REKAYASA (TEKNIK PROSES)
LAPORAN AKHIR HIBAH BERSAING
SISTEM IDENTIFIKASI DAN DIAGNOSIS GANGGUAN PADA FAN INDUSTRI BERBASIS KECERDASAN BUATAN
Tahun ke-2 dari rencana 2 tahun
Dr. Ir. Dian Retno Sawitri, MT - 0616076701 Dr. Ing. Vincent Suhartono - 0608105403 M. Ary Heryanto, S.T., M.Eng - 0631057304
UNIVERSITAS DIAN NUSWANTORO SEMARANG DESEMBER – 2013
RINGKASAN
Fan secara luas telah digunakan dalam kegiatan industri, baik sebagai pengkondisi udara maupun penanganan material. Untuk menggerakkan fan menggunakan 78.8 juta kilowatt jam energi setiap tahun. Dari jumlah tersebut 15% nya digunakan untuk menggerakkan motor. Gangguan pada fan khususnya gangguan pada motornya akan menyebabkan gangguan pada pasokan udara dan timbulnya suara bising yang menganggu. Gangguan yang tidak segera diperbaiki akan menyebabkan pemborosan energi. Untuk mendiagnosis gangguan pada fan industri sedini mungkin, telah dibuat sebuah system berbasis kecerdasan buatan. Sistem ini terdiri dari 4 angkah yang meliputi denoising, feature calculation, feature extraction, classification, Analyze Performa Classification. Denoising untuk menghilangkan derau menggunakan transformasi wavelet, perhitungan fitur dengan operasi statistic, ekstraksi fitur menggunakan principal component analysis (PCA), dan klasifikasi menggunakan Support Vector Machine (SVM). yang terakhir untuk menguji performa pengklasifikasi (classifier) digunalan analisa menggunakan perangkat yang disebut Receiver Operating Characteristic (ROC). Dengan ROC ini dapat dinilai apakah classifier yang digunakan memiliki performa yang baik atau tidak. Untuk menguji system yang diusulkan, dilakukan pembangkitan data melalui sebuah eksperimen dengan sebuah prototype. Dengan prototype tersebut, dibangkitkan data gangguan yang meliputi gangguan kelistrikan yang terdiri atas frekuensi yang bervariasi, hubung singkat antar lilitan stator, dan ketidakseimbangan tegangan. Hasil aplikasi system pada data yang dibangkitkan menunjukkan bahwa SVM memiliki performa yang “cukup baik” untuk mendeteksi gangguan kelistrikan pada fan industri berdasar parameter arus. Sedangkan gangguan kelistrikan pada fan industri dengan parameter vibrasi dapat diidentifikasi oleh SVM dengan performa yang “baik”. Hasil ini didasarkan pada luas dibawah kurva pada analisis ROC dimana identifikasi gangguan oleh SVM berbasis vibrasi memberikan luas yang lebih besar dibanding hasil identifikasi SVM berbasis arus, dengan nilai AUC berturut-turut adalah 0.8088 untuk vibrasi dan 0.7649 untuk arus. Hasil identifikasi khusus terhadap ketidakseimbangan tegangan memberikan hasil yang baik. Sedangkan identifikasi gangguan berdasarkan sinyal aliran udara yang meliputi kecepatan dan densitas aliran udara memberikan hasil yang kurang memuaskan. Hal ini kemungkinan disebabkan SVM kurang cocok jika diaplikasikan pada parameter aliran udara. Untuk peningkatan kualitas penelitian ini dimasa yang akan datang, system perlu diperbaiki dengan mencoba jenis classifier yang lain, ataupun algoritma ekstraksi fitur yang lain. Perbaikan juga dapat dilakukan dengan menguji system untuk jenis data yang lain. Kata Kunci :
Fan Industri, Motor Induksi, Deteksi Gangguan, Support Vector Machine (SVM), Receiver Operating Characteristic (ROC), Analisa Wavelet, Principal Component Analysis (PCA).
iii
PRAKATA
Puji syukur kehadirat Allah s.w.t, atas karunianya penelitian dengan judul ”Sistem Identifikasi dan Diagnosis Gangguan pada Fan Industri berbasis Kecerdasan Buatan” tahap I telah selesai dilakukan. Penelitian ini dimaksudkan untuk mengembangkan ilmu pada bidang aplikasi sistem cerdas pada deteksi dan diagnosis gangguan (Fault Detection and diagnosis). Plant penelitian menggunakan fan industri mengingat pemakaian peralatan tersebut sangat luas di dunia industri. Jika gangguan pada fan industri dapat dideteksi secara dini maka diharapkan akan memberikan nilai tambah kepada dunia industri, terkait penghematan biaya pemeliharaan dan efisiensi pemakaian bahan bakar, terutama bahan bakar listrik. Selama proses penelitian berlangsung, banyak kendala yang dihadapi peneliti. Kendala tersebut antara lain, saat instalasi prototipe tidak sekali pasang langsung jadi, tetapi perlu bongkar pasang berkalikali sehingga didapatkan rangkaian prototipe yang reliable. Juga dalam aplikasi siste cerdas yaang telah direncanakan, ada perubahan yang signifikan. Pada usulan penelitian awal, ekstraksi fitur cukup menggunakan transformasi wavelet. Namun dalam perjalanan selanjutnya analisa wavelet tidak cukup valid sehingga perlu ditambah dengan algoritma lain yaitu Principal Component Analysi (PCA). Penelitian ini masih jauh dari sempurna. Sistem yang telah dibangun perlu dikembangkan dan diuji lebih lanjut dengan mengaplikasikannya pada data baru atau membandingkannya dengan perangkat sistem cerdas yang lain. Diwaktu yang akan datang, semoga penelitian ini bisa dikembangkan dan disempurnakan lagi sehingga bisa diaplikasikan ke mesin-mesin industri. Akhir kata peneliti mengucapkan terima kasih kepada Direktorat Penelitian Direktorat Pendidikan Tinggi, Depdiknas dan Kopertis Wilayah VI Jawa Tengah yang telah memfasilitasi dan membiayai penelitian ini. Ucapan terima kasih juga peneliti sampaikan kepada jajaran pimpinan Universitas Dian Nuswantoro (Rektor, Wakil Rektor, LPPM, dan Dekan Fakultas Teknik). Terima kasih juga kepada teman-teman anggota penelitian dan para teknisi yang telah membantu, sehingga penelitian ini dapat berjalan dengan lancar. Bagi para pembaca yang membaca laporan penelitian ini, jika sekiranya ada kritik dan saran, maka peneliti dengan terbuka akan menerimanya. Kritik dan saran yang membangun sangat kami harapkan dapat memperbaiki kualitas penelitian ini dimasa yang akan datang.
Semarang, Desember 2013
Peneliti
iv
DAFTAR ISI Halaman Judul ....................................................................................................................
i
Halaman Pengesahan .......................................................................................................
ii
Ringkasan dan Sumary ....................................................................................................
iii
Prakata .............................................................................................................................
iv
Daftar Isi
........................................................................................................................
v
Daftar Tabel ...................................................................................................................
vii
Daftar Gambar .................................................................................................................
viii
Daftar Lampiran ...............................................................................................................
x
Bab I. Pendahuluan ..........................................................................................................
1
Latar belakang ..........................................................................................................
1
Perumusan Masalah..................................................................................................,, ..
3
Bab II. Tinjauan Pustaka ..................................................................................................
4
Deteksi dan Diagnosis Gangguan ............................................................................
4
Fan Industri ................................................................................................................
5
Centrifugal Fan .....................................................................................................
5
Axial Fan .............................................................................................................
6
Gangguan pada Fan Industri .....................................................................................
7
Identifikasi Gangguan Menggunakan Analisa Spektrum Arus ....................................
8
Identifikasi Gangguan Menggunakan Analisa Vibrasi ..............................................
10
Aplikasi Sistem Cerdas untuk Deteksi Gangguan pada Fan ...................................
11
Wavelet Transform, Principal Component Analysis, Support Vector Machine, Emerging Pattern, dan Receiver Operating Characteristic .......................................
13
Bab III. Tujuan dan Manfaat Penelitian ..........................................................................
16
Tujuan Penelitian .....................................................................................................
16
Manfaat dan Keutamaan Penelitian ..........................................................................
16
Bab IV. Metode Penelitian ...............................................................................................
18
Obyek Penelitian ........................................................................................................
18
Tahapan Penelitian ....................................................................................................
18
Bab V. Hasil dan Pembahasan .........................................................................................
23
Identifikasi Gangguan berdasar Analisa Spektrum Arus ............................................ v
23
Hasil Denoising Signal Arus .................................................................................
23
Hasil dari Ekstraksi Fitur
23
...............................................................................
Identifikasi Gangguan berdasar Signal Arus …………………………………..
24
Identifikasi banyak Gangguan ..............................................................................
25
Analisa Performa SVM dengan ROC ........................................................ .........
26
Identifikasi Gangguan berdasar Analisa Spektrum Vibrasi .........................................
28
Identifikasi Gangguan berdasar Analisa Spektrum Vibrasi .....................................
28
Hasil Perekaman Signal Vibrasi ............................................................................
28
Hasil Identifikasi Signal Vibrasi dengan SVM ........................................................
29
Analisis Performa SVM dengan ROC untuk Signal Vibrasi ...................................
29
Hasil Identifikasi Gangguan Ketidakseimbangan Tegangan Berbasis Parameter Arus ..
30
Hasil Identifikasi Berbasis Sinyal Aliran Udara ………………………………………..
32
Bab VI. Kesimpulan dan Saran ...........................................................................................
37
Kesimpulan ...................................................................................................................
37
Saran .............................................................................................................................
38
Daftar Pustaka ....................................................................................................................
39
Lampiran ..............................................................................................................................
vi
41
DAFTAR TABEL
No Tabel
Judul
Halaman
Tabel 4.1
Karakteristik Motor Dalam Penelitian ...................................................
19
Tabel 5.1
Hasil Identifikasi Gangguan Berbasis Arus Berdasar Jumlah Kelas ....
25
Tabel 5.2
Identifikasi SVM untuk Banyak Tipe Gangguan Bebasis Arus ............
26
Tabel 5.3
Performa SVM Berbasis Arus oleh ROC .............................................
27
Tabel 5.4
Hasil Analisis SVM Berdasar Signal Vibrasi ........................................
29
Tabel 5.5
Performa SVM Berbasis Vibrasi oleh ROC .........................................
30
Tabel 5.6
Hasil Identifikasi Ketidaseimbangan Tegangan Berbasis Parameter Arus dengan SVM ............................................................................ ........
vii
31
DAFTAR GAMBAR
Gambar
Judul
Halaman
Gambar 2.1
Mekanisme Supervisi Terjadinya Gangguan
......................................
Gambar 2.2
Komponen-Komponen Centrifugal Fan
Gambar 2.3
Komponen-Komponen Vane-Axial
Gambar 2.4
Jenis Gangguan Pada Motor Induksi ................................................
7
Gambar 2.5
Modulus Spektrum Arus
9
Gambar 2.6
Modulus Spektrum Arus (Park’s Vektor)
Gambar 2.7
Sistem Diagnosis Gangguan pada Motor Induksi ................................
10
Gambar 2.8
Titik-Titik Pengukuran untuk Mendeteksi Fault pada Fan .....................
12
Gambar 2.9
Optimal Separating Hyperplane ............................................................
14
..............................................
.....................................................
...................................................................... ............................................
4 6 7
10
Gambar 2.10 Confusion Matrix and Common Performance Matrix Calculated From It
…………………………………………………………… …………………………………………………
15
Gambar 4.1
Blok Diagram Penelitian
18
Gambar 4.2
Sistem Identifikasi Gangguan pada Fan yang Diusulkan
Gambar 4.3
Two Level Filter Bank Decomposition Wavelet
Gambar 5.1
Denoising Signal Arus dengan Wavelet ..................................................
Gambar 5.2
Eigenvalue dari Covariance Matrix untuk Feature Selection ..................
Gambar 5.3
Scatter Diagram untuk 3 Principal Component Terbesar
.....................
24
Gambar 5.4
Area Under Curve ROC Test untuk Signal Arus ...................................
27
Gambar 5.5
Grafik Confusion Matrix untuk Signal Arus .............................................
27
Gambar 5.6
Signal Vibrasi untuk Kondisi Normal (No Fault) 50Hz ..........................
28
Gambar 5.7
Signal Vibrasi untuk Kondisi Hubung Singkat Antar Lilitan 50 Hz .........
28
Gambar 5.8
Area Under Curve Analisis ROC Signal Vibrasi ………………………….
30
Gambar 5.9
Grafik Confusion Matrix Signal Vibrasi
30
……………
20
....................................
20
……………………………..
23 24
Gambar 5.10 Velocity (m/s) Aliran Udara Terekam Akibat Gangguan ………………
32
Gambar 5.11 Densitas (mmc) Aliran Udara Terekam Akibat Gangguan ………..……
33
Gambar 5.12 Hasil perhitungan fitur velocity udara kondisi tanpa gangguan …………
34
Gambar 5.13 Hasil perhitungan fitur velocity udara kondisi ketidakseimbangan Tegangan ………………………………………………………………… viii
34
Gambar 5.14 Hasil perhitungan velocity udara kondisi hubung singkat ………….
34
Gambar 5.15 Hasil perhitungan fitur densitas udara kondisi tanpa gangguan …….
35
Gambar 5.16 Hasil perhitungan fitur densitas udara udara kondisi Ketidakseimbangan tegangan ……………………………………….
35
Gambar 5.17 Hasil perhitungan fitur densitas udara kondisi hubung singkat Antar lilitan …………………………………………………………..
ix
36
DAFTAR LAMPIRAN
No. Lampiran
Judul
Halaman
Lampiran 1.
Prototipe Sistem Identifikasi Gangguan Pada Fan ..........................
41
Lampiran 2.
Biodata peneliti .................................................................................
42
Lampiran 4.
Formulir evaluasi atas capaian kegiatan ...........................................
49
x
BAB I PENDAHULUAN
1.1.Latar Belakang
Dalam kegiatan industri, fan merupakan alat yang vital. Penggunaan fan dalam industri diantaranya digunakan pada system HVAC (Heating Ventilating and Air Conditioning) atau penanganan material pada aplikasi boiler. Dalam pengoperasiannya, fan industri memerlukan energi yang cukup besar. Menurut US Department of Energy (US DOE, 1989), setiap tahun fan industri menghabiskan rata-rata 78.8 juta Kilowatt jam energi. Adanya gangguan pada fan akan menyebabkan menurunnya performa fan, seperti penurunan pasokan udara dan timbulnya suara bising yang menganggu. Gangguan pada fan selain menganggu produksi dan lingkungan juga menyebabkan pemborosan pada pemakaian energi. Gangguan yang tidak segera ditangani menyebabkan pemakaian biaya perawatan yang lebih besar. Deteksi gangguan pada fan secara dini dapat menghemat biaya, baik biaya untuk pemakaian energi maupun biaya pemeliharaan. Gangguan yang timbul pada fan sebagian besar disebabkan oleh gangguan kelistrikan. Gangguan listrik disebabkan adanya masalah pada lilitan motor yang disebabkan kerusakan isolasi (vibration, overheating), operasi yang tidak seimbang (unbalance operation) dan short cycling (overheating) (Stoupe, D.E. and T. Y. Lau, 1989) yang dikutip (Amstrong, et al, 2004 ). Gangguan kelistrikan ini identik dengan gangguan pada motornya. Motor yang digunakan sebagai penggerak fan pada umumnya adalah motor induksi. Salah satu metode yang digunakan untuk mendeteksi adanya gangguan pada motor induksi adalah dengan menganalisa spectrum arus (Didier, G., E. et al, 2007; Acosta, G. G., et al, 2006; Guldemir, H., 2003). Dengan menggunakan transformasi Fourier diskrit, adanya patah/retak pada batang rotor dapat dikenali berdasar analisa spectrum arus (Didier, G., E. et al, 2007). Selain mendeteksi adanya gangguan retak pada batang rotor, analisa spectrum arus juga digunakan untuk mendeteksi adanya hubung singkat (short circuit) dalam lilitan stator (Acosta, G. G., et al, 2006 ) dan airgap eccentricity akibat rotor eccentricity (Guldemir, H., 2003). 1
Metode lain untuk mendeteksi gangguan motor induksi adalah analisa vibrasi. Chinmaya Kar dan Mohanty, mendeteksi adanya vibrasi melalui analisa spectrum arus (Motor Current Signature Analisis). Spektrum arus yang terekam dianalisa menggunakan analisa wavelet untuk memonitor adanya vibrasi pada gear motor yang disebabkan fluktuasi beban pada gearbox (Chinmaya Kar and A.R. Mohanty, 2006 ). Analisa vibrasi dan signal arus juga digunakan untuk mendiagnosis fault pada motor induksi dengan mengaplikasikan teori Dempster-Shafer sebagai classifier. Jenis gangguan yang diamati meliputi
kerusakan
pada
rotor,
bearing,
ketidaksesuaian
eccentricity
dan
ketidakseimbangan fasa (Bo Suk Yang and Kwang Jin Kim, 2006 ). Analisa vibrasi menggunakan transformasi wavelet juga dimaksudkan untuk melakukan isolasi dan identifikasi gangguan kelistrikan pada motor induksi. Gangguan tersebut disebabkan adanya kerusakan yang bersumber pada rotor dan stator (Singh, G.K., and Saleh Al Kazzaz Sa’ad Ahmed, 2004). Gangguan pada fan juga dapat dideteksi berdasarkan aliran udara yang dihasilkan (kepadatan udara dan kecepatan aliran udara). Riset terdahulu tentang deteksi gangguan pada motor induksi telah banyak dilakukan. Sebagian besar sudah mengaplikasikan sistem cerdas,
diantaranya
penggunaan fuzzy logic untuk mendeteksi gangguan pada belitan stator (Rodriguez, P. V. J., and A. Arkkio, 2008 ), penggunaan wavelet support vector machine (Widodo, A., and Bo-Suk Yang, 2008 ) untuk mendeteksi gangguan motor induksi berbasis sinyal arus transient. Dalam penelitian tersebut digunakan Principal Component Analysis (PCA) sebagai ekstraksi fitur. Ghate, V.N. and S.V. Dudul
mengidentifikasi fault pada short
antar lilitan stator (stator winding inter-turn short) dan eccentricity dinamis rotor menggunakan MLP NN (Multi Layer Perceptron Neural Network) dengan menggunakan SOM (Self Organizing Map) NN sebagai input feature space dan PCA untuk mengurangi dimensi input (Ghate, V. N. and S. V. Dudul, 2010). Dalam penelitian yang lain Karami, F. et al., menggunakan nonlinear Kalman Filter (Unscented Kalman Filter dan Extended Kalman Filter) untuk mendeteksi adanya retakan/patahan batang rotor dalam motor induksi (Karami, F., et al, 2010 ). Dalam penelitian ini, deteksi gangguan pada fan akan difokuskan pada gangguan yang timbul pada motornya dan gangguan yang timbul dari aliran udara yang dihasilkan.
