Proseding Seminar Tugas Akhir Teknik Elektro Juni 2013
1
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] 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
M
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
Proseding Seminar Tugas Akhir Teknik Elektro Juni 2013
2
S
S
a9
a9
d9
d9
d8
d8
d7
d7
d6
d6
d5
d5
d4
d4
d3
d3
d2
d2
d1
d1
(a) (b) Gambar 1. Hasil dekomposisi DWT pada motor induksi (a) Normal (b) dengan kerusakan 4 rotor bar
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 [𝐼 𝑇 0 𝑅
𝑡 𝑥 𝜑 𝑡 ]2 𝑑𝑡
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
Magnitudo
dan mengalami kerusakan rotor bar dalam beberapa kondisi dan konfigurasi sistem yang digunakan.
(1)
300 250 200 150 100 50 0 d1
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
d2
d3
d4
d5
d6
d7
d8
d9
Level Detail Coefficient DWT 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
Proseding Seminar Tugas Akhir Teknik Elektro Juni 2013 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 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.
3 mm
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.
3 mm
(a)
START
START
Input data sinyal hasil pengukuran
Proses Dekomposisi Wavelet
Laminasi Rotor Rotor Bar
3 mm
Laminasi Rotor
(b)
Rekronstruksi sinyal hasil pengukuran
Rekronstruksi sinyal pada tiap level dekomposisi
Gambar 3.Rekronstruksi kerusakan rotor bar Dekomposisi sinyal dengan DWT
Tabel 1. Data Motor Induksi
NILAI
PARAMETER MOTOR INDUKSI Daya Rating
0,18 kW / 0,25 Hp
Jumlah Pole Tegangan Rating Arus Rating Kecepatan Rating Jumlah Konduktor Rotor Faktor Daya
4 380 V (koneksi Y) 0,6 A 1310 rpm 22 0,73
Sumber 3 phasa
Apakah Dekomposisi sesuai ?
tidak
Penyimpanan data dalam format .xls
ya Rekronstruksi sinyal pada tiap level dekomposisi
Representasi Grafik
END
END
Motor Induksi 3 Phasa
Variable Speed Drive
Perhitungan PDD pada tiap level dekomposisi
(a) 0,5 Nm 1,0 Nm 1,5 Nm
(b)
Gambar 5. Diagram Alir (a) Proses DWT (b) Proses PDD Tabel 2. Spesifikasi DWT Spesifikasi DWT
Analog to Digital Converter
DWT
Peralatan Pengukuran
Power Detil Density (PDD)
Artificial Neural Network (ANN)
Sinyal arus
Jenis DWT
Diagnosa Wavelet Details
File .xls
Deubaches (db)
Orde Level Dekomposisi Sampling frekuensi
29 9 2000 / 5000 Sampling/detik
Tabel 3. Data Parameter ANN
PARAMETER ANN File .xls
Gambar 4.Skema sistem deteksi kerusakan rotor bar yang dirancang dalam Tugas Akhir.
Fungsi Pembelajaran Input Layer Hidden Layer Output Layer Iterasi Maksimal Fitur Sinyal
Trainlm (backpropagation) 9 Neuron 250 Neuron 2 Neuron 1000 156 data
Proseding Seminar Tugas Akhir Teknik Elektro Juni 2013
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.
START
Normalisasi Input dengan fungsi normalisasi
Inisiasi pelatihan, penimbang, nilai awal Membandingkan nilai error tidak Err = Err’
Penambahan unit tersembunyi baru
Pelatihan unit tersembunyi baru
Mencari struktur yang paling minimum
Pelatihan jaringan tereduksi
ya Reduksi jaringan tidak
ya
4
END
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.
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. 300 250
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.
200
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
Magnitudo
V. PENGUJIAN SISTEM DAN ANALISA DATA
150 Normal
100
4 brb
50 00 d1 d2 d3 d4 d5 d6 d7 d8 d9 Dekomposisi DWT-PDD
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
Proseding Seminar Tugas Akhir Teknik Elektro Juni 2013
juga harus dilakukan penyesuaian dalam haal frekuensi sampling dan normalisasi fungsi magnitudo yang akan membuat sistem yang dirancang tidak maksimal
300
Magnitudo
250 200 150 100 50 00 d1
d2
d3
d4
d5
d6
d7
d8
d9
Dekomposisi DWT-PDD dengan 5kS/detik
300
Magnitudo
250 200 150 100 50 00 d1
d2
d3
d4
d5
d6
d7
d8
d9
Dekomposisi DWT-PDD dengan 2kS/detik
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 LEVEL 1 LEVEL 2 LEVEL 3 LEVEL 4 LEVEL 5 LEVEL 6 LEVEL 7 LEVEL 8
2 KS/DETIK
5 KS/DETIK
390 - 1000 Hz 180 - 630 Hz 90 - 230 Hz 48 - 143 Hz 38 - 78 Hz 15- 40 Hz 6 – 20 Hz 2 - 10 Hz
950 - 2500 Hz 450 - 1600 Hz 200 - 850 Hz 100 - 400 Hz 40 - 200 Hz 23 - 80 Hz 12 - 50 Hz 2,5 - 23 Hz
0 - 6 Hz
0 – 14 Hz
LEVEL 9
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.
