REKAYASA (TEKNIK PROSES)
LAPORAN KEMAJUAN 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 OKTOBER – 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 dimaksudkan untuk menyiapkan data yang akan diidentifikasi dengan cara melakukan filter terhadap data untuk menghilangkan derau yang tidak diinginkan menggunakan transformasi wavelet. Feature classification merupakan langkah untuk mendefinisikan fitur-fitur yang mempengaruhi kondisi gangguan pada fan industri. Feature calculation dilakukan berdasarkan operasi statistic terhadap data yang yang sudah difilter dengan berbasis pada waktu (time base) dan frekuensi (frequency base). Feature extraction dimaksudkan untuk memilih fitur-fitur yang sesuai yang paling mempengaruhi kondisi gangguan yang akan diidentifikasi. Untuk keperluan ini digunakan Principal Component Analysis (PCA) sebagai perangkat algoritmanya. Langkah selanjutnya adalah classification, yang merupakan proses identifikasi gangguan berdasar data yang sudah diekstrak dengan PCA. Sistem cerdas yang dipakai untuk identifikasi adalah 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. Khusus untuk gangguan berupa ketidakseimbangan tegangan, saat diidentifikasi bersama-sama dengan jenis gangguan lain, memberikan hasil yang kurang baik. Saat jenis gangguan ketidakseimbangan tegangan diidentifikasi tersendiri, dengan 15 kelas yang terdiri dari ketidakseimbangan 1%-5% untuk setiap fase, memberikan kekuatan identifikasi yang baik yaitu sebesar 81,57% 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” pada tahun kedua telah sebagian diselesaikan. 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). Saat ini sedang dilakukan analisis hasil identifikasi menggunakan pola kerap (frequent pattern). Algoritma sedang dibangun, dan diharapkan tidak lama lagi hasil identifikasi dengan pola kerap sebagai pengklasifikasi dapat dilaporkan. 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. Besar harapan peneliti, bahwa usulan penelitian lanjutan untuk tahun ke-2 dapat disetujui. Mengingat jika sistem ini telah sempurna dan dapat diaplikasikan ke industri, maka keuntungan yang diperoleh sangat besar terutama dalam hal efisiensi energi. 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 temanteman 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, Oktober 2013 Peneliti
iv
DAFTAR ISI Halaman Judul ....................................................................................................................
i
Halaman Pengesahan .......................................................................................................
ii
Ringkasan dan Sumary ....................................................................................................
iii
Prakata .............................................................................................................................
iv
Daftar Isi
.........................................................................................................................
v
Daftar Tabel ......................................................................................................................
vi
Daftar Gambar ...................................................................................................................
vii
Daftar Lampiran .................................................................................................................
viii
Bab I. Pendahuluan ..........................................................................................................
1
Latar belakang ..........................................................................................................
1
Perumusan Masalah.................................................................................................. ..
2
Bab II. Tinjauan Pustaka ..................................................................................................
4
Deteksi dan Diagnosis Gangguan ............................................................................
4
Fan Industri ................................................................................................................
4
Centrifugal Fan .....................................................................................................
5
Axial Fan .............................................................................................................
6
Gangguan pada Fan Industri .....................................................................................
6
Identifikasi Gangguan Menggunakan Analisa Spektrum Arus ...................................
7
Identifikasi Gangguan Menggunakan Analisa Vibrasi ...............................................
9
Aplikasi Sistem Cerdas untuk Deteksi Gangguan pada Fan ...................................
10
Wavelet Transform, Principal Component Analysis, Support Vector Machine, Emerging Pattern, dan Receiver Operating Characteristic .......................................
11
Bab III. Tujuan dan Manfaat Penelitian ...........................................................................
14
Tujuan Penelitian .....................................................................................................
14
Manfaat dan Keutamaan Penelitian ..........................................................................
14
Bab IV. Metode Penelitian ...............................................................................................
16
Obyek Penelitian ........................................................................................................
16
Tahapan Penelitian ....................................................................................................
16
Bab V. Hasil yang Telah Dicapai ......................................................................................
20
Identifikasi Gangguan berdasar Analisa Spektrum Arus ............................................
20
Hasil Denoising Signal Arus .................................................................................
20
Hasil dari Ekstraksi Fitur ......................................................................................