2
1.2 Perumusan Masalah Berdasarkan uraian sebelumnya, diketahui bahwa gangguan kelistrikan terutama gangguan motor merupakan gangguan yang paling sering dijumpai pada fan. Untuk mendeteksinya dapat digunakan analisa spectrum arus dan analisa vibrasi. Umumnya, fan berfungsi untuk mendistribusikan aliran. Adanya gangguan pada aliran udara mengindikasikan adanya gangguan pada fan (baik gangguan pada motor maupun gangguan pada impeller). Sejauh ini identifikasi gangguan pada motor induksi menggunakan analisis spekrum arus dan analisis vibrasi. Sedangkan gangguan pada fan tidak cukup dideteksi dengan kedua macam analisis tersebut, misalnya gangguangangguan yang menyebabkan terhambatnya aliran udara (saluran yang kotor, kerusakan pada blade, terhambatnya putaran blade karena debu, dll). Dengan mengamati pasokan aliran udara yang dihasilkan oleh fan, diharapkan akan diketahui jenis-jenis gangguan yang lain yang tidak dapat dideteksi dengan analisis spectrum arus dan analisis vibrasi. Gangguan yang dideteksi terutama gangguan karena kelistrikan yang meliputi antara lain gangguan pada motor (gangguan pada bearing, pada stator, dan pada rotor) maupun gangguan pada beban (impeller). Untuk mendapatkan hasil identifikasi yang lebih teliti, akan diaplikasikan sistem cerdas. Ada dua macam sistem cerdas yang akan digunakan untuk mendeteksi adanya gangguan pada fan industri, yaitu Support Vector Machine (SVM) dan Emerging Pattern. Permasalahan yang hendak diselesaikan dirumuskan sebagai berikut : 1. Dengan menambahkan analisis aliran udara selain analisis spektrum arus, dan analisis vibrasi, berapa banyak tambahan jenis fault yang dapat diidentifikasi ? 2. Bagaimana efektifitas/akurasi Support Vector Machine dan Emerging Pattern dalam mengidentifikasi adanya gangguan pada Fan Industri dibandingkan metode lain yang digunakan pada riset yang serupa? 3. Dengan mengkombinasikan kedua hal diatas, bagaimana membangkitkan suatu basis pengetahuan (knowledge base) yang dapat dijadikan rekomendasi untuk mendeteksi dan mendiagnosis gangguan pada Fan Industri ?
3
BAB II TINJAUAN PUSTAKA
2.1 Deteksi dan Diagnosis Gangguan Gangguan (fault) adalah penyimpangan yang tidak diinginkan dari suatu sifat properti yang menyebabkan properti tersebut tidak mampu memenuhi tujuannya (Isermann, R., 1984). IEA Annex 25 mendefinisikan gangguan yang terjadi pada sebuah sistem dapat disebabkan adanya suatu kesalahan proses operasi yang menyebabkan mesin berhenti bekerja. Oleh sebab itu, adanya gangguan pada suatu sistem sebaiknya diidentifikasi sedini mungkin sebelum memberikan akibat yang menyebabkan performa suatu mesin berkurang. Identifikasi dan diagnosa adanya gangguan dilakukan untuk meminimumkan kerusakan atau kerugian yang disebabkannya (Annex 25). Identifikasi dan diagnosa adanya gangguan merupakan bagian dari proses supervisi yang digambarkan dalam blok diagram pada Gambar 2.1. (Isermann, R., 1984). Blok fault detection dapat diidentifikasi berdasarkan fault message diikuti dengan blok fault diagnosis untuk menentukan penyebab dan lokasi fault. Langkah selanjutnya adalah fault evaluation, yang merupakan proses penilaian bagaimana sebuah fault dapat mempengaruhi proses. Fault dapat diklasifikasikan dalam beberapa jenis bahaya yang berbeda berdasarkan pada analisis kejadian/urutan. Setelah efek dari fault diketahui sebuah keputusan (decision) ditetapkan. Jika kejadian fault masih dalam kategori ringan operasi dapat dilanjutkan dan jika memungkinkan dapat dilakukan perubahan operasi. Jika fault yang terjadi cukup berat operasi harus dihentikan dan fault harus dieliminasi.
Gambar 2.1. Mekanisme Supervisi Terjadinya Gangguan
4
2.2 Fan Industri Ada dua tipe fan industri (US DOE, 1989) : centrifugal dan axial. Kedua tipe ini dibedakan berdasar aliran udara yang dihasilkan. Centrifugan fan menggunakan rotasi impeller untuk meningkatkan kecepatan aliran udara. Udara bergerak dari roda impeller ke lempeng pisau (blade), sehingga timbul energi kinetic. Energi kinetic ini dikonversikan ke tekanan statis yang meningkat perlahan sebelum dilepaskan. Centrifugal fan memiliki kapabilitas untuk membangkitkan tekanan yang tinggi secara relative. Seringkali digunakan dalam aliran udara yang kotor (kelembaban tinggi dan mengandung partikel), dalam aplikasi penanganan material, dan dalam system pada suhu yang tinggi. Axial fan, menggerakkan aliran udara sepanjang sumbu fan. Udara ditekan oleh peningkatan aerodinamis yang dibangkitkan oleh pisau (blade) fan, seperti propeler pada sayap pesawat udara. Meskipun kadang-kadang digunakan secara bergantian dengan centrifugal fan, axial fan umumnya digunakan pada “udara yang bersih”, dengan tekanan rendah, aplikasi yang memerlukan volume besar. Axial fan masa rotasi yang lebih kecil dan lebih kompak dibanding centrifugal fan dalam perbandingan kapasitas. Axial fan juga memiliki kecepatan rotasi yang lebih tinggi dan lebih berisik (derau) dibanding centrifugal fan dengan kapasitas yang sama.
2.2.1 Centrifugal Fan Pada centrifugal fan udara memasuki lubang berbentuk bulat secara radial atau keluar secara tangensial dari pusat. Pisau-pisau impeller beroperasi pada kecepatan rendah dan menghasilkan kecepatan udara yang lebih tinggi. Kombinasi dari kecepatan rotasi yang lebih rendah dan turbulensi yang lebih besar menghasilkan sebuah spektrum dominan frekuensi rendah (Annex25) [17]. Komponen centrifugal fan disajikan pada Gambar 2.2.
5
Gambar 2.2 Komponen-komponen Centrifugal Fan
2.2.2 Axial Fan Udara mengalir sepanjang sumbu axial dari fan tipe tube-axial dan vane-axial. Energi mekanik dari penggerak diubah menjadi aliran udara spiral pada debit kipas. Tabung aksial (tube-axial) memiliki impeller dalam rumah berbentuk silinder. Sedangkan bentuk rumah vane-axial bervariasi yang berfungsi untuk meluruskan lairan udara dan meningkatkan efisiensi. Kecepatan yang tinggi diperlukan untuk membangkitkan aliran udara yang sebanding dengan fan sentrifugal. Biasanya motor. dengan pengaturan poros penggerak langsung, berada di aliran udara, dan dapat memberikan kontribusi terhadap turbulensi jika kondisi lainnya, seperti geometri saluran, tidak ideal. Meskipun tingkat suara yang dihasilkan sama dengan sentrifugal, spektrumnya lebih seimbang, atau secara proporsional frekuensi lebih tinggi dan derau frekuensi rendah. Namun, nada dengan frekuensi yang kuat pada pisau dapat terjadi. Hal ini akan terjadi ketika aliran masuk atau debit konfigurasi menambahkan turbulensi ke sistem (Evan, 2003) [20]. Gambar 2.3 menyajikan komponen pada axial van
6
Gambar 2.3 Komponen-Komponen Vane-Axial
2.3 Gangguan pada Fan Industri Gangguan pada fan umumnya disebabkan adanya gangguan pada motor. Jenis gangguan pada motor khususnya motor induksi dapat dilihat pada Gambar 2.4. Gangguan terdiri atas faktor internal dan faktor eksternal. Faktor internal disebabkan oleh gangguan mekanik dan elektrik. Faktor eksternal selain disebabkan oleh gangguan mekanik dan elektrik juga disebabkan karena lingkungan (Singh, G.K., and Saleh Al Kazzaz Sa’ad Ahmed, 2004 ).
Gambar 2.4 Jenis Gangguan pada Motor Induksi
7
2.4 Identifikasi Gangguan Menggunakan Analisa Spektrum Arus Pada motor induksi tiga fasa yang seimbang, jumlah arus stator adalah nol. Hanya dua arus yang digunakan untuk prosesing dan fasa ketiga dapat dikeluarkan dari proses. Hal ini dapat dilakukan dengan mengkonversikan arus stator menggunakan suatu fungsi yang disebut ”Park’s vector”. Park’s vector adalah suatu fungsi untuk mengubah variabel arus tiga fasa (ia, ib, ic) menjadi komponen Park’s vector (id, iq) sebagai berikut (Jafar Zarei and Javad Poshtan, 2009 ) : 2 ia − 3 1 iq = ib − 2
id =
1 1 ib − ic 6 6 1 ic 2
(1) (1)
Dalam kondisi ideal, hanya terdapat arus fundamental (tanpa harmonisa yang tidak diinginkan) id dan iq dapat disederhanakan dalam keadaan steady state sebagai :
6 I m sin(ωt ) 2 6 π iq = I m sin(ωt − ) 2 2 id =
(3) (4)
Im adalah nilai arus maksimum fasa yang dipasok (ampere), ω adalah kecepatan sudut yang dipasok (radians per second) dan t adalah waktu (second). Dalam kondisi ini modulus Park’s vector adalah konstan. Kondisi ideal tiga fasa pada motor asinkron terkoneksi wye, sirkulasi arus sesaat dalam satu fasa didefinisikan sebagai ( Didier, G, E. et al 2007):
is 0 (t ) = 2 I s sin(ω s t − ϕ )
(5)
Dengan tegangan sesaat
v(t ) = 2Vs sin(ωs t )
(25)
Simbol ϕ, fs, dan ωs, berturut-turut merepresentasikan sudut fasa antara tegangan dan arus, frekuensi fundamental, dan pulsa fundamental ωs = 2πfs. Ketika sebuah batang rotor pecah, rotor menjadi tidak simetris. Ketidaksimetrisan ini memunculkan terjadinya medan rotasi mundur pada frekuensi slip sfs (s adalah slip pada motor induksi dalam p.u). Representasi rotasi medan dalam spektrum arus stator 8
merupakan sebuah komponen tambahan pada frekuensi f
-
bb1
= (1-2s)fs. Siklus variasi
arus ini menyebabkan kecepatan osilasi dua kali frekuensi slip 2sf dan akhirnya, kecepatan osilasi ini menginduksi spektrum arus stator sebagai komponen f+bb1=(1+ 2s)fs, dan seterusnya. Batang rotor yang patah akan menambahkan komponen dalam modulus spektrum pada frekuensi yang diberikan oleh persamaan (6). ± f bbk = (1 ± 2ks) f s ,
k = 1,2,3,....
(6)
Efek pada batang rotor yang patah dapat dilihat pada Gambar 2.5. Gambar 2.5(a) merepresentasikan spektrum arus rotor yang sehat, dan Gambar 2.5(b) dengan satu batang rotor patah. Adanya kerusakan pada rotor akan meningkatkan amplitudo komponen-komponen pada frekuensi f±bbk. Amplitudo berikutnya tergantung pada tiga faktor. Pertama inersia beban motor, kedua torsi beban motor (arus dalam batang rotor), dan ketiga tingkat kerusakan rotor.
Gambar 2.5. Modulus Spektrum Arus untuk (a) Motor sehat, dan (b) satu batang rotor patah.
Jika gangguan terjadi disebabkan oleh kerusakan pada bearing, sinyal yang dihasilkan akan tampak seperti pada Gambar 2.2 (Jafar Zarei and Javad Poshtan, 2009 ) . Berdasarkan Gambar 2.6, hanya komponen dc dari modulus spektrum arus yang muncul, sementara pada motor dengan bearing yang cacat, karakteristik komponen yang cacat (89 Hz) juga muncul. Hal ini bisa dilihat dari perubahan amplitudonya.
9
Gambar 2.6. Modulus Spektrum Arus (Park’s Vector) untuk (A) Motor yang sehat, (B) Motor dengan bearing cacat.
2.5 Identifikasi Gangguan Menggunakan Analisa Vibrasi Selain menggunaan analisa terhadap arus stator, identifikasi dan diagnosis gangguan pada motor juga dapat dilakukan dengan analisa vibrasi. Bo-Suk Yang dan Kwang Jin Kim (2006) mendiagnosis gangguan pada motor tiga fasa menggunakan analisa signal vibrasi dan signal arus. Dalam penelitian ini algoritma jaringan syaraf tiruan dan teori Demper-Shafer digunakan sebagai alat untuk mendiagnosis adanya gangguan. Ekstraksi fitur menggunakan teknik pemrosesan signal dilakukan sebagai input untuk jaringan syaraf berbasis teori Demper-Shafer. Hasil outputnya dianalisa secara kualitatif. Terakhir, kuantitas estimasi dari pengklasifikasi vibrasi dan pengklasifikasi arus dikombinasikan oleh teori Demper-Shafer untuk meningkatkan akurasi diagnosis. Blok diagram diagnosis disajikan pada Gambar 2.7.
Gambar 2.7 Sistem Diagnosis Gangguan pada Motor Induksi
10
Analisa vibrasi pada mesin listrik dapat menjadi alat yang penting untuk mendeteksi dan mendiagnosis gangguan. Ada dua tipe analisis, yaitu time domain dan frequency domain. Analisa domain frekuensi lebih menarik sebab dapat memberikan informasi yang lebih detail tentang status mesin. Sedangkan untuk analisa domain waktu dapat memberikan informasi kualitatif tentang kondisi mesin. Umumnya analisa signal vibrasi terdiri atas tiga bagian: vibrasi stasioner, vibrasi acak (random), dan derau (noise). Jika tingkat vibrasi acak dan derau (noise) tinggi, informasi yang diperoleh bisa tidak akurat. Derau dan vibrasi acak akan ditekan dengan menggunakan teknik pemrosesan signal seperti filtering, averaging, correlation, convolution, dan sebagainya. Kadangkadang vibrasi acak menjadi penting sebab vibrasi tersebut berhubungan dengan tipe gangguan mesin tertentu, sehingga perlu mengamati jenis vibrasi ini (Singh, G.K., and Saleh Al Kazzaz Sa’ad Ahmed, 2004 ).
