SEMINAR TUGAS AKHIR JUNI 2013
DETEKSI KERUSAKAN ROTOR BAR MOTOR INDUKSI MENGGUNAKAN ANALISIS ARUS OUTPUT INVERTER BERBASIS WAVELET Oleh:
Rifaldy Swasetyasakti
2209100080
Dosen Pembimbing
Prof. Ir. Mochamad Ashari, M.Eng., PhD. Ir. Teguh Yuwono Teknik Sistem Tenaga Jurusan Teknik Elektro ITS 1
Latar Belakang Hampir seluruh proses industri menggunakan MOTOR INDUKSI (rotor sangkar) KERUSAKAN ROTOR BAR akan menginisiasi kerusakan pada bagian-bagian lain motor induksi
MONITORING harus mematikan kerja Motor TUGAS AKHIR ini berfokus pada perancangan sistem deteksi kerusakan rotor bar yang dapat diaplikasikan secara online untuk monitoring motor induksi Sistem DETEKSI KERUSAKAN ROTOR BAR BERBASIS WAVELET dinilai lebih unggul dari pada metode lain seperti FFT 2
Rumusan Masalah Kerusakan Rotor Bar menyebabkan masalah yang serius bagi industri sehingga memerlukan proses monitoring kondisi setiap saat Sistem deteksi kerusakan rotor bar berbasis FFT memiliki kelemahan dalam proses implementasi Hampir sebagian besar motor menggunakan pengendali inverter
induksi
Sistem deteksi kerusakan rotor bar secara online diperlukan untuk meminimalisir kerugian industri akibat proses maintenance yang tidak terjadwal 3
Batasan Masalah 1. Motor Induksi ROTOR SANGKAR 3 PHASA 2. Proses PENGAMBILAN DATA dan ANALISIS mengenai arus dilakukan pada motor induksi dalam keadaan STEADY STATE
3. Pengolahan sinyal berbasis pada DISCRETE WAVELET TRANSFORM (DWT) pada bagian Detail Coefficientnya 4. Analisis kerusakan dilakukan terhadap ARUS OUTPUT INVERTER 4
Alur Perancangan Sistem Pengolahan Data
Eksperimen
Analisa karakteristik KERUSAKAN ROTOR BAR
Analisis Hasil Pengujian
Konfigurasi Peralatan
Perancangan Pengolahan sinyal
Pengujian Sistem Deteksi Kerusakan Rotor Bar
Perancangan Artificial Neural Network (ANN)
5
Karakteristik Kerusakan Rotor Bar
Distribusi arus rotor tidak uniform
Distribusi fluks tidak sinusoidal
FREKUENSI TAMBAHAN pada arus stator yang lebih dan lebih kecil dari frekuensi fundamental
BACK EMF Induksi medan rotor stator
Induksi balik dengan GGL yang terdistorsi
Deteksi Kerusakan Rotor Bar yang lain: Vibrasi, Panas, dan Starting KURANG MAKSIMAL UNTUK MEMONITORING KERUSAKAN 6
Arus Output Inverter Arus output inverter pada dasarnya merupakan arus sinusoidal terdistorsi karena keterbatasan proses switching komponen power electronics pada INVERTER
NORMAL
1,5
Arus (A)
1 0,5
0 -0,5 0
0,05
0,1
0,15
0,2
0,25
-1 -1,5
Waktu (s)
4 Kerusakan Rotor
2
Arus (A)
1 0 0
0,05
0,1
0,15
0,2
0,25
-1 -2
Waktu (s) 7
Karakteristik Kerusakan Rotor Bar Hasil FFT pada Arus Output Inverter
Normal
4 Kerusakan Rotor 8
Keseluruhan Sistem Deteksi Kerusakan Motor Induksi 3 Phasa Variable Speed Drive
Sumber 3 phasa
Analog to Digital Converter
Pembebanan Mekanik 0,5 Nm 1,0 Nm 1,5 Nm
Peralatan Pengukuran Sinyal
Transformasi Wavelet
Power Detil Density (PDD)
Sinyal arus
Artificial Neural Network (ANN) Diagnosa Kerusakan
Wavelet Details File .xls