20
Identifikasi Gangguan berdasar Signal Arus ………………………………………..
21
Identifikasi banyak Gangguan ..............................................................................
22
Analisa Performa SVM dengan ROC ......................................................... .........
23
v
Identifikasi Gangguan berdasar Analisa Spektrum Vibrasi .........................................
24
Identifikasi Gangguan berdasar Analisa Spektrum Vibrasi .....................................
24
Hasil Perekaman Signal Vibrasi ............................................................................
24
Hasil Identifikasi Signal Vibrasi dengan SVM .........................................................
25
Analisis Performa SVM dengan ROC untuk Signal Vibrasi ....................................
26
Hasil Identifikasi Gangguan Ketidakseimbangan Tegangan Berbasis Parameter Arus ………………………………………………………………………………….
27
Bab VI. Kesimpulan dan Saran ............................................................................................
29
Kesimpulan ....................................................................................................................
29
Saran .............................................................................................................................
29
Daftar Pustaka .....................................................................................................................
30
Lampiran ..............................................................................................................................
33
vi
DAFTAR TABEL
No Tabel
Judul
Halaman
Tabel 4.1
Karakteristik Motor Dalam Penelitian ...................................................
17
Tabel 5.1
Hasil Identifikasi Gangguan Berbasis Arus Berdasar Jumlah Kelas ....
22
Tabel 5.2
Identifikasi SVM untuk Banyak Tipe Gangguan Bebasis Arus ............
22
Tabel 5.3
Performa SVM Berbasis Arus oleh ROC .............................................
24
Tabel 5.4
Hasil Analisis SVM Berdasar Signal Vibrasi ........................................
25
Tabel 5.5
Performa SVM Berbasis Vibrasi oleh ROC .........................................
26
Tabel 5.6
Hasil Identifikasi Ketidakseimbangan Tegangan Berbasis Parameter Arus dengan SVM ……………………………………………
vii
27
DAFTAR GAMBAR
Gambar
Judul
Halaman
Gambar 2.1
Mekanisme Supervisi Terjadinya Gangguan
......................................
4
Gambar 2.2
Komponen-Komponen Centrifugal Fan
...............................................
5
Gambar 2.3
Komponen-Komponen Vane-Axial
.....................................................
6
Gambar 2.4
Jenis Gangguan Pada Motor Induksi
................................................
7
Gambar 2.5
Modulus Spektrum Arus .........................................................................
8
Gambar 2.6
Modulus Spektrum Arus (Park’s Vektor)
9
Gambar 2.7
Sistem Diagnosis Gangguan pada Motor Induksi
................................
9
Gambar 2.8
Titik-Titik Pengukuran untuk Mendeteksi Fault pada Fan .....................
10
Gambar 2.9
Optimal Separating Hyperplane ............................................................
12
Gambar 2.10
Confusion Matrix and Common Performance Matrix Calculated From It
.............................................
………………………………………………………………………
13
Gambar 4.1
Blok Diagram Penelitian
……………………………………………………
16
Gambar 4.2
Sistem Identifikasi Gangguan pada Fan yang Diusulkan ………………
18
Gambar 4.3
Two Level Filter Bank Decomposition Wavelet
....................................
18
Gambar 5.1
Denoising Signal Arus dengan Wavelet ..................................................
20
Gambar 5.2
Eigenvalue dari Covariance Matrix untuk Feature Selection ..................
21
Gambar 5.3
Scatter Diagram untuk 3 Principal Component Terbesar
.....................
21
Gambar 5.4
Area Under Curve ROC Test untuk Signal Arus ...................................
23
Gambar 5.5
Grafik Confusion Matrix untuk Signal Arus .............................................
23
Gambar 5.6
Signal Vibrasi untuk Kondisi Normal (No Fault) 50Hz ..........................
24
Gambar 5.7
Signal Vibrasi untuk Kondisi Hubung Singkat Antar Lilitan 50 Hz .........
25
Gambar 5.8
Area Under Curve Analisis ROC Signal Vibrasi ………………………….
26
Gambar 5.9
Grafik Confusion Matrix Signal Vibrasi
26
viii
…………………………………..
DAFTAR LAMPIRAN
No. Lampiran
Judul
Halaman
Lampiran 1.