2.6 Aplikasi Sistem Cerdas untuk Deteksi Gangguan pada Fan Aplikasi sistem cerdas untuk deteksi dan diagnosis gangguan pada fan yang telah dilaporkan pada penelitian sebelumnya adalah penggunaan kombinasi Kernel Principal Component Analysis (KPCA) dengan Support Vector Machine (SVM). KPCA merupakan penggembangan dari PCA (Principal Component Analysis) dalam penelitian ini digunakan sebagai alat bantu untuk ekstraksi fitur sedangkan SVM digunakan sebagai classifier. Dalam penelitian yang lain dilaporkan penggunaan Artificial Neural Network (ANN) dan D-S Evidence Theory (Li Xuemei, et al, 2009b). Informasi yang dianalisis adalah vibrasi, temperatur, kecepatan rotasi, pergeseran secara axial (axial displacement), arus, dan tegangan sedangkan titik – titik pengukuran diperlihatkan pada Gambar 2.8 (Li Xuemei, et al, 2009a ), Dalam penelitian lain diukur temperatur motor, arus listrik, dan kecepatan udara (Li Xuemei, et al, 2009b). Gabungan metode KPCA dan SVM akan meningkatkan reliabilitas hasil identifikasi. Hal ini ditunjukkan dengan nilai MSE (mean square error) yang lebih kecil jika dibandingkan identifikasi menggunakan PCA-SVM maupun SVM saja (Li Xuemei, et al, 2009a ). Demikian juga dengan penggunaan D-S Evidence Theory akan meningkatkan reliabilitas klasifikasi dengan BPNN (Back Propagation Neural Network) dibanding jika hanya menggunakan BPNN (Li Xuemei, et al,
2009b) 11
Gambar 2.8 Titik-Titik Pengukuran untuk Mendeteksi Fault pada Fan
Gangguan listrik (electric failure) merupakan gangguan terbesar dari peralatan pendingin, yakni sebesar 76%, selebihnya disebabkan ganguan mekanik (19%) dan komponen rangkaian refrigerant (5%) (IAEA, 1999). Gangguan kelistrikan ini umumnya ditimbulkan oleh kondisi motor yang tidak sehat. Karena tidak cukup banyak hasil riset tentang deteksi gangguan pada Fan Industri yang ditemukan, maka riset-riset tentang gangguan pada motor khususnya motor induksi akan dijadikan acuan dalam riset kali ini. Aplikasi sistem cerdas untuk mendeteksi gangguan pada motor induksi telah banyak dilakukan. Salah satu yang telah dilakukan adalah penggunaan logika fuzzy untuk mendiagnosis gangguan pada motor induksi (Rodriguez, P. V. J., and A. Arkkio, 2008 ). Metode tersebut digunakan untuk mendeteksi gangguan pada lilitan stator dengan memonitor amplitudo arus pada terminal. Metode sistem cerdas yang lain untuk mendeteksi gangguan pada motor induksi adalah kombinasi antara wavelet-PCA-SVM. Karena data yang dianalisis adalah data berupa signal arus transient yang mengandung signal fundamental non stasioner, maka digunakan analisis wavelet untuk memperhalus signal. Selanjutnya dilakukan ekstraksi fitur dengan PCA (Principal Component Analysis) dan classifier yang digunakan adalah SVM (Support Vector Machine). Penggunaan metode PCA-SVM dilaporkan mampu mendeteksi gangguan sebesar 78.57% dan 80.95% untuk kombinasi ICA (Independent Componen Analysis) dan SVM (Widodo, A., and Bo-Suk Yang, 2008). Dalam penelitian lain dilaporkan penggunaan MLP-NN (Multilayer Perceptron – Neural Network) sebagai classifier dengan metode ektraksi fitur PCA dan SOM (Self Organizing Map) memberikan hasil pengenalan berturut-turut sebesar 98.25% dan 96.22% (Ghate, V. N. and S. V. Dudul, 2010). 12
Penggunaan metode filterisasi yang lain yaitu Unscented Kalman Filter (UKF) dan Extended Kalman Filter (EKF) mampu mendeteksi adanya gangguan berupa batang rotor yang patah (broken rotor bar) pada motor induksi (Karami, F., et al, 2010 ) Metode Kalman Filter digunakan karena signal yang dihasilkan berupa signal non linier, dan metode ini diharapkan akan memberikan estimasi yang lebih baik.
2.7 Wavelet Transform, Principal Component Analysis, Support Vector Machine, Emerging Pattern, dan Receiver Operating Characteristic Transformasi wavelet menyediakan informasi tentang frekuensi dari sebuah signal yang mirip dengan Transformasi Fourier (FT). Berbeda denga FT, transformasi wavelet dapat difokuskan pada interval waktu yang pendek untuk komponen-komponen berfrekuensi tinggi dan interval waktu yang lama untuk komponen frekuensi rendah (Karimi, Mokhtari, and Iravani, 2000). Principal Component Analysis (PCA) dikenal sebagai teknik analisa multivariate. PCA mereduksi dimensi himpunan data yang berisi sejumlah besar bilangan dari variable-variabel yang berhubungan, dengan mempertahankan sejumlah variasi dalam himpunan data. Hal ini diperoleh dari transformasi variabel-variabel ke himpunan yang baru, yang disebut Principal Component (PCs), yang tidak berkorelasi dan sudah diurutkan dengan mempertahankan beberapa variabel terbaik yang mewakili keseluruhan variabel asli (Jolifie, 1986; Smith, 2002). Support vector machine (SVM) adalah sebuah machine learning yang digunakan untuk
mengklasifikasikan
dua
kelompok
kelas.
Secara
konseptual,
mesin
mengimplementasikan vector input yang berupa pemetaan non linier ke ruang fitur dimensi tinggi (Cortes and Vapnik, 1995). Klasifikasi SVM (Vapnik, 1998) digunakan untuk memastikan fungsi objektif f(x) yang mengklasifikasikan secara akurat, suatu data kedalam dua kelas dan meminimalisasikan kesalahan klasifkasi (Gambar 2.9 )
13
Gambar 2.9. Optimal Separating Hyper plane
Classification by Aggregating Emerging Patterns (CAEP) adalah aplikasi pertama untuk klasifikasi EP. Klasifikasi dilakukan dengan fungsi scoring. Biasanya EP digunakan dalam CAEP yang memenuhi nilai ambang minimal 1% dan GR minimal 5 (Ramamohanarao and Hongjian Fan, 2007). CAEP dapat diaplikasikan untuk berbagai aplikasi, terutama yang memiliki data dengan volume dan dimensi yang besar. Klasifikasi ini memiliki akurasi yang tinggi, dan biasanya sama akuratnya untuk semua kelas meskipun populasinya tidak seimbang. Kelebihan ini bisa diperoleh tanpa mengurangi dimensi data (Dong, et al, 1999). Definisi
score (T , C ) =
GR( X ) * sup Ci ( X ) x ⊆ T , X ∈E ( C i ) GR( X ) + 1
∑
(25)
sup C i ( X ) adalah support X dalam kelas Ci dan GR(X) adalah sup Ci ( X ) dibagi support X
non kelas Ci. Receiver Operating Characteristics (ROC) Performa klasifikasi dapat dianalisa dengan grafik Receiver Operating Characteristic (ROC). Grafik ROC merupakan sebuah teknik untuk memvisualisasikan, mengorganisasi, dan memilih tipe klasifikasi berdasarkan performanya (Fawcett, 2006). Performa klasifikasi dapat diperlihatkan melalui confusion matrix. Sebuah model klasifikasi (classifier) memetakan suatu data kedalam kelas/group tertentu. Dalam klasifikasi biner, hasilnya diberi tanda sebagai kelas positif (p) atau negative (n). Ada empat kemungkinan hasil dari sebuah pengklasifikasi biner. Yaitu, true positive, false 14
negative, true negative, dan fals positive (Gambar 2.10). Jika sebuah sampel adalah positif dan diklasifikasikan sebagai positif, sampel tersebut dihitung sebagai true positif, jika sample tersebut diklasifikasikan sebagai negative, dihitung sebagai false negative. Jika sebuah sample adalah negatif dan diklasifikasikan sebagai negatif, sample tersebut dihitung sebagai true negative, tapi jika diklasifikasikan sebagai positif, disebut false positif.
Gambar 2.10. Confusion matrix and common performance matrix calculated from it
15
BAB III TUJUAN DAN MANFAAT PENELITIAN
3.1 Tujuan Penelitian 1. Mendeteksi adanya gangguan pada system Fan Industri melalui signal arus, vibrasi, dan aliran udaranya. 2. Menguji keandalan Support Vector Machine (SVM) untuk mendeteksi dan mendiagnosis gangguan pada Fan Industri. 3. Menghasilkan suatu luaran berupa publikasi ke Jurnal Internasional dan Seminar Internasional
3.2 Manfaat / Keutamaan Penelitian a. Deteksi gangguan pada Fan industri berdasar Analisa Spektrum Arus, Vibrasi dan Aliran Udara Dalam penelitian terdahulu, deteksi gangguan pada motor induksi umumnya mendeteksi adanya gangguan kelistrikannya. Gangguan tersebut dapat dideteksi berdasarkan analisa spectrum arus (Didier, et. al., 2007; Acosta, et al, 2006; Guldemir, 2003;) analisa vibrasi (Bo Suk Yang and Kwang Jin Kim, 2006; Singh, G.K., and Saleh Al Kazzaz Sa’ad Ahmed, 2004) ataupun melalui keduanya spectrum arus dan vibrasi (Chinmaya Kar and A.R. Mohanty, 2006). Dalam penelitian ini adanya gangguan pada system Fan Industri akan dideteksi berdasarkan signal spectrum arus, vibrasi, dan aliran udara. Dengan 3 parameter analisis (analisis spectrum arus, vibrasi, dan aliran udara), diharapkan akan dideteksi lebih banyak lagi jenis gangguan pada system fan industri dibanding jika hanya menggunakan 2 jenis analisis saja (spectrum arus dan vibrasi). b. Aplikasi wavelet, support vector machine (svm), emerging pattern, dan Receiver Operating Characteristic (ROC) untuk FDD pada Fan Industri Pada penelitian terdahulu, metode yang digunakan untuk mendeteksi gangguan pada fan (motor induksi) telah banyak yang mengaplikasikan sistem cerdas, diantaranya menggunakan Support Vector Machine (SVM) (Li Xuemei, et. Al, 2007; Widodo, A., Bo-Suk Yang, 2008), Artificial Neural Network (Li Xuemei, et. Al, 2007 ; Ghate, and Dudul, 2010 ), Fuzzy Logic (Rodriguez and Arkkio, 2008 ), 16
Principal Component Analysis (PCA) (Li Xuemei, et. Al, 2007; Widodo, A., BoSuk Yang, 2008; Ghate, and Dudul, 2010 ) dan Kalman Filter (Karami, et. Al., 2010). Dalam penelitian ini, FDD akan dilakukan dengan mengaplikasikan sistem cerdas berupa kombinasi antara wavelet, Support Vector Machine (SVM), Emerging Pattern, dan Receiver Operating Characteristics (ROC). Analisa wavelet digunakan sebagai ekstraksi fitur, sedangkan SVM dan Emerging Pattern digunakan sebagai classifier dan ROC digunakan untuk menilai performa classifier. Sejauh ini sudah ditemukan pemakaian SVM untuk mendeteksi adanya ganguan pada motor induksi, namun belum ditemukan penggunaan emerging pattern dan ROC. Khusus untuk ROC belum ditemukan penggunaannya untuk aplikasi sistem tenaga khususnya motor/fan. Riset terdahulu tentang ROC lebih banyak ditemukan untuk bidang biomedis. Dengan mengkombinasikan analisis spektrum arus, vibrasi dan aliran udara dengan sistem identifikasi yang diusulkan, akan dibangun suatu basis pengetahuan yang dapat digunakan untuk mendiagnosis gangguan yang terjadi.
17
BAB IV METODE PENELITIAN 4.1 Obyek Penelitian Obyek yang diteliti adalah berbagai jenis ganguan pada fan industri, yang meliputi gangguan kelistrikan yang direkam dengan frekuensi yang berbeda dengan jenis gangguan sebagai berikut: 1. Sinyal tanpa gangguan dengan variasi frekuensi (50 Hz, 40Hz, 30Hz) 2. Hubung singkat antar lilitan (Inter-Turn Short Circuits) dengan variasi frekuensi (50Hz, 40Hz, 30Hz) 3. Ketidakseimbangan Tegangan (Unbalance Voltage) a. Ketidakseimbangan Tegangan sebesar 5% untuk setiap fasa R, S, dan T b. Ketidakseimbangan Tegangan sebesar 10% untuk setiap fasa R, S, dan T 4.2 Tahapan Penelitian Ada tiga kegiatan utama yang dilakukan dalam penelitian ini (Gambar 4.1), yaitu Akuisisi Data dan Sistem Identifikasi Gangguan. Spesifikasi motor yang digunakan disajikan pada Tabel 4.1.
Gambar 4.1 Blok Diagram Penelitian
18
Tabel 4.1. Karakteristik Motor dalam penelitian Description Power Input Voltage Full Load Current Suply Frequency Number of Poles Full Load Speed (rpm)
Value 0.25 kW 380 V 0.82 A 50 Hz 4 1320
Akuisisi Data Variabel yang diukur a. Arus pada berbagai frekuensi Jenis gangguan pada poin 3.1 dibangkitkan, dan akibat yang timbul pada arus direkam. Perekaman data menggunakan osciloscope 4 chanels. Arus diukur pada berbagai jenis frekuensi (30 Hz – 50 Hz) yang berbeda. Frekuensi diatur menggunakan Variabel Speed Drive. b. Vibrasi Selain arus, data akibat gangguan yang diakuisisi adalah data vibrasi atau getaran mesin. Data diukur menggunakan Accelerometer yang memiliki interface ke PC. c. Aliran Udara (Kecepatan dan Kepadatan (densitas) udara) Data ketiga akibat gangguan yang diakuisisi adalah data aliran udara. Kecepatan dan kepadatan aliran udara diukur menggunakan Anemometer yang memiliki interface ke PC.
Sistem Identifikasi Penelitian ini mengusulkan suatu sistem untuk mendeteksi adanya gangguan pada fan dengan 5 tahap, yaitu denoising, feature calculation, feature extraction, classification, dan classification performance analysis. Gambaran sistem yang diusulkan disajikan pada Gambar 4.2. Adanya gangguan akan dideteksi dengan bantuan sistem keceradas buatan. Perangkat sistem cerdas yang digunakan adalah gabungan beberapa perangkat yang meliputi Analisa Wavelet, Principal Component Analysis, dan Support Vector Machine.
19
a. Denoising dengan Transformasi Wavelet Analisa wavelet dimaksudkan untuk proses denoising, yaitu menghilangkan derau (noise) ataupun data yang tidak dibutuhkan. ekstraksi fitur. Data yang direkam difilter untuk menghilangkan derau (noise) dan didekomposisikan sehingga diperoleh data tanpa noise dengan ukuran yang lebih kecil. Proses dekomposisi dengan trasformasi wavelet diperlihatkan pada Gambar 4.3
Gambar4.2 Sistem Identifikasi Gangguan pada Fan yang Diusulkan
x(t )
Gambar4.3 Two Level Filter Bank Decomposition Wavelet
b. Feature Calculation Setelah proses denoising selesai, parameter-parameter fitur dihitung berdasarkan domain waktu dan domain frekuensi. Perhitungan parameter fitur dilakukan berdasarkan operasi statistika. Terdapat 25 fitur untuk setiap fase (R,S, dan T). Terdapat 12 kondisi gangguan dan setiap kondisi memiliki 20 ulangan, sehingga 20
total terdapat 240 data yang dihitung. Nilai parameter fitur dihitung berdasarkan nilai statistic yang meliputi antara lain, mean, RMS, variance, peaks, moment, entropy, crest factor, Total Harmonic Distortion, dll. c. Feature Extraction dengan Principal Component Analysis (PCA) a. Jika diberikan sebuah himpunan dari vector input dengan dimensi n dan setiap vector memiliki dimensi m, maka:
x11 x12 x x22 x (t ) = 21 ... ... xm1 xm 2
...
x1n
... x2 n
(14)
... ... ... xmn
b. Kurangkan nilai untuk setiap sel xij dengan nilai rata-rata (mean) keseluruhan µj 1 m ∑ xij m i =1
(15)
φij = xij − µ j
(16)
uj =
c. Hitung matrix covariance C T C = ( xij − µ j )( xij − µ j )
(17)
d. Dapatkan dilai eigenvalue λ dan eigenvector u dari matrix covariance C λi ui = Cui
(18)
Dimana λi adalah eigenvalue dari C, ui adalah eigenvector-nya e. Berdasarkan pada estrimasi ui, komponen dari st adalah transformasi orthogonal dari xt T st (i ) = ui xt
(19)
st(i) disebut dengan principal components. Pengurangan dimensi dari parameter diperlihatkan pada persamaan (19). Dengan menggunakan nilai ambang tertentu dari eigenvector, ui, ditentukan.
21
dimensi dari data final dapat
d. Identifikasi Gangguan dengan Support Vector Machine (SVM) Hasil ekstraksi fitur dari wavelet selanjutnya diklasifikasikan menggunakan SVM. Program SVM yang digunakan dibangun dengan matlab. Klasifikasi dilakukan dengan jalan membandingkan 2 kelas secara bergantian (Ones-Against-One). e. Mengukur Performa Klasifikasi dengan Reciever Operating Characteristic (ROC) Untuk mengetahui apakah SVM memiliki performa yang bagus dalam melakukan identifikasi, dinalukan analisa dengan ROC. Performa diukur dengan menghitung nilai True Positive, False Positive, True Negative, dan False Negative, seperti yang sudah dijelaskan pada bagian Studi Pustaka.
22
V. HASIL YANG DICAPAI
Hasil eksperimen menghasilkan 12 tipe gangguan untuk setiap parameter (arus, vibrasi, dan air flow). Proses identifikasi meliputi proses denoising, feature calculation, feature extraction, dan classification.
5.1 Identifikasi Gangguan berdasar Analisa Spektrum Arus 5.1.1 Hasil Denoising Signal Arus Derau (noise) dari signal yang terekam harus dihilangkan untuk menghindari adanya bias. Dalam penelitian ini digunakan transformasi wavelet untuk menghilangkan derau (noise) pada signal arus. Gambar 5.1 menampilkan 3 tipe signal arus yang telah difilter. Ketiga signal tersebut adalah signal normal (tanpa gangguan), dan signal arus pada keadaan ketidakseimbagan tegangan (unbalance voltage) 5% dan 10%. Untuk membedakan ketiga signal tersebut secara langsung akan sulit karena ketiganya tampak serupa. Untuk itu diperlukan alat bantu untuk mengenali kondisi signal yang berbeda secara cepat dan akurat.
Gambar 5.1 Denoising Signal Arus dengan Wavelet 5.1.2 Hasil dari Ekstraksi Fitur Berdasarkan hasil perhitungan fitur (feature calculation), diperoleh 25 fitur untuk setiap kondisi. Untuk meningkatkan akurasi identifikasi, fitur-fitur tersebut akan diekstrak menggunakan algoritma PCA. Dari 25 fitur hanya 14 fitur yang dipilih sebagai principal component untuk diidentifikasi. Pemilihan fitur ini didasarkan pada nilai
23
eigenvalue terbesar (Gambar 5.2). Fitur yang tidak terpilih akan dibuang (tidak diolah lebih lanjut). Untuk memperlihatkan karakteristik setiap principal component, 3 nilai eigenvalue terbesar berdasarkan analisa dengan PCA digambarkan pada sebuah scatter diagram (Gambar 5.3). Pada gambar tersebut terlihat bahwa data-data tersebut cenderung berdistribusi dengan berkelompok sesuai tipe gangguan.