File .xls
9
Konfigurasi Peralatan 3 mm 3 mm
Laminasi Rotor 3 mm
Rotor Bar Laminasi Rotor
Parameter
Keterangan
Normal
Tanpa Kerusakan Rotor Bar
4 BRB
Kerusakan 4 Rotor Bar
Dipilih karena efek perubahan arus motor induksi yang paling besar: Perubahan Magnitude Arus fundamental
Lubang dibuat sama
Konfigurasi Peralatan Oscilloscope GRS 6052
Sampling
5kS/s (20mv/div) 2kS/s(50mv/div)
Amplifier Mensensing Arus, dan melindungi oscilloscope
FREKUENSI SAMPLING merupakan parameter penting dalam proses PEMECAHAN dan REKONSTRUKSI sinyal
11
Perancangan Pengolahan Sinyal Terdiri dari 2 TAHAPAN pengolahan sinyal 1. DISCRETE WAVELET TRANSFORM (DWT) 2. POWER DETAIL DENSITY (PDD) METODE PENGOLAHAN sinyal digunakan untuk membentuk Sistem Deteksi Kerusakan yang Dapat Diaplikasikan secara online DWT akan memproses sinyal arus kedalam level dekomposisi yang memiliki band frekuensi tertentu
Proses pengolahan sinyal DWT-PDD dinilai lebih unggul dibandingkan dengan FFT karena kemudahan dalam proses TRANSFORMASI serta NORMALISASI PENSKALAAN 12
Listing Pengolahan Sinyal Merupakan bentuk pengklasifikasian sinyal berdasarkan fungsi skala dan pergeseran (sampling) Spesifikasi DWT Jenis DWT Orde
Deubaches (db) 29
Level Dekomposisi
9
Sampling frekuensi
2/ 5 kS/detik
DEUBACHES Keunggulan dalam dekomposisi sinyal ASIMETRI
ORDE WAVELET akan menentukan KARAKTERISTIK FILTER dan FUNGSI PENSKALAAN dipilih untuk meminimalisir adanya INTERPOLASI (irisan) antara dua level dekomposisi 13
Perancangan Pengolahan sinyal 250 data
a[n]
PEMECAHAN
a2
2
d2
250 data
500 data
a[n]
2
d[n]
2 a1
1000 data
S
500 data
d[n]
2
d1
TRANSFORMASI SINYAL SUMBER
FUNGSI SKALA
FUNGSI WAVELET
REKRONSTRUKSI 14
Perancangan Pengolahan sinyal PDD
S
9a d9
d8
d7 d6
300 250
d4
d3 d2
Magnitude
d5
200 150 100
50 00
d1
d1
d2
d3 d4 d5 d6 d7 Dekomposisi DWT-PDD
d8
d9 15
Perancangan Pengolahan sinyal DWT
PDD
START Input data sinyal hasil pengukuran
START
Proses Dekomposisi Wavelet
Rekronstruksi sinyal hasil pengukuran
Rekronstruksi sinyal pada tiap level dekomposisi
Memecah sinyal dengan fungsi Highpass dan Lowpass filter
Perhitungan PDD pada tiap level dekomposisi
Transformasi Wavelet berdasarkan fungsi skala dan waktu Apakah level telah sesuai ? Ya Rekronstruksi sinyal pada tiap level dekomposisi END
Penyimpanan data dalam format .xls Tidak
Representasi Grafik END 16
Perancangan ANN A T RS
Spesifikasi ANN
Fungsi Pembelajaran Input Layer
Trainlm nagned tupnI isasi lm arN o (backpropagation) isasi lmaron isgnuf 9 Neuron ,nahi talep isaisinI lw aa ial in ,gnam binep
Hidden Layer
250 Neuron ial in nakgnidnam M be
Output Layer Iterasi Maksimal
rorre
2 Neuron 1000
kadi t
t inu naham baneP urab iynum besret
’rrE= rrE
156 data
80% untuk training Fitur Sinyal
ay nagni raj iskudeR
10% untuk validasi 10% untuk test
kadi t
rauytkur ts i racnM e gni lap gnay m uinm i
t inu nahi taleP iynum besret urab nahi taleP nagni raj iskuderet
N D E
17
Diagnosa Otomatis dengan ANN TARGET ANN