Foto Prototipe Sistem Identifikasi Gangguan Pada Fan ......................
33
Lampiran 2.
Paper Hasil Luaran Penelitian
39
…………………………………………...
ix
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). 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
1
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. 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 gangguan-gangguan 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
2
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 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
4
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.
Gambar 2.2 Komponen-komponen Centrifugal Fan
5
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 (tubeaxial) 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
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 ).
6
Gambar 2.4 Jenis Gangguan pada Motor Induksi
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)
7
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 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
8
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.
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
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
9
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. Kadang-kadang 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)
Gambar 2.8 Titik-Titik Pengukuran untuk Mendeteksi Fault pada Fan
10
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). 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
11
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 )
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
12
biner, hasilnya diberi tanda sebagai kelas positif (p) atau negative (n). Ada empat kemungkinan hasil dari sebuah pengklasifikasi biner. Yaitu, true positive, false 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
13
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) dan Emerging Pattern untuk mendeteksi dan mendiagnosis gangguan pada Fan Industri. 3. Menghasilkan suatu basis pengetahuan (knowledge base) tentang gangguan pada sistem Fan Industri. 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., BoSuk Yang, 2008), Artificial Neural Network (Li Xuemei, et. Al, 2007 ; Ghate, and Dudul, 2010 ), Fuzzy Logic (Rodriguez and Arkkio, 2008 ), Principal Component Analysis (PCA) (Li Xuemei, et. Al, 2007; Widodo, A., Bo-Suk 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
14
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.
15
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 Data Recording (Perekaman Data), Fault Detection (Deteksi Gangguan), dan Fault Diagnosis (Diagnosis Gangguan). Spesifikasi motor yang digunakan disajikan pada Tabel 4.1.
Gambar 4.1 Blok Diagram Penelitian
16
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
Data Recording 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.
Fault Detection 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, Support Vector Machine, Emerging Pattern, dan Reciever Operating Characteristic. 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
17
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 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) 1. Jika diberikan sebuah himpunan dari vector input dengan dimensi n dan setiap vector memiliki dimensi m, maka:
18
x11 x12 x x22 x (t ) = 21 ... ... xm1 xm 2
...
x1n
... x2 n
(14)
... ... ... xmn
2. 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 =
3. Hitung matrix covariance C T C = ( xij − µ j )( xij − µ j )
(17)
4. 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 5. 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, dimensi dari data final dapat ditentukan. 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. Fault Diagnosis Hasil identifikasi yang dihasilkan oleh SVM dan EP, selanjutnya digunakan sebagai dasar untuk menyusun sebuah basis pengetahuan tentang gangguan pada fan industri. Basis pengetahuan disusun dalam bentuk If ... Then Rules. Aturan-aturan ini selajutnya digunakan untuk mendiagnosis gangguan. Hasil diagnosis berupa tipe ganguan dan lokasi ganguan. Tahapan ini akan dilakukan pada penelitian Tahun ke-2.
19
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 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.
20
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 OneAgainst-One (O-A-O). Secara acak, dipilih 60% data sebagai data pelatihan (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%.