300
350
450
250
300
400 350
150 100
Magnitudo
250
200
Magnitudo
Magnitudo
5
200 150 100
050 000 d1 d2 d3 d4 d5 d6 d7 d8 d9 Dekomposisi DWT-PDD pada 0,5 Nm Load
300 250 200 150 100
050
050
000
000 d1 d2 d3 d4 d5 d6 d7 d8 d9 Dekomposisi DWT-PDD pada 1,0 Nm Load
Gambar 9. Hasil pengujian DWT-PDD pada beberapa tingkat pembebanan berbeda
d1 d2 d3 d4 d5 d6 d7 d8 d9 Dekomposisi DWT-PDD pada 1,5 Nm Load
Proseding Seminar Tugas Akhir Teknik Elektro Juni 2013
6 VI. KESIMPULAN DAN RINGKASAN
Tabel 5.Hasil Pengujian ANN
KONDISI
PENGUJIA N KE -
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
TARGET
4 brb 4 brb 4 brb 4 brb 4 brb 4 brb 4 brb 4 brb 4 brb 4 brb Normal Normal Normal Normal Normal Normal Normal Normal Normal Normal
OUTPUT
ERROR
DIAGNOSA
13 4 11 7 15 11 8 11 9 -3 0 2 6 2 0 -4 -1 0 15 -1
3 -6 1 -3 5 1 -2 1 -1 -13 0 2 6 2 0 -4 -1 0 15 -1
4 brb Normal 4 brb 4 brb 4 brb 4 brb 4 brb 4 brb 4 brb Normal Normal Normal 4 brb Normal Normal Normal Normal Normal 4 brb Normal
10 10 10 10 10 10 10 10 10 10 0 0 0 0 0 0 0 0 0 0
Berdasarkan hasil yang telah didapatkan dari proses pengujian dan analisis didapat kesimpulan bahwa PDDDWT 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 120 100
80
Magitudo
SINYAL
60
15
40
Normal
20
4 brb
Nilai Target
0 d1 d2 d3 d4 d5 d6 d7 d8 d9
10
Dekomposisi DWT-PDD 5
Gambar 11.Hasil pengujian sistem dengan DWT-PDD (merah) motor induksi normal (biru) dengan kerusakan 4 rotor bar
0 0
50
100
Pola Masukan
150
Data ke-
A1
BRB1
A2
BRB2
2x1 dimensi
2x1 dimensi
D2
30 D3
20
Nilai Target
Pola Target
D1
(a)
10 0 -10
0
50
100
150
D4
-20
9 x 156 dimensi
Lapisan Keluaran (2 Neuron)
DAFTAR PUSTAKA 1.
30 20
2.
10
3.
0 50
100
150 4.
-20 -30
Lapisan Tersembunyi (250 Neuron)
Data ke(b)
-10 0
Lapisan Masukan (9 Neuron)
Gambar 12.Topologi ANN yang digunakan oleh sistem
-30
Nilai Error
Pola Keluaran
Data ke
5. 6.
(c) Gambar 10. Hasil pelatihan ANN (a)Target ANN (b)Output ANN (c) Error yang terjadi
7.
Aderiano M. da Silva, B.S., “Induction Motor Fault Diagnostic And Monitoring Methods”, Mei 2006, Marquette University, Milwaukee, Wisconsin. Khalaf Salloum Gaeid, Hew Wooi Ping, “Wavelet Fault Diagnosis of Induction Motor”, University of Malaya, Malaysia. Neelam Mehala, Ratna Dahiya, “Motor Current Signature Analysis And Its Applications In Induction Motor Fault Diagnosis”, International Journal Of Systems Applications, Engineering & Development, 2007. 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. Michel Misiti, Yves Misiti, Georges Oppenheim, Jean-Michel Poggi, “Wavelet Toolbox™ Getting Started Guide”, 2013 Stephen J. Chapman, “Electric Machinery Fundamentals Fourth Edition”, 2005, McGraw-Hill, New York. 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.