Gambar 5.2 Eigenvalue dari Covariance matrix untuk Feature Selection
Gambar 5.3 Scatter Diagram untuk 3 Principal Component Terbesar 5.1.3. Identifikasi Gangguan berdasar Signal Arus Adanya gangguan diidentifikasi menggunakan multiclass SVM dengan strategi One-Against-One (O-A-O). Secara acak, dipilih 60% data sebagai data pelatihan
24
(training) dan 40% sebagai data pengujian (testing). Kernel yang digunakan pada identifikasi ini adalah Radial Basis Functuin (RBF). Hasil pada Tabel 5.1 memperlihatkan, bahwa SVM dapat mengidentifikasi sebuah tipe gangguan dengan kekuatan identifikasi mencapai 100%. Dengan menambahkan beberapa tipe gangguan, kekuatan SVM untuk mengidentifikasi mengalami penurunan tetapi secara rata-rata akurasinya masih diatas 95%.
Tabel 5.1. Hasil Identifikasi Gangguan Berbasis Arus Berdasar Jumlah Kelas Strength of Number Number Type of Faults Identification Type of Fault of Class Normal with variation of 100.00 1 3 frequency 100.00 1 3 Inter-Turn Short circuits (ITSC) 1 0 0 . 0 0 1 3 5% Unbalance Voltage 1 9 7 . 0 8 1 3 1 0 % Unb a l a nc eVo l t a g e1 9 6 . 6 7 2 6 No r ma l&I TSC 9 8 . 7 5 2 6 No r ma l&5 % Unb a l a nc eVo l t a g e 9 2 . 5 0 2 6 No r ma l&1 0 % Unb a l a nc eVo l t a g e 9 7 . 2 9 2 6 I TSC&5 % Unb a l a nc eVo l t a g e 9 1 . 6 7 2 6 I TSC&1 0 % Unb a l a nc eVo l t a g e 9 8 . 5 0 2 6 5 % &1 0 % Unb a l a nc eVo l t a g e 9 3 . 1 9 3 9 No r ma l , I TSC, 5 % UV 9 3 . 7 5 3 9 No r ma l , I TSC, 1 0 % UV 8 5 . 3 8 4 12 No r ma l , I TSC, 5 % UV,1 0 % UV 9 5 . 7 5 Av e r a g e
5. 1. 4I de n t i f i ka s ida r iBa ny a kGa n ggua n
Ke ma mpua nSVM un t ukme n gi de n t i f i ka s ib a nya kga n ggua n( mul t i pl ec l a s s e s ) di s a j i ka npa daTa b e l5. 2.Pa daTa b e l5. 2t e r l i ha tb a h wake kua t a ni de n t i f i ka s iun t uk4t i pe pa da12ke l a sy a n gb e r b e dame mi l i kia kur a s iy a n gb a i kde n ga nr a t a r a t a85 . 38. Akur a s ida r ike kua t a ni de n t i f i ka s ime mi l i kini l a iy a n gb e r v a r i a s i ,b a h ka nun t uk s i gna ln or ma l( n of a ul t )da nI n t e r Tu r nSh or tCi r c ui t sa kur a s i ny ame n de ka t i100%.Ha s i l y a n gl e bi hr e n da hdi t unj ukka nol e ht i pega n ggua n5% Un b a l a nc eVol t a gede n ga nni l a i b e r t ur u t t u r u t68 . 75%,96 . 25%,da n86. 25% un t ukf a s eR, S,da nT.Ni l a iy a n gpa l i ng r e n da hdi c a pa iol e ht i pega n ggua n10% Unb a l a nveVol t a gede n ga nke kua t a ni de n t i f i ka s i b e r t ur u t t u r u t40%,75%,77. 5%.Ha li nit e r j a dika r e n ape n ggun a a n mot orde n ga n
25
ka pa s i t a ske c i ls e hi nggame n gha s i l ka ns i gn a la r usde n ga na mpl i t udey a n gke c i lpul a . Ke kua t a ni de n t i f i ka s iy a ngr e n da hi nida pa tme n ga ki b a t ka nke s a l a ha ni de n t i f i ka s i .
Ta b l e5 . 2.I de nt i f i ka s iSVM u n t u kBa ny a kTi p eGa n g g u a nBe r b a s i sAr u s Ty peofFa ul t
Fr e q u e nc y
NoFa ul t NoFa ul t NoFa ul t Unb a l a nc eVo l t a ge5 %A Unb a l a nc eVo l t a ge5 %B Unb a l a nc eVo l t a ge5 %C Unb a l a nc eVo l t a ge1 0 %A Unb a l a nc eVo l t a ge1 0 %B Unb a l a nc eVo l t a ge1 0 %C I nt e r Tu r nSho r tCi r c u i tSS I nt e r Tu r nSho r tCi r c u i tSS I nt e r Tu r nSho r tCi r c u i tSS Av e r a ge
5 0Hz 4 0Hz 3 0Hz 5 0Hz 5 0Hz 5 0Hz 5 0Hz 5 0Hz 5 0Hz 5 0Hz 4 0Hz 3 0Hz
St r e ng t hOf I d e nt i f i c a t i o n( %) 1 0 0 9 7 . 5 8 5 6 8 . 7 5 9 6 . 2 5 8 6 . 2 5 4 0 7 5 7 7 . 5 9 0 1 0 0 9 5 8 5 . 3 8
Ni l a ii ni me mpe r l i ha t ka nb a h wa SVM da pa t me n ge n a l iga n ggua na ki b a t pe r ub a h a nf r e kue n s ida nh ub un gs i ngka ta n t a rl i l i t a n ,t e t a pikur a n ga kur a n un t uk me n de t e ks ia da ny aga n ggua na ki ba tke t i da ks e i mb a n ga nt e ga n ga n .Un t ukwa kt uy a n g a ka nda t a n gpe r l udi l a kuka npe r b a i ka ns y s t e m unt ukme ni ngka t ka na kur a s ii de n t i f i ka s i . Pe r b a i ka nda pa tdi l a kuka nde n ga nc a r ame mpe r b a i kipr os e sa wa ls e b e l um i de n t i f i ka s i y a n gme l i put idenoising, feature selection, da nfeature extraction de n ga nme n ggun a ka n pe r a n gka ta l gor i t may a n gbe r b e da .
5. 1. 5An a l i s aPe r f or maSVM de n ga nROC Pe r f or maSVM da l a m me n gi de n t i f i ka s iga n ggua nb e r da s a r ka ns pe c t r um a r us , a ka ndi uj ide n ga n me n ggun a ka nROC ( Re c e i ve rOpe r a t i n g Cha r a c t e r i s t i c )An a l y s i s . Ha s i la n a l i s i sROCdi s a j i ka npa daGa mba r5. 4da nGa mb a r5. 5.
26
Ga mb a r5. 4Ar e aUn de rCur v eROCTe s t Ga mb a r5. 5Gr a f i kConf us i onMa t r i x un t ukSi gn a lAr us un t ukSi gn a lAr us Be r da s a r ka nha s i lpe r hi t un ga n ,l ua sdida e r a hkur vaROCun t uks i gn a la r usa da l a h 0. 76493( 76, 49%)de n ga ns t a n da r te r r or0. 02226 ,da ns e l a n gke pe r c a y a a n95% b e r ki s a r pa da0. 72130hi n gga0. 80856.Ni l a il ua sda e r a hkur v as t a n da ra da l a h 11. 90 12.Ha s i li ni me n unj ukka nni l a iy a n gs i gni f i ka nka r e n al ua s ny al e bi hda r i50%.Na munb e gi t ua das a t u t i t i ky a n gbe r a dadi b a wa hga r i sa mba n g( ga r i sx =y ) ,s e hi nggada pa tdi ka t a ka nh a s i l a n a l i s i sROCb e r da s a rl ua sdi ba wa hkur v aa da l a hcukup baik. Ta b e l5 . 3Pe r f o r maSVM Be r b a s i sAr u so l e hROC No Va r i a b l e 1 Se ns i t i v i t y=TPr a t e 2 Spe c i f i c i t y 3 Pr e c i s i o n
Pr o b .Va l u e 0 . 6 5 5 3 0 . 6 4 4 2 0 . 6 5 1 6
Be r da s a r ka ngr a f i kc onf us i onma t r i xpa daGa mba r5 . 5da nTa b e l5. 3di ke t a h ui ni l a iTr uePos i t i fs e b e s a r66. 53%,f a l s epos i t i v e35. 58%,f a l s en e ga t i v e33. 47% da nt r ue n e ga t i v e64. 42%. Ha s i la n a l i s ab e r da s a r ka npe r hi t un ga ndi s a j i ka npa daTa b e l5. 3.De n ga nh a s i li nima ka b e r da s a ra n a l i s aROC,SVM me mi l i kipe r f or may a n gc ukup b a i k un t uk me l a kuka n i de n t i f i ka s iga n ggua nb e r da s a rpa r a me t e ra r us .
27
5. 2I de n t i f i ka s iGa n ggua nb e r da s a rAn a l i s aSpe kt r umVi b r a s i 5. 2. 1Ha s i lPe r e ka ma nSi gn a lVi br a s i Si gn a lVi br a s idi r e ka m me n ggun a ka na c c e l e r ome t e r3a xi s( x , y , z ) .Un t uks i gn a l vi br a s i ,n oi s ey a n gt e r e ka mt i da kl a hs e b e s a rpa das i gn a la r us ,s e hi n ggaun t uks i gn a l vi br a s it i da k di l e kuka n pe mf i l t e r a nt e t a pidi l a kuka n pr os e s de kompos i s ide n ga n t r a n s f or ma s iwa v e l e tda nt r a n s f or ma s if our i e runt uks e l a nj ut ny adi l a kuka npe r hi t un ga n ni l a if i t ur( f e a t ur ec a l c ul a t i on ) .Con t ohh a s i lr e ka ma ns i gna lvi b r a s iun t uks i gn a ln or ma l da ns i gn a lh ub un gs i n gka tdi s a j i ka npa daGa mba r5. 6da n5. 7.
Ga mb a r5. 6Si g na lVi b r a s iu n t u kKo nd i s iNo r ma l( NoFa u l t )5 0 Hz
Be r da s a r ka nGa mb a r5. 6da n5. 7 ,a da ny ah ub un gs i ngka tj i kadi b a n di ngka nde n ga n s i gna ln or ma l ,s a a th ub un gs i n gka ta dal onj a ka ns pe kt r um dibe b e r a pat e mpa t( t i me s a mpl i ngs e ki t a r400,600,da n800) .
Ga mb a r5. 7Si g na lVi b r a s iu n t u kKo nd i s iHu b u ngSi ng k a tAn t a rLi l i t a n5 0 Hz
28
5. 2. 2Ha s i lI de n t i f i ka s iSi gna lVi br a s ide n ga nSVM I de n t i f i ka s iga n ggua nb e r da s a rs i gn a lvi br a s ime n ggun a ka nSVM me n ggun a ka n l a n gka h l a n gka hs e pe r t ipa das i gn a la r us .Se t e l a ht a h a ppe r s i a pa n ,i de n t i f i ka s idi l a kuka n da nh a s i l ny adi pe r l i ha t ka ns e pe r t ipa daTa be l5. 4 Ta b e l5 . 4.Ha s i lAna l i s aSVM Be r d a s a rSi g n a lVi b r a s i No
Ti peGa nggu a n
1 2 3 4 5 6 7 8 9 10 11 12
No r ma l5 0Hz No r ma l4 0Hz No r ma l3 0Hz Sho r tCi r c ui tSS5 0 Hz Sho r tCi r c ui tSS4 0 Hz Sho r tCi r c ui tSS2 0 Hz Unb a l a nc eVo l t a g e5 %R Unb a l a nc eVo l t a g e5 %S Unb a l a nc eVo l t a g e5 %T Unb a l a nc eVo l t a g e1 0 %R Unb a l a nc eVo l t a g e1 0 %S Unb a l a nc eVo l t a g e1 0 %T Re r a t a
Ke k u a t a n I d e nt i f i k a s i( %) 1 0 0 9 3 . 7 5 1 0 0 1 0 0 1 0 0 7 3 . 7 5 8 1 . 2 5 7 5 5 1 . 2 5 8 . 7 5 4 7 . 5 6 1 . 2 5 7 4 . 3 7 5
Be r da s a r ka nni l a ipa daTa b e l5. 4di ke t a h uib a h wake kua t a ni de n t i f i ka s iga n ggua n b e r da s a r ka ns i gn a lvi b r a s it i da ks e b a i ks i gn a la r usde n ga nr a t a r a t a74. 375% .Se pe r t i h a l ny apa dai de n t i f i ka s ib e r da s a rs i gna la r us ,h a s i lt e r b a i kdi c a pa iol e hs i gn a ln or ma lda n s i gna lde n ga nga n ggua nh ub un gs i ngka t ,de n ga nke kua t a ni de n t i f i ka s ime n de ka t i100%. Se da n gka nun t ukUn b a l a n c ev ol t a ge5%,h a s i l ny ac ukupb a i kde n ga nni l a ir a t a r a t a 69, 17%,t e t a piun t ukunb a l a n c ev ol t a ge10% h a s i l ny al e bi hr e n da hl a gide n ga nni l a ir a t a r a t a39 . 17%.Ha li nidi ka r e na ka nb e n t uks i gn a ly a n gs a n ga tmi r i ps e hi nggake kua t a n i de n t i f i ka s ime nj a dir e n da h .Un t uk me n ge t a h uipe r f or ma SVM b e r da s a rpa r a me t e r vi br a s is e l a nj ut ny adi l a kuka na n a l i s iROC.
5. 2. 3An a l i s i sPe r f or maSVM de n ga nROCun t ukSi gn a lVi br a s i Ha s i lAn a l i s i s ROC un t uk ki n e r j a SVM da l a m me n gi de n t i f i ka s iga n ggua n n e r da s a r ka npa r a me t e rs i gn a lvi br a s idi s a j i ka npa daGa mb a r5. 8da n5. 9.
29
mb a r5 . 9 Gr a f i k Co nf u s i o n Ma t r i x Ga mb a r5 . 8Ar e aUnde rCu r v eAna l i s i sROC Ga Si g na lVi b r a s i Si g na lVi b r a s i
Be r da s a r ka n Ga mb a r5. 8 di ke t a h uib a hwa l ua skur v ame mi l i kicut of point ( l i n gka r a nbi r upa dagr a f i k)a da l a h 0. 7da nt i da ka dat i t i ky a n gb e r a dadi b a wa hga r i s a mb a n gx =y .Lua skur v a0. 80882a t a u80 . 88% di b a n di ngl ua ss t a n da r16. 7372 .St a n da r e r r ora da l a h0. 01846da ns e l a n gke pe r c a y a a n95% b e r a dapa dar e n t a n g 0. 77265s a mpa i 0. 84500.Be r da s a r ka nni l a i ni l a ii nima kah a s i la n a l i s i sROC me n unj ukka nni l a iy a ng “ b a i k” .Ni l a ii nil e bi hb a i kdi b a n di ngh a s i la n a l i s i spa das i gn a la r us . Ta b e l5. 5Pe r f o r maSVM Be r b a s i sVi b r a s iOl e hROC No Va r i a b l e 1 Se ns i t i v i t y=TPr a t e 2 Spe c i f i c i t y 3 Pr e c i s i o n
Pr o b .Va l u e 0 . 7 2 5 0 . 8 7 5 0 . 8 5 2 9
Be r da s a r ka ngr a f i kc onf us i onma t r i xpa daGa mba r5 . 9da nTa b e l5. 5di ke t a h ui ni l a iTr uePos i t i fs e be s a r72. 5%,f a l s epos i t i v e12. 5%,f a l s ene ga t i ve27. 5% da nt r ue n e ga t i v e87. 5%.Ha s i la n a l i s ab e r da s a r ka npe r hi t un ga ndi s a j i ka npa daTa b e l5. 4.Se l a i n i t uni l a iPr e c i s i onj ugal e bi hba i kdi ba n di nga n a l i s ab e r da s a rs i gn a la r usde n ga nni l a i s e b e s a r85. 29%.De n ga nh a s i li nima kab e r da s a ra n a l i s aROC,SVM me mi l i kipe r f or ma y a n gbaik un t ukme l a kuka ni de n t i f i ka s iga n ggua nb e r da s a rpa r a me t e rvi b r a s i .