21
Tabel 5.1. Hasil Identifikasi Gangguan Berbasis Arus Berdasar Jumlah Kelas Strength of Number Number Type of Faults Identification Type of Fault of Class 100.00 1 3 Normal with variation of frequency 100.00 1 3 Inter-Turn Short circuits (ITSC) 100. 00 1 3 5% Unbalance Voltage 1 9 7 . 0 8 1 3 10% Unbal anc eVol t age1 96. 67 2 6 Nor mal &I TSC 98. 75 2 6 Nor mal &5% Unbal anc eVol t age 9 2 . 50 2 6 Nor mal &10% Unbal anc eVol t age 9 7 . 29 2 6 I TSC&5% Unbal anc eVol t age 9 1 . 67 2 6 I TSC&10% Unbal anc eVol t age 98. 50 2 6 5% &10% Unbal anc eVol t age 93. 19 3 9 Nor mal ,I TSC,5% UV 9 3 . 75 3 9 Nor mal ,I TSC,10% UV 8 5 . 38 4 12 Nor mal ,I TSC,5% UV,10% UV 9 5 . 75 Av er age
5. 1. 4I dent i f i kas idar iBanyakGangguan KemampuanSVM unt ukmengi dent i f i k as ibany akgangguan( mul t i pl ec l as s es )di s aj i k an padaTabel5. 2.PadaTabel5. 2t er l i hatbahwak ek uat ani dent i f i k as iunt uk4t i pepada12k el as y angber bedamemi l i k iakur as iyangbai kdenganr at ar at a85. 38. Tabl e5. 2.I dent i f i k as iSVM unt uk Bany akTi peGangguanBer bas i sAr us
TypeofFaul t
Fr equenc y
NoFaul t NoFaul t NoFaul t Unbal anc eVol t age5% A Unbal anc eVol t age5% B Unbal anc eVol t age5% C Unbal anc eVol t age10% A Unbal anc eVol t age10% B Unbal anc eVol t age10% C I nt er Tur nShor tCi r c ui tSS I nt er Tur nShor tCi r c ui tSS I nt er Tur nShor tCi r c ui tSS Av er age
50Hz 40Hz 30Hz 50Hz 50Hz 50Hz 50Hz 50Hz 50Hz 50Hz 40Hz 30Hz
St r engt hOf I dent i f i c at i on( %) 100 97. 5 85 68. 75 96. 25 86. 25 40 75 77. 5 90 100 95 85. 38
Akur as idar ikekuat an i dent i f i k as imemi l i k ini l aiy ang ber var i as i ,bahk an unt uks i gnal nor mal( nof aul t )dan I nt er Tur n Shor tCi r c ui t sak ur as i ny a mendek at i100%.Has i ly ang l ebi h r endahdi t unj ukkanol eht i pegangguan5% Unbal anc eVol t agedenganni l aiber t ur ut t ur ut68. 75%, 96. 25%,dan86. 25% unt ukf as eR, S,danT.Ni l aiy angpal i ngr endahdi c apaiol eht i pegangguan
22
10% Unbal anveVol t agedengankek uat ani dent i f i k as iber t ur ut t ur ut40%,75%,77. 5%.Hali ni t er j adik ar ena penggunaan mot ordengan k apas i t ask ec i ls ehi nggamenghas i l k an s i gnalar us denganampl i t udeyangkeci lpul a.Kek uat ani dent i f i k as iy angr endahi nidapatmengak i bat k an k es al ahani dent i f i kas i . Ni l aii nimemper l i hat kan bahwa SVM dapatmengenal igangguan ak i batper ubahan f r ek uens idan hubung s i ngkatant arl i l i t an,t et apik ur ang ak ur an unt uk mendet ek s iadanya gangguanaki batket i daks ei mbangant egangan.Unt ukwak t uy angak andat angper l udi l ak uk an per bai k ans ys t em unt ukmeni ngkat kanak ur as ii dent i f i k as i .Per bai k andapatdi l ak uk andengan c ar amemper bai k ipr os esawals ebel um i dent i f i k as iy angmel i put idenoising, feature selection, danfeature extraction denganmenggunak anper angk atal gor i t may angber beda.
5. 1. 5Anal i s aPer f or maSVM denganROC Per f or maSVM dal am mengi dent i f i k as igangguanber das ar k ans pec t r um ar us ,ak andi uj i dengan menggunakan ROC ( Recei verOper at i ng Char ac t er i s t i c )Anal y s i s .Has i lanal i s i sROC di s aj i k anpadaGambar5. 4danGambar5. 5.
Gambar 5.4 Area Under Curve ROC Test untuk Signal Arus
Gambar 5.5 Grafik Confusion Matrix untuk Signal Arus
Ber das ar kan has i lper hi t ungan,l uasdidaer ah k ur v a ROC unt uk s i gnalar usadal ah 0. 76493( 76, 49%)dengans t andar ter r or0. 02226,dans el angk eper c ay aan95% ber k i s arpada 0. 72130hi ngga0. 80856.Ni l ail uasdaer ahk ur vas t andaradal ah 11. 9012.Has i l i nimenunj uk k an ni l aiy angs i gni f i kankar enal uas nyal ebi hdar i50%.Namunbegi t uadas at ut i t i ky angber ada di bawahgar i sambang( gar i sx=y) ,s ehi nggadapatdi k at ak anhas i lanal i s i sROC ber das arl uas di bawahkur vaadal ahcukup baik.
