUNJANG
3
METODOLOGI
4
HASIL DAN ANALISIS
5
KESIMPULAN
Jaring Syaraf Tiruan Artificial neural network (ANN) adalah sebuah sistem pemroses informasi dengan karakteristik tertentu yang dibuat menyerupai suatu jaring saraf biologis.
Proses belajar (learning) bagi ANN merupakan proses mengatur nilai bobot penimbangnya untuk mendapatkan nilai yang terbaik dengan melatih ANN menggunakan sekumpulan data, menurut unjuk kerja sistem yang dikehendaki [7].
Backpropagation Neural Network Algoritma pelatihan backpropagation neural network (BPNN) terdiri dari dua proses utama, yaitu feed forward dan backpropagation dari error-nya [7].
Discrete Wavelet Transform Transformasi wavelet dalam konteks pemrosesan sinyal adalah sebuah metode untuk mendekomposisi sinyal masukan yang diinginkan menjadi gelombang lain.
Proses dekomposisi
Proses dekomposisi melibatkan dua filter, yaitu low pass filter dan high pass filter. Hasil yang diperoleh berupa sinyal aproksimasi cA dan sinyal detail cD.
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.
LPF
1
PENDAHULUAN
2
TEORI PENUNJANG
3
METODOLOGI
4
HASIL DAN ANALISIS
5
KESIMPULAN
Diagram Alir Deteksi H.S.
Perangkat Percobaan
Spesifikasi Motor Three Phase Induction Motor
• • • • • •
220/380 volt 50 Hz cos Ф = 0.7 250 kWatt 1.42/0.82 A 4 kutub
Wiring Diagram
Pengambilan Data
Tampilan remote control program [9]
Pengolahan Data
• Data dikelompokkan menjadi dua bagian yaitu data pelatihan dan data pengujian atau validasi. • Masing-masing data kemudian diolah menggunakan transformasi wavelet diskrit dengan lima tingkat dekomposisi. • Dari kelima tingkat dekomposisi tersebut dipilih fitur-fitur sinyal yang dapat merepresentasikan gelombang arus dan tegangan stator motor.
• Fitur-fitur tersebut selanjutnya digunakan sebagai masukan untuk data pelatihan maupun data pengujian.
Sistem Identifikasi JST sebagai Metode Pendeteksi Kerusakan Belitan Stator
Input JST 24 neuron
70 neuron
4 neuron
Output JST
Identifikasi keadaan motor Keadaan motor Normal
Keluaran JST [1 0 0 0]
H.S Sefasa
[0 1 0 0]
H.S Fasa-fasa
[0 0 1 0]
H.S Fasa-Ground
[0 0 0 1]
1
PENDAHULUAN
2
TEORI PENUNJANG
3
METODOLOGI
4
HASIL DAN ANALISIS
5
KESIMPULAN
Data Arus dan Tegangan Stator Motor
(b)
(a) Gambar (a) Arus normal; (b) Tegangan normal
Dekomposisi Wavelet
Dekomposisi Arus Normal
Dekomposisi Tegangan Normal
Feature Extraction Tabel fitur siyal arus motor normal
sinyal Domain waktu Dec1 Dec2 Dec3 Dec4 Dec5
mean
0.0078 0 0 0 0 0
median
0.009 0 0 0 0 0
maks
0.7998 0.0255 0.0508 0.1015 0.1981 0.3634
Fitur sinyal min
-0.7998 -0.0255 -0.0508 -0.1015 -0.1981 -0.3634
Range
1.6 0.0511 0.1017 0.2029 0.3962 0.7268
StDev
0.559 0.018 0.0349 0.0696 0.1366 0.2545
|median Dev| 0.5603 0.017 0.0347 0.069 0.1332 0.2481
|mean Dev| 0.5033 0.0157 0.0313 0.0623 0.1217 0.2267
Tabel fitur sinyal tegangan motor normal
sinyal
Domain waktu Dec1 Dec2 Dec3 Dec4 Dec5
mean
-1.066 0 0 0 0 0
median
-1.596 0 0 0 0 0
maks
219.4 9.017 17.74 35.03 66.48 117
Fitur sinyal min
-219.4 -9.017 -17.74 -35.03 -66.48 -117
Range
438.8 18.03 35.49 70.06 133 234
StDev
165.6 5.296 10.58 21.04 41.14 77.33
|median Dev| 175.5 4.355 9.183 18.12 30.39 74.93