5. 3Ha s i lI de n t i f i ka s iGa n ggua nKe t i da ks e i mba n ga nTe ga n ga nBe r b a s i sPa r a me t e rAr us Be r da s a r ka nh a s i li de n t i f i ka s ib a i kb e r ba s i s pa r a me t e ra r us da n vi b r a s i , pe n ge na l a nt e r h a da p ga n ggua n ke t i da ks e i mba n ga nt e ga n ga n me mbe r i ka n ni l a iy a n g 30
s a n ga tr e n da h .Ni l a ipe n ge n a l a nnny aa day a n gdi ba wa h50% b a h ka ns a n ga tr e n da hy a i t u 8% ke t i da ks e i mba n ga n10% pa daf a s eRpa dapa r a me t e rvi b r a s i .Ha li nidi mun gki nka n ka r e n ab e n t uks i ny a lke t i da ks e i mba nga nt e ga n ga nme mi l i kike mi r i pa nde n ga ns i ny a l y a n gl a i ns e hi nggani l a ipe n ge n a l a nny ake c i l . Da l a m b a gi a ni nia ka n di a n a l i s ah a s i li de n t i f i ka s is a a t ga n ggua n be r upa ke t i da ks e i mba n ga nt e ga n ga ndi a n a l i s at e r s e n di r i .Ke t i da ks e i mba n ga nt e ga n ga ns e b e s a r 1%,2%,3 %,4 %,da n5% un t uks e t i a pf a s ea ka ndi i de n t i f i ka s ibe r da s a r ka ns i ny a la r us me n ggun a ka nSVM.Tot a lke l a sa da15j e ni sga n ggua n .Me t odei de n t i f i ka s ime n gi kut i a l gor i t mai de n t i f i ka s ib e r ba s i sa r uspa dab a gi a n5. 1.Ha s i li de n t i f i ka s ike t i da ks e i mba n ga n t e ga n ga nme n ggun a ka nSVM di s a j i ka npa daTa be l5. 6.J i kai de n t i f i ka s ipa dapoi n5. 1 da n5. 2me n ggun a ka nke r ne lRBF,ma kaun t uki de n t i f i ka s ike t i da ks e i mba n ga nt e ga n ga n i ni ,a ka ndi uj ij ugaj i kadi a pl i ka s i ka nke r ne ly a n gl a i n ,y a i t uke r n e lMLP( mul t i l a y e r pe r c e pt r on ) . Ta b e l5 . 6Ha s i lI de nt i f i ka s iKe t i d a k s e i mb a ng a nTe g a n g a nBe r b a s i sPa r a me t e rAr u sd e ng a nSVM
31
Be r da s a r ka nTa b e l5. 6di ke t a h ui ,s a a tke t i da ks e i mba n ga nt e ga n ga ndi i de n t i f i ka s i s e c a r akh us us( t i da kdi ga b un gde n ga nj e ni sga n ggua ny a n gl a i n) ,s i s t e my a n gdi us ul ka n ma mpu me n ge na l iga n ggua n de n ga nh a s i ly a n gb a i k,l e bi hb a i k di ba n di n gh a s i l i de n t i f i ka s ipa daba gi a n5. 1da n5. 2.Ra t a r a t ape n ge n a l a nme mi l i kike kua t a ni de n t i f i ka s i s e b e s a r 81. 57%. Se da n gka n un t uk pe n ggun a a n ke r ne l ,MLP me mbe r i ka n ha s i l i de n t i f i ka s iy a n gl e bi hb a i kdi b a n di ngka nRBF.Ke kua t a ni de n t i f i ka s ide n ga nke r ne l MLP s e mua ny ab e r ni l a idi a t a s50%,s e da n gka nun t ukke r n e lRBFa day a n gb e r ni l a i kur a n gda r i50%.De n ga nb e n t uks i ny a ly a n gs a n ga tmi r i p,ka r e n ape r b e da a nma s i ngma s i n gga n ggua nh a ny a1%,h a s i li nidi ka t e gor i ka nba i k.
5. 4Ha s i lI de n t i f i ka s iBe r ba s i sSi ny a lAl i r a nUda r a Adaduaj e ni ss i ny a la l i r a nuda t ay a n gdi r e ka m,y a i t uke c e pa t a na l i r a nuda r a / velocity ( m/ s )da nde ns i t a sa l i r a nuda r a( mmc ) .Con t ohb e n t uks i ny a lt e r ukurun t uk ke duaj e ni sda t at e r s e b utdi s a j i ka npa daGa mba r5. 10da n5. 11.
Ga mb a r5. 1 0Ve l o c i t y( m/ s )Al i r a nUd a r aTe r e k a m Ak i b a tGa ng g u a n
32
Ga mb a r5. 10 me n unj ukka ns i ny a lh a s i lpe r e ka ma n ke c e pa t a na l i r a n uda r a me n ggun a ka na n e mome t e run t uk 3 k on di s i ,y a i t u kon di s in or ma lt a n pa ga n ggua n , kon di s ike t i da ks e i mba n ga nt e ga n ga n ,da nkon di s ih ub un gs i n gka ta n t a rl i l i t a n .Da r i ke t i gas i ny a lt e r s e b utj i kadi l i ha tda r ia mpl i t udony a( s umbuy ) ,s i ny a lt a mpa ks e r upa , s e hi nggas ul i tdi be da ka ns a t ude n ga nl a i nny a .
Ga mb a r5. 1 1De ns i t a s( mmc )Al i r a nUd a r aTe r e k a m Ak i b a tGa ng g u a n
Ga mb a r5. 11me n unj ukka nkon di s ide n s i t a suda r ay a n gt e r e ka ma ki ba tga n ggua n . Pa daga mb a rt e r s e b utt a mpa k,b a h waa mpl i t udede n s i t a sa l i r a n uda r apa f akon di s i ga n ggua n( ke t i da ks e i mba n ga nt e ga n ga n da nh ub un gs i ngka ta n t a rl i l i t a n )me mi l i ki a mpl i t udey a n gl e bi hb e s a rj i kadi ba n di ngka nde n ga nkon di s in or ma lt a n paga n ggua n . Un t uk l e bi h me muda h ka ni de n t i f i ka s i ,ma ka s i ny a ly a n gt e r e ka m t e r s e b ut di ny a t a ka nda l a mf i t ur f i t ury a n gdi hi t un gb e r da s a r ka nope r a s is t a t i s t i c .Fi t ury a n gdi ukur a da17y a n gme l i put umean, median, modus, kurtosis, standart deviasi, crest factor, form factor, rms, dl l .Ha s i lpe r hi t un ga nf i t urdi ny a t a ka nda l a m gr a f i kdi s a j i ka npa daGa mb a r 5. 12–5. 15 . .
33
Ga mb a r5. 1 2Ha s i lpe r hi t u ng a nf i t u rVe l o c i t yu d a r ak o nd i s iTa np aGa ng g u a n
Ga mb a r5. 1 3Ha s i lpe r hi t u ng a nf i t u rVe l o c i t yu d a r ak o nd i s iKe t i d a k s e i mb a ng a nTe g a n g a n
Ga mb a r5. 1 4Ha s i lpe r hi t u ng a nf i t u rVe l o c i t yu d a r ak o nd i s iHub u ngSi ng k a t
34
Be r da s a r ka nGa mba r5. 125. 14da pa tdi ke t a h ui ,da l a mb e n t ukf i t urkon di s it a n pa ga n ggua nda nke t i da ks e i mba n ga nt e ga n ga nme mi l i kib e s a r a nf i t ury a n gh a mpe rs a ma , s e da n gka nun t ukk on di s ih ub un gs i ngka ta n t a rl i l i t a n ,f i t ur f i t ur ny ame mi l i kia mpl i t ude y a n gl e bi hb e s a r . Kon di s ike pa da t a nuda r aa t a u de n s i t a sh a s i lpe r hi t un ga nf i t urdi s a j i ka npa da Ga mb a r5. 15da ns e t e r us ny a .
Ga mb a r5. 1 5Ha s i lpe r hi t u ng a nf i t u rVe l o c i t yu d a r ak o nd i s iTa np aGa ng g u a n
Ga mb a r5. 1 6Ha s i lpe r hi t u ng a nf i t u rVe l o c i t yu d a r ak o nd i s iKe t i d a k s e i mb a ng a nTe g a n g a n
35
Ga mb a r5. 1 7Ha s i lpe r hi t u ng a nf i t u rVe l o c i t yu d a r ak o nd i s iHub u ngSi ng k a tAnt a rLi l i t a n
Ni l a i ni l a if i t urpa da b e s a r a n de ns i t a sa l i r a n uda r a pa da Ga mba r5. 155. 17 me n unj ukka nni l a iy a n gl e bi ht i n ggidi ba n di ngka nni l a i ni l a if i t urpa dake c e pa t a na l i r a n uda r a .Se da n gka nun t uk kon di s iga n ggua nke t i da ks e i mba n ga nt e ga n ga nda nkon di s i n or ma l ,s i ny a l ny at a mpa ks e r upas e me n t a r aun t u kk on di s ih ub un gs i n gka ta n t a rl i l i t a n me n unj ukka nni l a iy a n gb e r be da . Be r da s a r ka nh a s i lpe r hi t un ga nf i t ur ,da r i17 f i t ury a n g di hi t un g di e ks t r a ks i me n ggun a ka n PCA s e hi ngga t i n gga l9 f i t ury a n g di pi l i h .Ha s i le ks t r a ks if i t uri ni s e l a nj ut ny adi e de n t i f i ka s ime n ggun a ka nSVM.Na munda r ih a s i li de n t i f i ka s idi ke t a h ui b a h wake kua t a ni de n t i f i ka s i ny as a n ga tr e n da h ,y a i t ub e r ki s a rAn t a r a2530% s a j a .Ha l i nike mun gki na n di s e ba b ka n ke t i da ks e s ua i a n pe r a n gka ty a n g di gun a ka n . Ar t i nya me s ki punda l a mi de n t i f i ka s ib e r b a s i sa r usda nvi br a s i ,SVM me mbe r i ka npe r f or may a n g b a gus ,n a munh a lt e r s e b utt i da kc oc okj i kadi a pl i ka s i ka nuny uks i ny a la l i r a nuda r a .Ma ka h a r usdi c a r ime t odel a i nun t ukme n gi de n t i f i ka s is i ny a la l i r a nuda r a .
36
VI. KESIMPULAN DAN SARAN
6. 1Ke s i mpul a n Be r da s a r ka nha s i la na l i s ada t ada r ipe n e l i t i a ni nida pa ti t a r i kke s i mpul a ns e ba ga ib e r i kut : 1.Te l a hdi b a n guns ua t us i s t e mi de n t i f i ka s iga n ggua nke l i s t r i ka npa daf a ni n dus t r i ( mot ori n duks i )me l a l ui5 t a h a p.Ke l i ma t a h a pi t ua da l a h de n oi s i ng s i gn a l me n ggun a ka nt r a n s f or ma s iwa ve l e t ,f e a t ur ec a l c ul a t i on be da s a r ka n ope r a s i s t a t i s t i kpa dada t ab e r b a s i swa kt u( t i meb a s e )da nbe r ba s i sf r e kue ns i( f r e kue n s i b a s e ) ,f e a t ur ee x t r a c t i onme n ggun a ka nPr i n c i pa lCompon e n tAn a l y s i s( PCA) , Cl a s s i f i c a t i on me n ggun a ka n Suppor tVe c t orMa c hi ne ( SVM) ,da n An a l i s i s Pe r f or maKl a s i f i ka s ime n ggun a ka nRe c e i ve rOpe r a t i n gCh a r a c t e r i s t i c( ROC) . 2.Apl i ka s is i s t e my a n gdi ba n gunpa dapa r a me t e rs i gn a la r usme n unj ukka n ,ba h wa s i s t e m da pa tme n gi de n t i f i ka s i12j e ni s( ke l a s )ga n ggua ns e c a r ab e r s a ma s a ma de n ga n ke kua t a n i de n t i f i ka s ir a t a r a t a 85. 3 8%. Pe r f or ma SVM un t uk me n gi de n t i f i ka s i ga n ggua nb e r da s a rpa r a me t e rs i gna la r usme n unj ukka nh a s i l y a n g“ c ukupb a i k”de n ga nni l a iGMe a n1. 1443. 3.Apl i ka s is i s t e my a n g di ba n gun pa da pa r a me t e rs i gn a lvi br a s ime n unj ukka n , b a h was i s t e m da pa tme n gi de n t i f i ka s i12j e ni s( ke l a s )ga n ggua ns e c a r ab e r s a ma s a ma de n ga n ke kua t a ni de n t i f i ka s ir a t a r a t a7 4. 37%.Pe r f or ma SVM un t uk me n gi de n t i f i ka s i ga n ggua nb e r da s a rpa r a me t e rs i gna la r usme n unj ukka nh a s i l y a n g“ b a i k”de n ga nni l a iGMe a n1. 207. 4.Ha s i la n a l i s i sROCt e r h a da ppe r f or maSVM un t ukpa r a me t e rs i gn a lvi b r a s il e bi h b a i kdi ba n di ngka ni de n t i f i ka s ime n ggun a ka ns i gn a la r us ,de n ga nt i n gka tpr e s i s i 0. 8529 b e r b a n di n g de n ga n 0. 6516.Ha s i ly a n gl e bi hb a i kj uga di t unj ukka n b e r da s a r ka nl ua sdi b a wa h kur v avi b r a s idi ba n di ng a r usb e r t ur u t t ur u ta da l a h 80. 88% di b a n di ng76. 49%. 5.Ha s i la n a l i s a kh us us un t uk ga n ggua n ke t i da ks e i mba nga nt e ga n ga n 1%5% b e r b a s i spa r a me t e ra r usde n ga nSVM me mbe r i ka nke kua t a ni de n t i f i ka s iy a n g l e bi hb a i k,di b a n di ngka nj i kadi i de n t i f i ka s ib e r s a ma s a maj e ni sga n ggua ny a n g
37
l a i n .De n ga nj uml a hke l a ss e b a ny a k15,ke kua t a ni de n t i f i ka s i ny ar a t a r a t as e b e s a r 81. 50% 6.Ha s i li de n t i f i ka s i ga n ggua nb e r da s a r ka ns i nya la l i r a n uda r at i da k da pa t di i de n t i f i ka s i me n ggun a ka n SVM, ma ka h a r us di c a r i me t ode l a i n un t uk me n gi de n t i f i ka s i ga n ggua nf a n be r b a s i ss i nya la l i r a n uda r a . Be r da s a r ka n gr a f i kny a ,kon di s ike t i da ks e i mba nga nt e ga n ga ns ul i tdi b e da ka nde n ga nkon di s i n or ma l ,s e da n gka nkon di s ih ub un gs i ngka tr e l a t i v el e bi hmuda hdi i de n t i f i ka s i .
6. 2Sa r a n Be r da s a r ka n ke s i mpul a n pa da b a gi a ns e b e l umny a ,un t uk me ni ngka t ka n kua l i t a s pe n e l i t i a ni nipe r l udi l a kuka nh a l ha ls e b a ga ibe r i kut: 1.Pe r l u me n ga pl i ka s i ka nj e ni sc l a s s i f i e ry a n gl a i ns e l a i n SVM un t uk me n guj i ke a n da l a ns i s t e ml e bi hj a uh ,mi s a l ka nde n ga nme n ggun a ka nEmerging Pattern ( Pol aKe r a p)s e b a ga ipe n gkl a s i f i ka s i . 2.Pe r l ume mpe r b a i kipr a pr os e ss e b e l um i de n t i f i ka s ide n ga nme nc ob ape r a n gka t l a i ns e l a i nPCA un t uke ks t r a ks if i t ur ,mi s a lIndependent Component Analysis ( I CA)a t a uj e ni spe r a n gka ty a n gl a i n . 3.Un t ukme n guj is i s t e ml e bi hl a nj ut ,pe r l udi t a mb a hka npa r a me t e ry a n gl a i ns e pe r t i t e mpe r a t urme s i n .