23
Tabel5. 3Per f or maSVM Ber bas i sAr usol ehROC No Var i abl e 1 Sens i t i v i t y=TPr at e 2 Spec i f i c i t y 3 Pr ec i s i on
Pr ob.Val ue 0. 6553 0. 6442 0. 6516
Ber das ar kangr af i kconf us i onmat r i xpadaGambar5. 5danTabel5. 3di k et ahuini l aiTr ue Pos i t i fs ebes ar66. 53%,f al s epos i t i ve35. 58%,f al s enegat i ve33. 47% dant r uenegat i ve64. 42%. Has i lanal i s aber das ar kanper hi t ungandi s aj i k anpadaTabel5. 3.Denganhas i li nimak aber das ar anal i s aROC,SVM memi l i k iper f or may angc uk upbai kunt ukmel ak uk ani dent i f i k as igangguan ber das arpar amet erar us . 5. 2I dent i f i kas iGangguanber dasarAnal i s aSpek t r um Vi br as i 5. 2. 1Has i lPer ekamanSi gnalVi br as i Si gnalVi br as idi r ekam menggunak anac c el er omet er3ax i s( x , y , z ) .Unt uks i gnalvi br as i , noi s ey ang t er ekam t i dak l ah s ebes arpada s i gnalar us ,s ehi ngga unt uk s i gnalvi br as it i dak di l ek uk an pemf i l t er an t et apidi l akukan pr os esdek ompos i s idengan t r ans f or mas iwavel etdan t r ans f or mas if our i erunt uk s el anj ut ny a di l ak uk an per hi t ungan ni l aif i t ur( f eat ur ec al c ul at i on) . Cont ohhas i lr ekamans i gnalvi br as iunt uks i gnalnor maldans i gnalhubungs i ngk atdi s aj i k an padaGambar5. 6dan5. 7.
Gambar5. 6Si gnal Vi br as i unt ukKondi s iNor mal ( NoFaul t )50Hz
Ber das ar kan Gambar5. 6 dan 5. 7,adany a hubung s i ngk atj i k a di bandi ngk an dengan s i gnal nor mal ,s aathubungs i ngkatadal onj ak ans pek t r um dibeber apat empat( t i mes ampl i ngs ek i t ar 400,600,dan800) .
24
Gambar5. 7Si gnal Vi br as i unt ukKondi s iHubungSi ngk atAnt arLi l i t an50Hz
5. 2. 2Has i lI dent i f i kas iSi gnalVi br as idenganSVM I dent i f i kas igangguanber dasars i gnal vi br as i menggunak anSVM menggunak anl angk ahl angk ahs eper t ipadas i gnalar us .Set el aht ahapper s i apan,i dent i f i k as idi l ak uk andanhas i l nya di per l i hat kans eper t ipadaTabel5. 4 Tabel5. 4.Has i lAnal i s aSVM Ber das arSi gnal Vi br as i No
Ti peGangguan
1 2 3 4 5 6 7 8 9 10 11 12
Nor mal50Hz Nor mal40Hz Nor mal30Hz Shor tCi r cui tSS50Hz Shor tCi r cui tSS40Hz Shor tCi r cui tSS20Hz Unbal anceVol t age5% R Unbal anceVol t age5% S Unbal anceVol t age5% T Unbal anceVol t age10% R Unbal anceVol t age10% S Unbal anceVol t age10% T Rer at a
Kek uat an I dent i f i k as i ( %) 100 93. 75 100 100 100 73. 75 81. 25 75 51. 25 8. 75 47. 5 61. 25 74. 375
Ber das ar kan ni l aipada Tabel5. 4 di k et ahuibahwa k ek uat an i dent i f i k as igangguan ber das ar kans i gnalvi br as it i daks ebai ks i gnalar usdenganr at ar at a74. 375% .Seper t ihal nya padai dent i f i kas iber das ars i gnalar us ,has i lt er bai kdi c apaiol ehs i gnalnor maldans i gnaldengan gangguan hubung s i ngkat ,dengan k ek uat an i dent i f i k as imendek at i100%.Sedangk an unt uk Unbal ance vol t age 5%,has i l nya c uk up bai k dengan ni l air at ar at a 69, 17%,t et apiunt uk unbal ance vol t age 10% has i l nya l ebi hr endah l agidengan ni l air at ar at a 39. 17%.Hali ni
25
di k ar enakan bent uks i gnalyang s angatmi r i ps ehi ngga k ek uat an i dent i f i k as imenj adir endah. Unt ukmenget ahuiper f or maSVM ber das arpar amet ervi br as is el anj ut ny adi l ak uk ananal i s iROC. 5. 2. 3Anal i s i sPer f or maSVM denganROCunt ukSi gnalVi br as i Has i lAnal i s i sROC unt ukk i ner j aSVM dal am mengi dent i f i k as igangguanner das ar k an par amet ers i gnalvi br as idi s aj i kanpadaGambar5. 8dan5. 9.