OUTPUT ANN
15
30
10 Nilai Target
10
5
0 0
20
40
60
80
-10 -20
0 0
20
40
60
80
100
120
140
160
Data ke-
-30
Data ke-
ERROR 30 20 Nilai Error
Nilai Target
20
10 0 0
20
40
60
80
-10
-20 -30
Data ke
100
120
140
160
100
120
140
160
Pengujian 1: Sistem Secara Keseluruhan 300
250
Magnitudo
200
150 Normal 4 brb
100
50
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
00 d1
d2
d3
d4
d5
d6
d7
Dekomposisi DWT-PDD
d8
d9
Sistem mampu mendeteksi KERUSAKAN ROTOR BAR dengan menunjukkan selisih antara kondisi NORMAL dan RUSAK pada Arus output inverter
19
Pengujian 2: Frekuensi Sampling Berbeda 2000 S/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 0 - 6 Hz
300
300
250
250
200 150 Normal 100
4 brb
50 00
Magnitudo DWT-PDD
Magnitudo DWT-PDD
Detail Dekomposisi DWT Level 1 Level 2 Level 3 Level 4 Level 5 Level 6 Level 7 Level 8 Level 9
5000 S/detik 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 – 14 Hz
200 150 100 50 00
d1
d2
d3
d4
d5
d6
d7
d8
Dekomposisi DWT-PDD pada 2kS/detik
d9
d1
d2
d3
d4
d5
d6
d7
d8
d9
Dekomposisi DWT-PDD pada 5kS/detik
20
0,5 Nm
Magnitudo DWT-PDD
Pengujian 3: Pembebanan Bervariasi 300 250 200 150 100 050 000
Normal 4 BRB
d1
d2
d3
d4
d5
d6
d7
d8
d9
1,0 Nm
Magnitudo DWT-PDD
Dekomposisi DWT-PDD 400 300 Normal 4 BRB
200 100
000 d1
d2
d3
d4
d5
d6
d7
d8
d9
1,5 Nm
Magnitudo DWT-PDD
Dekomposisi DWT-PDD 500 400 300 200 100 000
Normal
4 BRB d1
d2
d3
d4
d5
d6
Dekomposisi DWT-PDD
d7
d8
d9
21
Pengujian 4: Perbandingan Teori - Pengujian Hasil Perhitungan Kondisi
f.brb 0 Nm
slip saat 0 Nm
4 BRB
0,01
Kondisi
49,27
slip saat 1,0 Nm
4 BRB
slip saat 0,5 Nm 50,73
f.brb 1,0 Nm
0,06
44,33
55,67
f.brb 0,5 Nm
0,03
47,33
52,67
f.brb 1,5 Nm
slip saat 1,5 Nm 0,09
40,53
59,47
Hasil Pengujian 300
Magnitudo DWT-PDD
Magnitudo DWT-PDD
300 250
200 150 100
50
250 200 150 100 50
00
00 d1
d2
d3
d4
d5
d6
d7
d8
Dekomposisi DWT-PDD pada 5kS/detik
d9
d1
d2
d3
d4
d5
d6
d7
d8
Dekomposisi DWT-PDD pada 2kS/detik
d9
Normal 4 brb 22
Pengujian Sistem dan Analisa Sinyal pengujian ke-
Kondisi sebenarnya
Target ANN
Output ANN
Error
Diagnosa
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
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
10 10 10 10 10 10 10 10 10 10 0 0 0 0 0 0 0 0
13 4 11 7 15 11 8 11 9 -3 0 2 6 2 0 -4 -1 0
3 -6 1 -3 5 1 -2 1 -1 -13 0 2 6 2 0 -4 -1 0
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
19
Normal
0
15
15
4 brb
20
Normal
0
-1
-1
Normal 23
KESIMPULAN PDD-DWT MAMPU MENDETEKSI KERUSAKAN ROTOR BAR motor induksi dengan mengklasifikasikan sinyal arus menjadi beberapa band frekuensi Frekuensi sampling hanya akan mempengaruhi band klasifikasi frekuensi DWT dan tidak merusak proses rekronstruksi magnitudo spektrum, VARIASI PEMBEBANAN akan mempengaruhi besar magnitudo sinyal arus namun TIDAK MEMPENGARUHI PDD-DWT
PENAMBAHAN PERANGKAT ANN mampu mendiagnosa kerusakan dengan 20% kesalahan melalui proses pengujian yang melibatkan 20 sample sinyal. 24
PENUTUP
SEKIAN DAN TERIMA KASIH
25