38
DAFTAR PUSTAKA Ac os t a ,G.G. ,C.J .Ve r uc c hi ,a n dE. R.Ge l s o,2 006,“ Ac ur r e n tmoni t or i n gs y s t e mf or di a gn os i n ge l e c t r i c a lf a i l ur e si ni n duc t i onmot or s ” ,Me c h a ni c a lSy s t e ma n dSi gna l Pr oc e s s i ng,20,pp .953-965. An oni mous ,1989,I mpr ovi n gFa nSy s t e mPe r f or ma n c e ,U. S.De pa r t me n tofEn e r gy ’ s ( DOE)I n dus t r i a lTe c hn ol ogi e sPr ogr a ma n dt h eAi rMov e me n ta n dCon t r ol As s oc i a t i onI n t e r n a t i on a l ,I n c .( AMCA) Ams t r on g,P.R,C.R.La ughma n ,S. B.Le e b ,L.K.Nor f or d ,2004 ,“f a ul tDe t e c t i on b a s e donmot ors t a r tt r a n s i e n ta n ds h a f tha r moni c sme a s ur e da tt h eRTU e l e c t r i c a l s e r vi c e ,I n t e r n a t i on a lRe f r i ge r a t i ona n dAi rc on di t i oni ngConf e r e n c e ,Pur due ,J ul y 1215. BoSukYa n ga n dKwa n gJ i nKi m,2006,“ Appl i c a t i onofDe ms t e r Sh a f e rt h e or yi nf a ul t di a gn os i sofi nduc t i on mot orus i n g vi br a t i ona n dc ur r e n ts i gn a l s ” ,Me c h a ni c a l Sy s t e ma n dSi gn a lPr oc e s s i n g,20,pp.403420 . Chi nma y aKa ra n dA. R.Moh a n t y ,2006,“ Moni t or i n gge a rvi br a t i ont h r oughmot or c ur r e n ts i gn a t ur ea n a l y s i sa n dwa ve l e tt r a n s f or m” ,Me c h a ni c a lSy s t e ma n dSi gn a l Pr oc e s s i ng,20,pp .158 187. Cor t e s ,C.a n dV.Va pni k,1995,Supp or tVe c t orNe t wor k ,Ma c hi neLe a r ni ng,20,pp . 273297. Di di e r ,G. ,E.Te r n i s i e n ,O.Ca s pa r y ,a n dH.Ra z i k,2007,“ An e wa ppr oa c ht ode t e c t r ot orb a r si ni n duc t i onma c hi ne sbyc ur r e n ts pe c t r um a n a l y s i s ,Me c h a ni c a lSy s t e m a n dSi gna lPr oc e s s i ng,21,pp .1127–1 142. Don g,G. ,X.Zh a n g,L.Won g,a n dJ .Li ,1999,CAEP:Cl a s s i f i c a t i onbyAggr e ga t i n g Eme r gi n gPa t t e r n s ,Di s c ove r ySc i e n c e99. Fa wc e t t ,T“ AnI n t r oduc t i ont oROCa n a l y s i s ” ,2006,Pa t t e r nRe c ogni t i onLe t t e r s ,27 ,pp 861–874 Gh a t e ,V.N.a n dS.V.Dudul ,2010,“ Opt i ma lMLPn e ur a ln e t wor kc l a s s i f i e rf orf a ul t de t e c t i onoft h r e eph a s ei n duc t i onmot or ” ,Ex pe r tSy s t e mwi t hAppl i c a t i ons ,37,pp. 34683481. Gul de mi r ,H. ,2003 ,“ De t e c t i onofa i r ga pe c c e nt r i c i t yus i ngl i nec ur r e n ts pe c t r um of i nduc t i onmot or s ,El e c t r i cPowe rs y s t e mRe s e a r c h ,64,pp.109–117. I n t e r n a t i ona lEn e r gy Age n c y( I EA) ,Re a lTi me Si mul a t i on ofHVAC Sy s t e m f or Bui l di ng Opt i mi z a t i on ,Fa ul tDe t e c t i on a n d Di a gn os t i c s ,Te c hni c a lSy n t h e s i s
39
Re por t ,I EAECBCS,Ann e x25,En e r gyCon s e r v a t i oni nBui l di nga n dCommuni t y Sy s t e m. I s e r ma nn ,R. ,1984 ,Pr oma t i c a ,Vol .20,No.4 ,pp .387–404 ,Pe r ga monPr e s sLt d. J a f a rZa r e ia n c e s sFa ul tDe t e c t i onBa s e donMode l l i nga n dEs t i ma t i onMe t h ods–A Sur v e y ,Aut odJ a v a dPos h t a n ,2009,” Ana dv a n c e dPa r k’ sv e c t ora ppr oa c hf or b e a r i ngf a ul tde t e c t i on ” ,Tr i b ol ogyI n t e b r n a t i on a l ,42,pp .213219 . J ol l i f i e ,I . T. ,Pr i nc i pa lCompon e n tAn a l y s i s ,Spr i nge r ,Ne wYor k,1986. Ka r a mi ,F. ,J .Pos h t a n ,a n dM.Pos h t a n ,2010,“ De t e c t i onofb r oke nr ot ori ni n duc t i on mot or sus i n gn onl i ne a rKa l ma nFi l t e r s ” ,I SATr a ns a c t i on s ,49,pp.189195 . LiXue me i ,Sh a omi ng,Di n gLi xi ng,XuGa n g,a ndLiJ i bi n,2009a ,“ An ov e lHVACf a n ma c hi ne r yf a ul tdi a gn os i sme t h od b a s e d on KPCA a n d SVM” ,I n t e r n a t i on a l Conf e r e n c eonI n dus t r i a lMe c h a t r oni c sa n dAut oma t i on . LiXue me i ,Di ngLi xi ng,LiYa n ,XuGa n g,a n dLiJ i bi n,2009b ,“ HVACf a nma c hi ne r y f a ul tdi a gn os i sb a s e d onANN a n d DS Evi de n c eTh e or y ” ,I I TA I n t e r n a t i on a l Conf e r e n c eonCon t r ol ,Aut oma t i ona n dSy s t e mEn gi ne e r i ng. Rodr i gue z ,P.V.J . ,a n dA.Ar kki o,2008,“ De t e c t i onofs t a t orwi n di ngf a ul ti ni nduc t i on mot orus i n gf uz z yl ogi c ” ,Appl i e dSof tComput i n g8,pp.11121120. Si n gh ,G. K. ,Sa l e hAlKa z z a zSa ’ a dAhme d,2004,“ Vi b r a t i ons i gn a la n a l y s i sus i ng wa v e l e tt r a n s f or mf ori s ol a t i ona n di de n t i f i c a t i onofe l e c t r i c a lf a ul ti ni n duc t i on ma c hi ne ” ,El e c t r i cPowe rSy s t e mr e s e a r c h ,68,pp .119–136. Smi t h ,L.I .“ A Tut or i a lPr i n c i pa lCompon e n tAn a l y s i s ” ,Uni ve r s i t yofOt a g o,Ne w Ze a l a n d, 2002, www. c s . ot a g o. a c . n z / c os c 453/ s t ude n t _ t u t or i a l s / pr i nc i pa l _c ompon e n t s . pdf St oupe ,D. E.a n d T.Y.La u,1989,“ Ai rc ondi t i oni ng a n dr e f r i ge r a t i on e qui pme n t f a i l ur e s ” ,Na t i on a lEn gi ne e r ,9/ 89. V.N.Va pni k,1998,Statistical Learning Theory.Ne wYor k:Wi l e y ,1998. Wi dodo,A. ,BoSuk Ya n g,2008,“ Wa v e l e ts uppor tv e c t orma c hi ne f ori nduc t i on ma c hi nef a ul tdi a gn os i sb a s e dont r a n s i e n tc ur r e n ts i gn a l ” ,Ex pe r tSy s t e m wi t h Appl i c a t i on35, pp.307316 .
40
LAMPIRAN La mpi r a n1.Pr ot ot i peSi s t e mI de n t i f i ka s iGa n ggua nPa daFa n
La mpi r a n1. 1Ra n gka i a nPr ot ot i peun t ukAkui s i s iDa t a
La mpi r a n1. 2Pr ot ot i peFa nI n dus t r i( Mot ori n duks i3f a s a+i mpe l l e r ) 41
Lampiran 3. Biodata Peneliti 3.1 Biodata Peneliti Utama 1) Identitas peneliti serta alamat lengkap 1. Nama 2. Tempat dan Tanggal lahir 3. Jabatan Fungsional 4. Alamat 5. No. Telpon/Fax 6. email
: Dian Retno Sawitri : Ngawi, 16 Juli 1967 : Lektor : Jl. Gunung Jati Utara IV / 204 Mangkang Indah, Semarang : +62811279204 :
[email protected] [email protected]
2) Pendidikan sarjana ke atas No 1 2 3 4 5
Pendidikan Perguruan Tinggi Kota Gelar Tahun Tamat Bidang Studi
S1 Universitas Diponegoro Semarang Ir. 1992 Peternakan
S2 Universitas Gadjah Mada Jokjakarta M.T 2002 Teknik Elektro
3) Kedudukan/jabatan saat ini 1. Dosen Teknik elektro Universitas Dian Nuswantoro Semarang, Tahun 2001 Sekarang 4) Riwayat Pekerjaan / Jabatan 1. Dosen AMIK Dian Nuswantoro Semarang Tahun 1993 - 1995 2. Dosen STMIK Dian Nuswantoro Semarang, Tahun 1995 - 2001 3. Kepala Pusat Penelitian STMIK Dian Nuswantoro Semarang, Tahun 1995 – 1998 4. Sekretaris Dekan Fakultas Teknik Universitas Dian Nuswantoro Semarang, Tahun 2003 – 2009. 5. Dosen Teknik elektro Universitas Dian Nuswantoro Semarang, Tahun 2001 – Sekarang
42
5) PENGALAMAN PENELITIAN No Ta h un
J udulPe n e l i t i a n
1
2013
Si s t e mI de n t i f i ka s ida nDi a gn os i s Ga n ggua npa daFa nI n dus t r i Be r b a s i sKe c e r da s a nBua t a n
2
2012
Si s t e mI de n t i f i ka s ida nDi a gn os i s Ga n ggua npa daFa nI n dus t r i Be r b a s i sKe c e r da s a nBua t a n
Pe n da n a a n Sumb e r J ml Rp.49. J u t a Hi b a h Be r s a i ngDI KTI -Ta h un ke 2 Rp.39J u t a Hi b a h Be r s a i ngDI KTI -Ta h un ke 1
6) PENGALAMAN PENULISAN ARTIKEL ILMIAH DALAM JURNAL No
Ta h un
1
2012
2
2009
Na mape n ul i s ,J udulka r y ai l mi a h
Na maJ our n a l ,Vol ume , Ha l a ma n Dian R. Sawitri, I . Ke t u t E. J our n a lofThe or e t i c a la n d Pur n a ma , Moc h a ma d As h a r i , ” Appl i e dI nf or ma t i on De t e c t i onOfEl e c t r i c a l Fa ul t sI n Te c hn ol ogy,Vol .40.No.1, I n duc t i onMot orFe dByI nve r t e r 2012,pp .023–028 . Us i n g Suppor t Ve c t or Ma c hi ne a n d Re c e i ve r Ope r a t i n g Cha r a c t e r i s t i c ” , Dian Retno Sawitri, Ar i f J our n a lI PTEKSVol .20,No.4 Mun t a s a ,Ke t utEdiPur n a ma ,M. Nov e mb e r2009,LPPM –I TS As h a r i ,Ma ur i dhiHe r yPur n omo, “ Data Mining Based Receiver Operating Characteristic (ROC) For Fault Detection and Diagnosis in Radial Distribution system With Wavelet-Support Vector Machine”
43
7) PENGALAMAN PENULISAN ARTIKEL ILMIAH DALAM SEMINAR No
Ta h un
1
2013
2
2011
3
2010
4
2009
5
2009
6
2009
Na mape n ul i s ,J udulka r y ai l mi a h D. R. Sawitri, D. A. Asfani, M. H. Purnomo, I. K. E. Purnama, M. Ashari, “Ea r l yDe t e c t i onof Unb a l a nc eVol t a gei nTh r e e Ph a s eI n duc t i onMot orBa s e don SVM” Dian Retno Sawitri, Ke t u tEddy Pur n a ma ,Moc h a ma dAs h a r i , Noi s eRe duc t i oni nMot orCur r e n t Spe c t r umAn a l y s i sus i ngWa v e l e t a n dPr i n c i pa lCompon e n t An a l y s i s , Dian Retno Sawitri, Ke t u tEddy Pur n a ma ,Moc h a ma dAs h a r i , Wa ve l e tb a s e ds pe c t r aa n a l y s i st o i de n t i f i e df a ul ti nr a di a l di s t r i b ut i ons y s t e m Dian Retno Sawitri, Ke t u tEddy Pur n a ma ,Moc h a ma dAs h a r i , “ Mode l i ngAi r Con di t i one dRoom i nBui l di ngHVACSy s t e msf or Fa ul tDe t e c t i ona n dDi a gn os i s ( FDD) Supa r y ,D. Retno Sawitri, M. He r yP,“ Ge n e t i cpr ogr a mmi ng f un c t i onr e pr e s e n t a t i onf orf uz z y pol a rs pe e dc on t r ol l e rofi n duc t i on mot or ’ , Dian Retno Sawitri,Ar i f Mun t a s a ,M. As h a r i ,Ma ur i dhi He r yPur n omo,I de n t i f i ka s i Ga n ggua nSi s t e mDi s t r i b us i Ra di a lBe r b a s i sWa v e l e t Suppor t Ve c t orMa c hi n e
Na maConf e r e n c e ,Vol ume , Ha l a ma n 9t hI EEEI n t e r n a t i on a l Sy mpos i umonDi a gn os t i c sf or El e c t r i c a lMa c hi ne ,Powe r El e c t r oni c s&Dr i ve s ( SDEMPED2013) ,pp.601607 . I n t e r n a t i ona lSt ude n t Conf e r e n c eofAdv a n t a c e d Sc i e n c ea n dTe c hn ol ogy ( I CAST) ,2011 ,J i n a n ,Chi na .
I n t e r n a t i ona lSt ude n t Conf e r e n c eofAdv a n t a c e d Sc i e n c ea n dTe c hn ol ogy , ( I CAST)2010,Kuma mot o, J a pa n I n t e r n a t i ona lSt ude n t Conf e r e n c eofAdv a n t a c e d Sc i e n c ea n dTe c hn ol ogy ( I CAST)–2009 ,Kor e a
I CI CI–BME, 2009 ,I TB– Ba n dun g.
CI TEE2009UGM –Yogy a ka r t a
Semarang, 9 Desember 2013
Dian Retno Sawitri
44
3.2 Biodata Peneliti Anggota 1
I .I de n t i t a sPe n e l i t i 1.Na maLe n gka pda nGe l a r
: Dr .I n g.Vi nc e n tSuh a r t on o
2.J e ni sKe l a mi n
: La ki l a ki
3.Te mpa t / t gll a hi r
: Sa l a t i ga ,Oc t ob e r8th1954
4.St a t usMa r i t a l
: Me ni ka h
5.Di s i pl i nI l mu
: Te kni kEl e kt r o
6.Pa n gka t / Gol on ga n
:I I I C
7.J a b a t a nFun gs i on a l / St r ukt u r a l : Le kt or 8.Fa kul t a s / Pr ogr a mSt udi
: Fa kul t a sTe kni k/ Te kni kEl e kt r o
9.Al a ma t
:J l .Na kul aI/5 11Se ma r a n g
Telepon 10.
:
11.Al a ma tRuma h
:J l .Kumuda s mor oDa l a mI VNo.13A,RT02/
024 – 3555628
RW05Bon gs a r i ,Se ma r a n g50148, I n don e s i a 12. HP
:
13.Al a ma te ma i l
: vi s h t n@gma i l . c
[email protected]
+628122819086
I I .Pe n di di ka n 1999 Dr.-Ing. Doc t orDe gr e e ofEl e c t r oni c s Te c hn ol ogy ,Uni ve r s i t a e tBr e me n Ge r ma ny .Di s s e r t a t i on i n Ge r ma n :“ Aut oma t i s c h e Tr a j e kt or i e n ge n e r i e r un ge i n e s a ut on ome n Rob ot e r s mi t t e l sn e ur on a l e r Ne t z e – Aut oma t i ct r a j e c t or y of a n a ut on omousr ob otus i n gn e ur a ln e t wor ks ” 1986Dipl.-Ing. ofEl e c t r oni c sTe c hn ol ogy ,Uni ve r s i t a e tBr e me nGe r ma ny .Th e s i si n Ge r ma n :“ Ei nPEARLor i e n t i e r t e sRe a l z e i tFORTRAN –A PEARLor i e n t e dRe a l Ti meFORTRAN” 1979Ing.(grad.) i nI nf or ma t i onTe c hn ol ogya ndBr oa dc a s t i n gTe c hn ol ogyf r om Fa c hh oc hs c h ul e Bi e l e f e l d Ge r ma ny . Te a m Wor k, Topi k i n Ge r ma n “ Pl a nni ng/ de v e l opme n tofaMi c r oc omput e rSy s t e mf orr e c or di n gt h eme a s ur e dv a l ue ofc ur r e n t ,v ol t a ge ,a c t i v epowe ra n da ppa r e n tp owe r ,i n c l udi ngt h eme a s ur i n gpoi n t s e t t i n ga n de x pos ur es e t t i n ga n dt h ene c e s s a r ys of t wa r e ”
45
III. Jabatan Saat ini 2002 ... l e c t ur e ra tDi a nNus wa n t or oUni v e r s i t y . 1990 – 2001 l e c t ur e ra tSa t y aWa c a n aCh r i s t i a nUni ve r s i t y( UKSW)Sa l a t i ga . 1986 – 1989 EDPMa n a ge rPTFl oe t ot t oI n don e s i aSe ma r a n g IV. PUBLIKASI Vi n c e n tSuh a r t on oa n dT.Su t oy o“ Te or iPe n gol a h a nCi t r aDi gi t a l ” Pe n e r bi tAn di Of f s e t,Yogy a ka r t a ,De c e mb e r2009,I SBN:978– 979–29–0974–6. Vi n c e n t Suh a r t on o, Pu r wa n t o a n d Ar i f Kur ni a di ,“ Apl i ka s i Mul t i me di a Pe mb e l a j a r a nAl urPr os e durPe l a y a na nRe ka m Me di sRuma hSa ki tUn t uk Ma h a s i s waD3Re ka m Me di sda nI nf or ma s iKe s e h a t a n”,J ur n a lTe kn ol ogi I nf or ma s i ,Pe b r ua r y2009,I SSN:1414 9999 Vi n c e n tSuh a r t on o,Ar iSus e n o da n Pur wa n t o,“ Re ka y a s a Si s t e m I nf or ma s i Ge ogr a f i sTa t aGun aLa h a n ” ,J ur n a lTe kn ol ogiI nf or ma s i ,Pe b r ua r i2007, I SSN:1414 9999 Vi n c e n tSuh a r t on o,“ Pe r a n c a n ga n Pe r a n gka tLun a k Comput e rBa s e d Tr a i ni ng Un t ukPe mb e l a j a r a nBe r hi t un g” ,J ur n a lTe kn ol ogiI nf or ma s i ,Pe b r ua r i2006, I SSN:1414 9999 Vi n c e n t Suh a r t on o,“ Te kn ol ogiKompr e s iVi de o Di gi t a l ” ,J ur n a lTe kn ol ogi I nf or ma s i ,Agus t us2005,I SSN:14149999 Vi n c e n tSuh a r t on o,Da r ma wa n Ut omo da n AndyNugr oh o,“ Kompi l e rLogi ka Se b a ga iPe r a n gka tLun a k Pe mba n t u Pe mpr ogr a ma n Pr ogr a mma bl eLogi c Con t r ol l e rJ e ni sCPM1” ,TECHNE( J ur n a lI l mi a hEl e c t r oni ka ) ,Okt ob e r2002, I SSN:1412 8292
Se ma r a n g,Me i30th,2011 Yours faithfully,
(Vincent Suhartono)
46
3.3 Biodata Peneliti Anggota 2 Identitas Peneliti 3.4 Nama Lengkap dan Gelar
:
M Ary Heryanto, M.Eng.