Gambar 5.8 Area Under Curve Analisis ROC Signal Vibrasi
Gambar 5.9 Grafik Confusion Matrix Signal Vibrasi
Ber das ar kanGambar5. 8di ket ahuibahwal uask ur vamemi l i k icut of point ( l i ngk ar anbi r u padagr af i k)adal ah 0. 7dant i dakadat i t i ky angber adadi bawahgar i sambangx=y .Luask ur va 0. 80882at au80. 88% di bandi ngl uass t andar16. 7372.St andarer r oradal ah0. 01846dans el ang k eper c ayaan 95% ber ada pada r ent ang 0. 77265 s ampai0. 84500.Ber das ar k an ni l ai ni l aii ni mak a has i lanal i s i sROC menunj uk k an ni l aiy ang “ bai k ” .Ni l aii nil ebi h bai k di bandi ng has i l anal i s i spadas i gnalar us . Tabel 5. 5Per f or maSVM Ber bas i sVi br as i Ol ehROC No Var i abl e 1 Sens i t i v i t y=TPr at e 2 Spec i f i c i t y 3 Pr ec i s i on
Pr ob.Val ue 0. 725 0. 875 0. 8529
Ber das ar kangr af i kconf us i onmat r i xpadaGambar5. 9danTabel5. 5di k et ahuini l aiTr ue Pos i t i fs ebesar72. 5%,f al s epos i t i ve12. 5%,f al s enegat i ve27. 5% dant r uenegat i ve87. 5%.Has i l anal i s aber dasar kanper hi t ungandi s aj i k anpadaTabel5. 4.Sel ai ni t uni l aiPr ec i s i onj ugal ebi h bai kdi bandi nganal i s aber das ars i gnalar usdenganni l ais ebes ar85. 29%.Denganhas i li nimaka ber das aranal i s aROC,SVM memi l i k iper f or may angbaik unt ukmel ak uk ani dent i f i k as igangguan ber das arpar amet ervi br as i .
26
5. 3Has i lI dent i f i kas iGangguanKet i dak s ei mbanganTeganganBer bas i sPar amet erAr us Ber das ar kan has i li dent i f i kas ibai k ber bas i s par amet erar us dan vi br as i ,pengenal an t er hadapgangguanket i daks ei mbangant eganganmember i k anni l aiy angs angatr endah.Ni l ai pengenal annnyaadayangdi bawah50% bahk ans angatr endahy ai t u8% k et i dak s ei mbangan 10% pada f as e R pada par amet er vi br as i . Hali nidi mungk i nk an k ar ena bent uk s i nyal k et i dak s ei mbangan t egangan memi l i k ik emi r i pan dengan s i ny aly ang l ai ns ehi ngga ni l ai pengenal annyakeci l . Dal am
bagi an i ni akan di anal i s a has i li dent i f i k as is aat gangguan ber upa
k et i dak s ei mbangant egangandi anal i s at er s endi r i .Ket i dak s ei mbangant egangans ebes ar1%,2%, 3%,4%,dan5% unt uks et i apf as eak andi i dent i f i k as iber das ar k an s i ny alar usmenggunak an SVM.Tot alkel asada 15j eni sgangguan.Met ode i dent i f i k as imengi k ut ial gor i t mai dent i f i k as i ber bas i sar uspada bagi an 5. 1.Has i li dent i f i k as ik et i dak s ei mbangan t egangan menggunak an SVM di s aj i kanpadaTabel5. 6.J i kai dent i f i k as ipadapoi n5. 1dan5. 2menggunak ank er nelRBF, mak aunt uki dent i f i kas iket i daks ei mbangant egangani ni ,ak andi uj ij ugaj i k adi apl i k as i k ank er nel y angl ai n,yai t uker nelMLP( mul t i l ayerper c ept r on) . Tabel5. 6Hasi lI dent i f i kasiKet i dak sei mbanganTeganganBer basi sPar amet erAr usdenganSVM
Berdasarkan Tabel 5.6 diketahui, saat ketidakseimbangan tegangan diidentifikasi secara khusus (tidak digabung dengan jenis gangguan yang lain), sistem yang diusulkan 27
mampu mengenali gangguan dengan hasil yang baik, lebih baik dibanding hasil identifikasi pada bagian 5.1 dan 5.2. Rata-rata pengenalan memiliki kekuatan identifikasi sebesar 81.57%.