|mean Dev| 151.6 4.373 8.749 17.43 34.63 66.62
Koefisien fitur
Data Pelatihan
Data ke-n
Parameter JST • Fungsi pembelajaran : traingd (Gradient descent - back propagation) • Jumlah layer Input layer : 24 neuron Hidden layer : 70 neuron Output layer : 4 neuron • Fungsi aktivasi Hidden layer : tansig (fungsi sigmoid bipolar) Output layer : logsig(fungsi sigmoid biner) • Iterasi maksimal : 100.000 epochs • Error minimal : 10e-4 • Learning rate : 2,5
Hasil Analisis (1) Nilai keluaran tiap neuron Keadaan motor
Keluaran JST
Output 1 Normal Hubung singkat Sefasa Hubung singkat Fasa-fasa Hubung singkat Fasa-Ground
Output 2
Output 3 Output 4
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
Hasil Analisis (2) Keluaran JST Keadaan Motor Normal
Keadaan Motor
Keluaran JST 0.992382
0.012066
0.006709
0.000119
0.98386
0.023737
0.004683
0.981969
0.033396
0.973418
HS fasa-fasa
Keluaran JST 0.005733
0.007859
0.994422
0.001516
0.000175
0.005442
0.007626
0.993368
0.001874
0.00571
0.000204
0.005276
0.007397
0.993353
0.002241
0.036159
0.005979
0.000249
0.00648
0.006749
0.995129
0.001637
0.982292
0.150806
0
0.986548
0.00511
0.007752
0.99317
0.00215
0.989765
0.017226
0.004807
0.000131
0.007236
0.005996
0.995363
0.001633
0.979231
0.023285
0.006255
0.00025
0.005143
0.009419
0.993733
0.001165
0.989408
0.024351
0.003999
0
0.005762
0.007341
0.993808
0.001538
Hasil Analisis (3) Keluaran JST Keadaan Motor HS sefasa 0.010037
0.981326
0.001522
Keadaan Motor HS fasa0.007441 ground
0.01174
0.977567
0.001287
0.007358
0
0.00766
0.007759
0.994423
0.010024
0.981208
0.001641
0.008116
0
0.021208
0.004827
0.986222
0.010147
0.981045
0.001221
0.007987
0
0.020293
0.005941
0.992376
0.011269
0.976153
0.001444
0.007151
0
0.01288
0.007325
0.993785
0.019942
0.962565
0.00212
0.004454
0
0.014859
0.006965
0.993288
0.00836
0.980164
0.0021
0.008701
0
0.013521
0.006721
0.993487
0.011151
0.976703
0.001902
0.006938
0
0.021718
0.005088
0.983467
Keluaran JST
Keluaran JST 0
0.019961
0.005909
0.992208
Identifikasi JST
Kondisi motor
Identifikasi JST (%) Normal
Sefasa
Fasa-fasa
FasaGround
87.5 0
0 100
0 0
12.5 0
HS fasa-fasa
0
0
100
0
HS fasa-ground
0
0
0
100
Normal HS sefasa
Kesimpulan 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.
Daftar Pustaka 1. Jee-Hoon Jung, Jong-Jae Lee, and Bong-Hwan Kwon, “Online Diagnosis of Induction Motors Using MCSA”,
IEEE Trans. Industrial Electronics., vol. 53, no. 6, December 2006. 2. Hugh Douglas, Pragasen Pillay, and Alireza K. Ziarani, “A New Algorithm for Transient Motor Current Signature
Analysis Using Wavelets”, IEEE Trans. Industry Applications., vol. 40, no. 5, September/October 2004.
3. M.A.S.K. Khan, T.S. Radwan, and M.A. Rahman, “Diagnosis and Protection of IPM Motors Using Wavelet
Packet Transform”, Industry Applications Conference, 2006. 41st IAS Annual Meeting. Conference Record of the 2006 IEEE.
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
FMIPA-ITS, Surabaya 2008. 9. GW Instek, “GRS60x2 PC Remote Contrl Program”, User Manual, 2002. 10. Jong Jek S., “Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab”, Andi, Yogyakarta, 2006. 11. 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.