3.5 Jenis Kelamin
:
Laki-laki
3.6 Tempat/tgl lahir
:
Semarang, 31 Mei 1973
3.7 Status Marital
:
Menikah
3.8 NPP
:
0686.11.2002.309
3.9 Disiplin Ilmu
:
Teknik Elektro
3.10 Pangkat/Golongan
:
IIIA
3.11 Jabatan Fungsional/Struktural
:
Lektor/Sekertaris Dekan
3.12 Fakultas/Program Studi
:
Fakultas Teknik/Teknik Elektro
3.13 Alamat
:
Jl. Nakula I / 5-11 Semarang
3.14 Telepon
:
024 – 3555628
3.15 Alamat Rumah
:
Jl. Seroja Timur No. 1 Semarang
3.16 HP
:
085 – 640341643
3.17 Alamat e-mail
:
[email protected]
Pendidikan
:
a. S1 Institut Teknologi Nasional Malang (1991-1997) b. S2 Magister Teknik Instrumentasi UGM Yogyakarta (2006-2008) Publikasi & Penelitian
:
Penelitian - Rancang Bangun Sistem Parkir Otomatis Dengan Keamanan Kartu Ber-Password, Universitas Dian Nuswantoro, 2003, Ketua. - Rancang Bangun Robot Pengikut Cahaya Berbasis AVR ATMega 8535, Universitas Dian Nuswantoro, 2007, Ketua. - Aplikasi Gelombang Ultra Sound pada Tongkat Putih untuk Peringatan Dini bagi Penyandang Tuna Netra Kopertis VI, 2010, Ketua.
Publikasi - M Ary Heryanto, Simulasi Penguat Operasional dengan LabView, Majalah Ilmiah Dian, ISSN : 1412-3088, Vol.3 No.3 September 2004. - M Ary Heryanto, Mesin Cuci Berbasis Fuzzy Logic, Jurnal Ilmiah Techno Science, ISSN : -, Fakultas Teknik Universitas Dian Nuswantoro Semarang, Vol 1, No 1 Mei 2007, hal 1-10.
47
- M Ary Heryanto, Tombol Cerdas Cermat Terintegrasi Komputer, Jurnal Ilmiah Techno Science, ISSN : 1978-9793, Fakultas Teknik Universitas Dian Nuswantoro Semarang, Vol 1, No 2 Oktober 2007, hal. 113-117. - M Ary Heryanto, Analisa Rangkaian Listrik dengan Multisim untuk Mendukung Praktikum Rangkaian Listrik, Majalah Ilmiah Dian, ISSN : 1412-3088, Vol.6 No.2 April 2007, hal. 62-73. - M Ary Heryanto, Robot Pengikut Cahaya Berbasis AVR Atmega8535, Majalah Ilmiah Dian, ISSN : 1412-3088, Vol.7 No.1 Januari 2008, hal. 51-62. - M Ary Heryanto, Perancangan Sistem Rekam Medis pada Terapi Hipertermia, Jurnal Ilmiah Techno Science, ISSN : 1978-9793, Fakultas Teknik Universitas Dian Nuswantoro Semarang, Vol 2, No 2 Oktober 2008, hal. 223-229. 14. Pekerjaan
:
- Staf Pengajar di Fakultas Tenik UDINUS Semarang (2002 – sekarang) - Ketua Laboratorium Fakultas Teknik UDINUS Semarang (2004 – 2009) - Sekertaris Dekan di Fakultas Teknik UDINUS Semarang (2009 – sekarang)
Semarang, 30 Mei 2011
M Ary Heryanto, S.T. M.Eng. NPP: 0686.11.2002.309
48
FORMULIR EVALUASI ATAS CAPAIAN LUARAN KEGIATAN Ketua Perguruan Tinggi Judul
: Dr. Ir. Dian Retno Sawitri, M.T. : Universitas Dian Nuswantoro : Sistem Identifikasi dan Diagnosis Gangguan pada Fan Industri Berbasis Kecerdasan Buatan
Waktu Kegiatan: Tahun ke 2 dari rencana 2 tahun Luaran yang direncanakan dan capaian tertulis dalam proposal awal No Luaran yang Direncanakan Capaian 1 Presentasi pada Seminar Internasional Sudah direalisasikan 2 Submit ke jurnal Internasional Dalam bentuk draft
1. PUBLIKASI ILMIAH Keterangan Artikel Jurnal Ke-1 Nama Jurnal yang dituju Klasifikasi Jurnal Impact Factor jurnal Judul Artikel
Status Naskah (beri tanda ) - Draft artikel - Sudah dikirim ke jurnal - Sedang ditelaah - Sedang direvisi - Revisi sudah dikirim ulang - Sudah diterima - Sudah terbit
Applied Soft Computing Jurnal Internasional 2,6 A Robust and Accurate Early Warning System of Induction Motor Faults using Multi-Class Support Vector Machine
√
Keterangan Artikel Jurnal Ke-2 Nama Jurnal yang dituju Klasifikasi Jurnal Impact Factor jurnal Judul Artikel Status Naskah (beri tanda ) - Draft artikel - Sudah dikirim ke jurnal - Sedang ditelaah - Sedang direvisi - Revisi sudah dikirim ulang - Sudah diterima - Sudah terbit
IEEE Transaction on Industrial Electronic Jurnal Internasional H Indeks 116 Support Vector Machine Based vibration spectrum Analysis for fault identification in induction motor √
49
2. PEMBICARA PADA PERTEMUAN ILMIAH (SEMINAR/SIMPOSIUM) Nasional Internasional Nama Pertemuan Ilmiah 9th IEEE International Symposium on Diagnostics for Electrical Machine, Power Electronics & Drives (SDEMPED 2013) Tempat Pelaksanaan Universitat Politècnica de València, Valencia, Spain Waktu Pelaksanaan 27 – 31 Agustus 2013 - Draft makalah - Sudah dikirim - Sedang direview - Sudah dilaksanakan √ Semarang, 9 Desember 2013 Ketua
Dr. Ir. Dian Retno Sawitri, M.T.
50
Early Detection of Unbalance Voltage in Three Phase Induction Motor Based on SVM D. R. Sawitri, D. A. Asfani, M. H. Purnomo, I. K. E. Purnama, M. Ashari
Abstract -- Unbalance voltage supply in induction motor is a crucial problem. This paper proposes an original system to detect an unbalance voltage condition in induction motor using Support Vector Machine (SVM). Induction motor current, as a signal due to the unbalance voltage supply in three-phase induction motor, is recorded in lab bench. The features of recorded signals are extracted by wavelet transform and Principal Component Analysis algorithm. Then, the quality of detection is classified by SVM, and the average result of detection is 86%.
Index Terms--Unbalance Voltage, Support Vector Machine (SVM)
Induction
Motor,
I. NOMENCLATURE
i ~ I p P0 qds sn sp t T0 ~ V v e
:: Current vector (A) : Current phasor (A) : Instantaneous active power (W) : Average active power (W) : Stator oriented reference frame : Negative sequence : Positive sequence : Time (s) : Average Torque (N/m) : Voltage phasor (V) : Voltage vector (V) : Electrical angular frequency (rad/s). II. INTRODUCTION
I
nduction motor is critical device in industrial process. Fault in induction motor causes loss due to disruption of the production process. Beside influenced by internal factor, faults in induction motor are also influenced by external factor. The internal factor, such as inter turn short circuits, broken rotor bar, or the damage of the bearings.
This work was supported in part by Directorate General of Higher Education, Department of Education and Culture, Indonesia D. R. Sawitri is with Electrical Engineering Departmen, Dian Nuswantoro University, Indonesia (e-mail:
[email protected];
[email protected]). D.A. Asfani, M. H. Purnomo, I. K. E. Purnama, and M. Ashari is with the Department of Electrical Engineering, Institut Teknologi Sepuluh Nopember, Indonesia (e-mail::
[email protected];
[email protected];
[email protected];
[email protected]).
Induction motor faults due to external factor are influenced by the input of power quality. One is the voltage unbalance. In three phase system, voltage unbalance occurs when the phase or the magnitude of each line and or phase angel is different from a balanced condition. Unbalance voltage will give effect to induction motor performance. [1]. The small unbalance voltage may generate a large negative sequence. This can lead to increase the heat of stator winding and rotor bar. Unfortunately, the heat is not producing the useful power. [2]. Identification of unbalance voltage in induction motor is needed. It can minimize the greater losses. Fault identification in induction motor can be done by analyze the current spectrum. Past research on voltage unbalance is reported by [3]. Voltage unbalance identified based vector Park component and then it is analyzed using Fast Fourier Transform (FFT). The other research for identified voltage unbalance is reported by [4]. This study identified external faults in induction motor include voltage unbalance using Artificial Neural Network (ANN). Current spectrum has widely been used to detect a fault in induction motor. Motor current signature analysis (MCSA) have been used to detect the broken rotor bar with Discrete Fourier Transform method [5], [6]. Current spectrum analyze is also used to detect short circuits in stator winding [5] and air gap eccentricity [7]. Several previous studies have applied intelligent system to detect fault in induction motor. The methods were applied to include fuzzy logic [8], [9], [10] FFT [8], [10], [11], [12], ANN [8], Support Vector Machine (SVM) [7], [13], [14], and Kalman Filter [15]. Unbalance voltage is difficult to detect by current signal due to the similarity between one type signals with another. However, the small unbalance voltage if not immediately identified may cause large losses. The loss is caused by the energy waste due to the heat generate. If it is not handled immediately then the unbalance voltage may cause damage to the motor, so the production process must be terminate. Unbalance voltage is not easily identified by current spectrum analysis. By applied an intelligent system, it is expected the process of identification become easier. This paper will discuss identification unbalance voltage in induction motor using Support Vector Machine (SVM).
978-1-4799-0025-1/13/$31.00 ©2013 IEEE
601
effect in torque and motor power. Unbalance voltage produce the oscillation of power when the supply frequency twice normal condition. This condition causes additional oscillation of torque and causes vibration. [17]. If the motor is supplied with voltage that is not balanced, the voltage and current in steady state describe in (3) and (4).
III. UNBALANCE VOLTAGE A. Definition There are 3 definition of unbalance voltage, which are NEMA definition, IEEE definition, and True definition. These definitions describe as follows [1]. NEMA Definition (National Equipment Manufacturer’s Association) about unbalance voltage is also called with Line Voltage Unbalance Rate (LVUR). max voltage deviation from avg line voltage % LVUR .100 avg line voltage IEEE Definition: IEEE definition about unbalance voltage also called with phase voltage unbalance rate (PVUR) is defined as: max voltage deviation from avg phase voltage % PVUR .100 avg phase voltage
~ ~ v qds Vspe je t Vsn* e j et ~ ~ i qds I spe je t I sn* e je t
negative sequence voltage component
P
.100
Components voltage of positive and negative sequence is obtained from unbalance of each phase. Vab, Vbc, and Vca are described into symmetric component Vsp and Vsn (from each phase). Two balanced components are definite in (1) and (2). V
V
sp
sn
(5)
3 ~ ~ ~ ~ Re Vsp I sp* Vsn* I sn 2 3 3 ~ ~ ~ ~ Re Vsp I sn e j 2et Re Vsn* I sp* e j 2et 2 2
P
(6)
In condition such as (6), active power of motor in unbalance voltage condition will cause the components oscillate at a frequency of 2 times the fundamental frequency. The first component will generate the greatest power amplitude. Amplitude depends on positive sequence voltage. Negative sequence voltage will also affect the magnitude of the power amplitude though not as positive sequence. IV. EXPERIMENTAL SETUP AND DATA GENERATION A. Data Generation Three phase induction motor, 0.25 kW, 220/380 V, 1320 rpm, is running in unbalance voltage condition. Current
(1)
3
3 * Re v qds i qds 2
With substitution (3) and (4) in (5), obtained the following result:
potitive sequence voltage component
2 Vab a.Vbc a .Vca
(4)
Based on equation of voltage and current, can be defined equation to calculate the active power (5).
IEEE definition is similar with NEMA definition. The difference is that IEEE use phase voltage and NEMA use information about voltage line-to-line. Information about phase angel not appears in those equations. True Definition: Unbalance voltage is defined as ratio of negative sequence voltage with positive sequence voltage. The value is defined as the percentage of voltage unbalance factor (VUF). %VUF
(3)
2 Vab a .Vbc a.Vca 3
(2)
o 2 o a 1120 dan a 1240 Positive and negative sequences voltage can be used to analyze the behavior induction motor in unbalance state. In general, effect of unbalance voltage in induction motor according to NEMA, equivalent to that occurring with negative sequence voltage. Rotation occurs in the opposite direction to that the voltage balance [16].
B. Effect of Unbalance Voltage Unbalance voltage in induction motor with small percentage will result the greater percentage of unbalance current. The temperature will rise. When the motor is an operation, percentage of unbalance voltage will be greater than the balance voltage [16]. Unbalance voltage will be
Fig. 1. Experimental Setup for identification of unbalance voltage condition in induction motor
602
Signal is recorded with oscilloscope 4 channels (Fig. 1). There are 5 conditions of unbalance voltage. The conditions are 1%, 2%, 3%, 4%, and 5%. Each condition consist 3 types of faults (unbalance voltage in phase A, B, and C). Next, the recorded data identified in a system with 4 steps. The steps are denoising signal, feature calculation, feature extraction, and classification.
TABLE I FEATURE CALCULATION
B. Denoising Denoising is necessary to remove the noise in the signal. Noise in the signal may raise bias. This paper use combination wavelet and Principal Component Analysis (PCA) [18] as denoising algorithm. The algorithm is shown in Fig. 2. The process begins with wavelet transform at level 4 for each vector signal. At this stage, signals to be decomposed into detail signals (cDj) and approximation signals (cAj). Frequency band of each wavelet coefficient based on half band wavelet filter are shown in this figure. Using PCA, each coefficient detail and approximation are extracted to obtain the principal components. The principal components perform the simpler signals. Based on result of PCA, it reconstructs a new matrix trough invert wavelet transform. Next, it performs PCA analysis for the new matrix. Recorded current signals in this experiment have a high noise due to the use of inverter. This noise must be removed to improve the accuracy of identification. Fig. 3 shows 4 types denoising current signal. The example current signal includes 1%, 3%, and 5% unbalance voltage conditions. C. Feature Calculation After denoising, feature parameters are calculated based on time domain (T) and frequency domain (F) see Table I.
There are 25 feature parameters of each phase (phase A, B, and C). We have 15 conditions and each one has 20 measurements, so the total obtained 300 data calculated. The value of features parameter calculated based statistical value of time domain and frequency domain. Table 1 show the equation of each feature.
Fig. 2. Denoising algorithm using wavelet and PCA
D. Feature Extraction Twenty five features from feature calculation will be selected to find the true feature. This study use Principal Component Analysis (PCA) to extract the features.
603
( w. x ) b i
1
( w. x ) b 1 i
if y 1, if y i 1 .
In the following we use a compact notation for these inequalities: (8) yi w. xi b 1, i 1,..., n
It is easy to check that the optimal hyperplane is the one that satisfies the condition (8) and minimizes. 2 (9) ( w) w
Fig. 4. Scatter Diagram for 3 Largest Principal Components
Feature extraction is done by calculating the eigenvalue and eigenvector from matrix covariance that formed in previous process. By taking the eigenvalue greater that zero, and discard the rest, we obtain the principal component. The final data is composed based on the value of eigenvector. From the feature calculation process, we have 25 feature parameter based on time domain and frequency domain. Using PCA, only 14 of 25 parameters are selected as principal component. Selection is based on the largest eigenvalue. Fig. 4 shows the scatter diagram of 3 biggest eigenvalue of principal component for voltage unbalance in phase A. It can be seen the data tends to distribute into groups based on type of fault. The condition of 1% and 2% voltage unbalance looks much closed. This condition is difficult to distinguish. For 3%, 4%, and 5% voltage unbalance seem to cluster so much easier to identify.
(The minimization is taken with respect to both vector w and scalar b) The learning machines construct the decision functions are called Support Vector Machines (SVM), that is nonlinear in the input space, f ( x) sign yi i K xi , x b (10)
The functions are equivalent to linear decision functions the high-dimensional feature space 1 ( x),..., N ( x) ( K ( xi , x) is a convolution of the inner in
product for this feature space). To find the coefficients i in the separable case (analogously in the non-separable case) it is sufficient to find the maximum of the functional. n 1 n W ( ) i i j yi y K ( xi , x j ) (11) j i 1 2 i, j Subject to the constraints n
(12) i 0, i 1,2,...,n y 0 i1 i i K(xi,x) is the Kernel function in input space that equivalent with inner product in feature space. K is a symmetric positive definite function which satisfies Mercer’s condition.