Sedangkan untuk penggunaan kernel, MLP memberikan hasil
identifikasi yang lebih baik dibandingkan RBF. Kekuatan identifikasi dengan kernel MLP semuanya bernilai diatas 50%, sedangkan untuk kernel RBF ada yang bernilai kurang dari 50%. Dengan bentuk sinyal yang sangat mirip, karena perbedaan masingmasing gangguan hanya 1%, hasil ini dikategorikan baik.
28
VI. KESIMPULAN DAN SARAN
6. 1Kes i mpul an Ber das ar kanhas i lanal i s adat adar i penel i t i ani nidapati t ar i kk es i mpul ans ebagaiber i k ut : 1. Tel ahdi banguns uat us i s t em i dent i f i k as igangguank el i s t r i k anpadaf ani ndus t r i( mot or i nduks i )mel al ui5 t ahap.Kel i ma t ahap i t u adal ah denoi s i ng s i gnalmenggunak an t r ans f or mas iwavel et ,f eat ur ec al c ul at i onbedas ar k anoper as is t at i s t i kpadadat aber bas i s wakt u ( t i me bas e) dan ber bas i sf r ek uens i( f r ek uens i bas e) ,f eat ur e ext r ac t i on menggunakan Pr i nc i pal Component Anal y s i s( PCA) , Cl as s i f i c at i on menggunak an Suppor t Vect or Machi ne ( SVM) , dan Anal i s i s Per f or ma Kl as i f i k as imenggunak an Recei verOper at i ngChar act er i s t i c( ROC) . 2. Apl i kas is i s t em yangdi bangunpadapar amet ers i gnalar usmenunj uk k an,bahwas i s t em dapat mengi dent i f i kas i12 j eni s( k el as ) gangguan s ec ar a ber s amas ama dengan kekuat ani dent i f i kas ir at ar at a85. 38%.Per f or maSVM unt ukmengi dent i f i k as igangguan ber dasarpar amet ers i gnalar usmenunj uk k anhas i ly ang“ c uk upbai k ”denganni l aiGMean1.1443. 3. Apl i kas is i s t em yang di bangun pada par amet ers i gnalvi br as imenunj uk k an,bahwa s i s t em dapatmengi dent i f i kas i12j eni s( k el as )gangguans ec ar aber s amas amadengan kekuat ani dent i f i kas ir at ar at a74. 37%.Per f or maSVM unt ukmengi dent i f i k as igangguan ber dasarpar amet ers i gnalar usmenunj uk k an has i ly ang “ bai k ”dengan ni l aiGMean 1.207. 4. Has i lanal i s i sROC t er hadapper f or maSVM unt ukpar amet ers i gnalvi br as il ebi hbai k di bandi ngkan i dent i f i kas imenggunak an s i gnalar us ,dengan t i ngk atpr es i s i0. 8529 ber bandi ng dengan 0. 6516.Has i ly ang l ebi h bai kj uga di t unj uk k an ber das ar k an l uas di bawahkur vavi br as idi bandi ngar usber t ur ut t ur utadal ah80. 88% di bandi ng76. 49%. 5. Has i lanal i s a khus usunt uk gangguan k et i dak s ei mbangan t egangan 1%5% ber bas i s par amet er ar us dengan SVM member i k an k ek uat an i dent i f i k as iy ang l ebi h bai k , di bandi ngkanj i kadi i dent i f i kas iber s amas amaj eni sgangguany angl ai n.Denganj uml ah kel ass ebanyak15,kekuat ani dent i f i k as i ny ar at ar at as ebes ar81. 50% 6. 2Sar an Ber das ar kankes i mpul anpadabagi ans ebel umny a,unt ukmeni ngk at k ank ual i t aspenel i t i an i ni per l udi l akukanhal hals ebagaiber i k ut: 1. Per l umengapl i kas i kanj eni sc l as s i f i ery angl ai ns el ai nSVM unt ukmenguj ik eandal an s i s t em l ebi hj auh,mi s al kan dengan menggunak an Emerging Pattern ( Pol a Ker ap) s ebagaipengkl as i f i kas i .