E. Classification with Support Vector Machine In this paper, SVM is used to identify unbalance voltage in induction motor. All the measured data are classified into 15 types of fault. From each type, it is selected 30% as training data and 70% as testing data. SVM maps the input vectors x into a high-dimensional features space Z through some nonlinear mapping [19]. In this space, an optimal separating hyperplane is constructed. The optimal hyperplane separated without error and the distance between the closest vector to the hyperplane is maximal (Fig. 5). Suppose the training data
xi , yi ,..., xl , yl ,
n
xR ,
y 1,1
Can be separated by a hyperplane: w, x b 0 (7) where, w and b shall be derived in such a way that unseen data can be classified correctly. To describe the separating hyperplane, the following canonical form can be use:
K ( xi , x) ak k (xi ) k (x) k 1
ak 0
(13)
It is necessary and sufficient that the condition
K ( xi , x) g ( xi ) g ( x) dxi dx 0 2
Be valid for all g ≠ 0 for which g ( x i ) dxi V. RESULT AND DISCUSSION The unbalance voltage conditions are identified by SVM. Data are classified into 15 conditions. Each condition consist 20 measurements. From each condition, randomly it selected 30% as data training and 70% as data testing. We use 2 types of kernels as machine learning, that are RBF (Radial Basis Function) kernel and MLP (Multi Layer Perceptron) kernel. Table II, show the result of identification. Simultaneously, 15 types of unbalance voltage can be identified by SVM with strength of identification is 81.57%. MLP kernel gives the better value than RBF kernel, with average 86.00% and 77.13% respectively. Some condition
604
VII. ACKNOWLEDGMENT TABLE I IDENTIFICATION OF UNBALANCE VOLTAGE BY SVM
The authors gratefully acknowledge the contributions of Directorate General of Higher Education, Depart¬ment of Education and Culture, Indonesia. REFERENCES [1] [2]
[3] [4] [5]
[6]
[7]
[8]
can be identified perfectly with strength of identification 100%. Several other conditions have strength of identification less than 50% for RBF and more than 50% for MLP. Based on this result, it concludes that MLP kernel is more suitable than RBF kernel. From this case, it concludes that SVM with MLP kernel can be identified unbalance voltage with “good” strength of identification. SVM can be used to identify unbalance voltage in induction motor to prevent a greater harm. By applying this method in industrial applications, losses from damage of the engine due to voltage unbalance can be prevented as early as possible. However, application in industrial process will increase the cost due to additional hardware installation and memory for the learning process.
VI.
[9]
[10]
[11]
[12]
[13]
[14]
CONCLUSSION
Unbalance voltage supply in induction motor is a crucial fault. The small percentage of unbalance voltage obtains a large unbalance current. If left uncheck, it will lead to waste in energy and damage the motor. To avoid this, identification unbalance voltage in induction motor with SVM can be done. Based on experiment in this paper, SVM with MLP kernel can identify unbalance voltage in induction motor with average strength of identification is 86%. This shows SVM with MLP kernel has a good performance to identify the unbalance voltage in induction motor.
[15]
[16]
[17] [18]
[19]
605
P. Pillay and M. Manyage, “Definitions of Voltage Unbalance,” IEEE Power Engineering Review, vol. 22, no. 11, pp. 49–50, 2002. G. . Maruthi and K. Panduranga Vittal, “Electrical Fault Detection in Three Phase Squirrel Cage Induction Motor by Vibration Analysis using MEMS Accelerometer,” in Power electronic and Drives System, 2005, vol. 2, pp. 838–843. L. El Menzhi and A. Saad, “Induction motor fault diagnosis using voltage Park components of an auxiliary winding - voltage unbalance,” 2009, pp. 1–6. E. M. T. Eldin, H. R. Emara, E. M. Aboul-Zahab, and S. S. Refaat, “Monitoring and Diagnosis of External Faults in Three Phase Induction Motors Using Artificial Neural Network,” 2007, pp. 1–7. I. P. Georgakopoulos, E. D. Mitronikas, and A. N. Safacas, “Detection of Induction Motor Faults in Inverter Drives Using Inverter Input Current Analysis,” IEEE Transactions on Industrial Electronics, vol. 58, no. 9, pp. 4365–4373, Sep. 2011. G. Didier, E. Ternisien, O. Caspary, and H. Razik, “A new approach to detect broken rotor bars in induction machines by current spectrum analysis,” Mechanical Systems and Signal Processing, vol. 21, no. 2, pp. 1127–1142, Feb. 2007. A. Widodo, B.-S. Yang, D.-S. Gu, and B.-K. Choi, “Intelligent fault diagnosis system of induction motor based on transient current signal,” Mechatronics, vol. 19, no. 5, pp. 680–689, Aug. 2009. V. N. Ghate and S. V. Dudul, “Optimal MLP neural network classifier for fault detection of three phase induction motor,” Expert Systems with Applications, vol. 37, no. 4, pp. 3468–3481, Apr. 2010. R. Sharifi and M. Ebrahimi, “Detection of stator winding faults in induction motors using three-phase current monitoring,” ISA Transactions, vol. 50, no. 1, pp. 14–20, Jan. 2011. A. Çakır, H. Çalış, and E. U. Küçüksille, “Data mining approach for supply unbalance detection in induction motor,” Expert Systems with Applications, vol. 36, no. 9, pp. 11808–11813, Nov. 2009. P. J. Tavner, “Review of condition monitoring of rotating electrical machines,” IET Electric Power Applications, vol. 2, no. 4, p. 215, 2008. L. Beran, “Thermal effect of short-circuit current in low power induction motors,” in Power Electronics and Motion Control Conference, 2008. EPE-PEMC 2008. 13th, 2008, pp. 782–786. K. C. Gryllias and I. A. Antoniadis, “A Support Vector Machine approach based on physical model training for rolling element bearing fault detection in industrial environments,” Engineering Applications of Artificial Intelligence, vol. 25, no. 2, pp. 326–344, Mar. 2012. D. Sawitri, I. K. E. Purnama, and M. Ashari, “Detection Of Electrical Faults In Induction Motor Fed by Inverter Using Support Vector Machine and Receiver Operating Characteristic,” Journal of Theoretical and Applied Information Technology, vol. 40, no. 1, pp. 015–022, Jun. 2012. F. Karami, J. Poshtan, and M. Poshtan, “Detection of broken rotor bars in induction motors using nonlinear Kalman filters,” ISA Transactions, vol. 49, no. 2, pp. 189–195, Apr. 2010. A. H. Bonnett, “The impact that voltage and frequency variations have on AC induction motor performance and life in accordance with NEMA MG-1 standards,” in Pulp and Paper, 1999. Industry Technical Conference Record of 1999 Annual, pp. 16–26. G. R. Bossio, C. H. De Angelo, P. D. Donolo, A. M. Castellino, and G. O. Garcia, “Effects of voltage unbalance on IM power, torque and vibrations,” 2009, pp. 1–6. M. Aminghafari, N. Cheze, and J.-M. Poggi, “Multivariate denoising using wavelets and principal component analysis,” Computational Statistics & Data Analysis, vol. 50, no. 9, pp. 2381–2398, May 2006. V. N. Vapnik, The nature of statistical learning theory. New York: Springer, 1995.
BIOGRAPHIES Dian R. Sawitri is doctoral student in Institut Teknologi Sepuluh Nopember (ITS), Surabaya, Indonesia. She received M.Eng degree in electrical engineering from Gadjah Mada University, Yogyakarta, Indonesia in 2002 and Bachelor Degree from Diponegoro University in 1993. She is currently working in electrical engineering department, Dian Nuswantoro University in Semarang, Indonesia. Her research interest include intelligent system application in fault detection in induction machine, power electronic and power quality. Dimas Anton Asfani received his B.Eng, M.T degrees in Electrical Engineering from Institut Teknologi Sepuluh Nopember Surabaya, Indonesia, in 2004 and 2006. Ph.D. degree in the Power system Laboratory Kumamoto University in 2012..He was joined Institut Teknologi Sepuluh Nopember, Surabaya, Indonesia in 2005 as lecture and research asistent. His research concentrates mainly on fault detection in Induction machine and Power system protection.
I. Ketut Eddy Purnama received Bachelor Degree in the field of Computer System Engineering at The Department of Electrical Engineering, Institut Teknologi Sepuluh Nopember (ITS), Surabaya, Indonesia in 1994. He is currently working at the same department. In 1999, he received M.Sc. degree at The Department of Informatics, Bandung Institute of Technology, Bandung, Indonesia. He continued his studied at The Department of Biomedical, University Medical Center Groningen, University of Groningen, The Netherlands, and graduated in 2007. His interest is in telematics, computer vision, computer graphics, database management system, and telematics for medicine including: telemedicine, mobile-telemedicine, medical image analysis and visualization, medical image sharing and storage. Mochamad Ashari, received his B.E degree in Electrical Engineering from Institut Teknologi Sepuluh Nopember (ITS), Surabaya, Indonesia, in 1989. The Master and Ph.D degree in Electrical Engineering were obtained from Curtin University, Australia in 1997 and 2001, respectively. He Joined Institut Teknologi Sepuluh Nopember in 1990 and has been a Professor from 2009. His current interest include application of intelligent systems to power electronic, power quality and renewable energy power source.
Mauridhi Heri Purnomo received the B.S degree in power system engineering from Institut Teknologi Sepuluh Nopember Surabaya, Indonesia, in 1985. M.Eng and Ph.D degrees in control engineering and Intelligence System from Osaka City Univ. Japan, in 1995 and 1998. He is currently a Professor of Departement of Electrical Enginering. His research interest include fuzzy control, intelligence control and control applications.
606
> REPLACE THIS LINE WITH YOUR PAPER IDENTIFICATION NUMBER (DOUBLE-CLICK HERE TO EDIT) <
1
Support Vector Machine Based vibration spectrum Analysis for fault identification in induction motor Dian R. Sawitri, Member, IEEE, Ketut E. Purnama, and M. Ashari, Member, IEEE
Abstract— in this paper, vibration parameter is used to identify induction motor faults. Applied of intelligent systems that consist of wavelet transformation, Principal Component Analysis (PCA), and Support Vector Machine (SVM) can identified these faults well. Streng of identification for 12 types of faults is 78.23% for RBF kernel and 75.95 % for MLP kernel. The strength of identification for a smaller number of classes give a better result. The average for strength of identification is 80.42% for 9 types of faults, 84.65% for 6 types of faults, 96.88 for 3 types of fault.
networks based Demper-Shafer theories for increase the accuracy of diagnosis. This paper will propose an algorithm to detect the electrical faults in induction motor. The propose algorithm consist of 4 steps, that are wavelet decomposition, feature calculation with statistic operation, feature extraction with principal component analysis, and classification with Support Vector Machine (SVM). Based on the previous paper, we have not found the use of SVM based vibration signal to identified fault in induction motor.
Index Terms—Induction motor, faults, vibration, SVM, PCA, Wavelet.
II. I. INTRODUCTION
I
nduction motor is a critical equipment in industrial machine as a driver. Fault in induction motor that is not detected early will caused damage and inflicting huge losses. This is caused by disruption or cessation of production process. Therefor early detection of induction motor faults is necessary to ensure the continuity of production process. Some previous research has been used vibration analysis to detect fault in induction motor. Vibration analysis is used to detect induction motor fault caused by electrical fault such as voltage unbalance [1], as well as mechanical fault such as air gap eccentricity [2] or broken rotor bar [3]. Acording [4], fault in induction motor can detected by vibration signal are imbalance of rotating parts, fault in clutch and bearing, the variation of torque, electromagnetic force, aerodynamic force, hydrolic force, looseness, resonace, e.t.c. Using Fast Fourier Transform (FFT) can be differentiated faults of induction motor based on harmonic amplitude [1], [2], [5]. Aplication of intelligent system in vibration analysis is reported by Bo-Suk Yang and Kwang Jin Kim. They diagnose faults in three phase induction motor used analysis of vibration and current signals [6]. In those paper, artificial neural networks and DemperShafer theories are uses as diagnosis tools. Feature extraction used signal processing technique performed as input for neural
This paper is supported by Directorate General of Higher Education, Department of Education and Culture, Indonesia. Dian R. Sawitri., was with Electrical Engineering Deartment, Dian Nuswantoro University, Semarang, Indonesia, (e-mail:
[email protected]). Ketut E. Purnama and M. Ashari are with the Electrical Engineering Department, Institut Teknologi Sepuluh Nopember Surabaya, Indonesia (email:
[email protected];
[email protected] ).
METHODS AND EXPERIMENT
This paper proposes a system to identify electrical faults in induction motor based on vibration signals. Fig. 1 shows the propose system.
Fig. 1. The propose system to identify fault in induction motor based vibration signals
A. Data Acquisition The process of data acquisition is done through experiment that have been conducted in energy conversion laboratory, Department of Electrical Engineering, ITS. There are 12 types of generated fault. The types of faults are unbalance voltage; inter turn short circuits, and variation of frequency. Unbalance voltage is applied in each phase (R, S, T) for 5% and 10% unbalance. Inter turn short circuits in phase S is applied for frequency 30Hz, 40 Hz, and 50Hz. Variation of frequency is set using inverter in 3 frequency, 30 Hz, 40 Hz, and 50 Hz. Faults are recorded with an accelerometer that employs Micro Electro Mechanical System (MEMS) by measuring
> REPLACE THIS LINE WITH YOUR PAPER IDENTIFICATION NUMBER (DOUBLE-CLICK HERE TO EDIT) < vibration in 3 axes (x, y, and z). Recorded data have value as gravitational force (g-force) with unit mm/s2. B. Wavelet Decomposition Wavelet decomposition is meant to separate the original signal and noise signal. It separate the detail signals and approximation signals. The mechanism is shown in Fig. 2.
fault, but the signal presence the harmonic. D. Feature Extraction Feature calculation process produce 37 features. Using Principal Component Analysis (PCA), those features are extracted into 20 features. We used PCA as feature extraction algorithm [7]. PCA will reduce the dimension of parameter but not eliminate the information about the signal. The result is a parameter called Principal Component. The procedure involves eigenvalue and eigenvector as follows: 1. Given a set of l dimension input vector and each of which is of m dimension. x11 x12 ... x1m x (t )
2.
Fig. 1. Tree of wavelet decomposition in 4 level
C. Feature Calculation Features are calculated based on statistical operation of signal detail_1 (cD1) in the tome domain and frequency domain. The value of features includes the mean, variance, standard deviation, mode, median, skewness, minimum value, maximum value, kurtosis, moment, linear rank correlation, entropy, rms, peak, Total Harmonic Distortion (THD), crest factor, form factor. Fig. 3 shown time domain (top) and frequency domain (bottom) from signal detail_1.
2
3.
4.
x x ... x2 m 21 22 ... ... ... ... xl1 xl 2 ... xlm
(1)
Subtracting the value of each cell xij with an overall mean j
1 l u j xij l i 1
(2)
ij xij j
(3)
Calculate the matrix covariance C T (4) C ( xij j )( xij j ) Getting the eigenvalue and eigenvector u of matrix covariance C i ui Cui (5)
Where i is eigenvalue of C, ui is the corresponding eigenvector. 5. Based on the estimated ui, the components of st are the orthogonal transformations of xt T (6) st (i ) ui xt st(i) are called principal components. Dimensional reduction of parameters is executed in (6). By using a specific threshold of the eigenvector, ui , the dimension of the final data can be determined. There are 12 types of faults, each of which consists of a 3 phase signals (R, S, and T). Each type of faults consists of 20 data, so the total column is 12 x 3 x 20 = 720. Each column consists of 37 features, the size of the matrix in equation (1) is 37 x 720. Having extracted the final result in equation (6) is a 20 x 720 matrix.
Fig. 3. Time domain and frequency domain signal detail-1
Fig 3., shows the normal signal (without fault) in 50Hz frequency. Although the analyzed signal is a signal without
E. Classification In this study, Support Vector Machine (SVM) is used to identify fault of induction motor. All the measured data are classified into 12 types of fault. From each type, it is selected 60% measurement as training and 40% as testing data. SVM maps the input vectors x into a high-dimensional features space Z through some nonlinear mapping [8]. In this space, an optimal separating hyperplane is constructed (Fig.
> REPLACE THIS LINE WITH YOUR PAPER IDENTIFICATION NUMBER (DOUBLE-CLICK HERE TO EDIT) < broken bars in double cage induction motors,” 2012, pp. 1360–1365. [6] B.-S. Yang and K. J. Kim, “Application of Dempster– Shafer theory in fault diagnosis of induction motors using vibration and current signals,” Mech. Syst. Signal Process., vol. 20, no. 2, pp. 403–420, Feb. 2006. [7] I. T. Jolliffe, Principal component analysis. New York: Springer, 2002. [8] V. N. Vapnik, The Nature of Statistical Learning Theory. New York, NY: Springer New York, 1995.
V. BIOGRAPHIES Dian R. Sawitri is lecture in Electrical Department, Dian Nuswantoro University, Semarang, Indonesia. She received M.Eng degree in electrical engineering from Gadjah Mada University, Yogyakarta, Indonesia in 2002 and Bachelor Degree from Diponegoro University in 1993. She is currently working in electrical engineering department, Dian Nuswantoro University in Semarang, Indonesia. Her research interest include intelligent system application in fault detection in induction machine, power electronic and power quality. I. Ketut Eddy Purnama received Bachelor Degree in the field of Computer System Engineering at The Department of Electrical Engineering, Institut Teknologi Sepuluh Nopember (ITS), Surabaya, Indonesia in 1994. He is currently working at the same department. In 1999, he received M.Sc. degree at The Department of Informatics, Bandung Institute of Technology, Bandung, Indonesia. He continued his studied at The Department of Biomedical, University Medical Center Groningen, University of Groningen, The Netherlands, and graduated in 2007. His interest is in telematics, computer vision, computer graphics, database management system, and telematics for medicine including: telemedicine, mobile-telemedicine, medical image analysis and visualization, medical image sharing and storage. Mochamad Ashari, received his B.E degree in Electrical Engineering from Institut Teknologi Sepuluh Nopember (ITS), Surabaya, Indonesia, in 1989. The Master and Ph.D degree in Electrical Engineering were obtained from Curtin University, Australia in 1997 and 2001, respectively. He Joined Institut Teknologi Sepuluh Nopember in 1990 and has been a Professor from 2009. His current interest include application of intelligent systems to power electronic, power quality and renewable energy power source.
5