29
2. Per l u memper bai k ipr apr os es s ebel um i dent i f i k as idengan menc oba per angk atl ai n s el ai nPCAunt ukeks t r aks if i t ur ,mi s alIndependent Component Analysis ( I CA)at auj eni s per angkatyangl ai n. 3. Unt ukmenguj is i s t em l ebi hl anj ut ,per l udi t ambahk anpar amet ery angl ai ns eper t ial i r an udar a( kecepat andankepadat anudar a)at aupunt emper at urmes i n.
30
DAFTAR PUSTAKA Ac os t a,G.G. ,C.J .Ver ucchi ,andE. R.Gel s o,2006,“ Ac ur r entmoni t or i ngs y s t em f ordi agnos i ng el ect r i calf ai l ur esi ni nduct i onmot or s ” ,Mec hani c alSy s t em andSi gnalPr oc es s i ng,20,pp. 953-965. Anoni mous ,1989,I mpr ovi ngFanSys t em Per f or manc e,U. S.Depar t mentofEner gy ’ s( DOE) I ndus t r i alTechnol ogi esPr ogr am andt heAi rMovementandCont r ol As s oc i at i on I nt er nat i onal ,I nc.( AMCA) Ams t r ong,P.R,C.R.Laughman,S. B.Leeb,L.K.Nor f or d,2004,“f aul tDet ec t i onbas edon mot ors t ar tt r ans i entand s haf thar moni c s meas ur ed att he RTU el ec t r i c als er vi ce, I nt er nat i onalRef r i ger at i onandAi rc ondi t i oni ngConf er enc e,Pur due,J ul y1215. BoSukYangandKwangJi nKi m,2006,“ Appl i c at i onofDems t er Shaf ert heor yi nf aul tdi agnos i s ofi nduct i on mot orus i ngvi br at i on and c ur r ents i gnal s ” ,Mec hani c alSy s t em and Si gnal Pr oces s i ng,20,pp.403420. Chi nmaya Karand A. R.Mohant y ,2006,“ Moni t or i ng gearvi br at i on t hr ough mot orc ur r ent s i gnat ur eanal ys i sandwavel ett r ans f or m” ,Mec hani c alSy s t em andSi gnalPr oc es s i ng,20, pp.158187. Cor t es ,C.andV.Vapni k,1995,Suppor tVec t orNet wor k ,Mac hi neLear ni ng,20,pp.273297. Di di er ,G. ,E.Ter ni s i en,O.Cas par y,andH.Raz i k ,2007,“ Anewappr oac ht odet ec tr ot orbar si n i nduct i on machi nes by cur r ent s pec t r um anal y s i s , Mec hani c alSy s t em and Si gnal Pr oces s i ng,21,pp.1127–1142. Dong,G. ,X.Zhang,L.Wong,andJ .Li ,1999,CAEP:Cl as s i f i c at i onbyAggr egat i ngEmer gi ng Pat t er ns ,Di s cover ySci ence99. Fawc et t ,T“ AnI nt r oduct i ont oROCanal y s i s ” ,2006,Pat t er nRec ogni t i onLet t er s ,27,pp861– 874 Ghat e,V.N.andS.V.Dudul ,2010,“ Opt i malMLPneur alnet wor kc l as s i f i erf orf aul tdet ec t i onof t hr eephas ei nduct i onmot or ” ,Exper tSy s t em wi t hAppl i c at i ons ,37,pp.34683481. Gul demi r ,H. ,2003,“ Det ect i on ofai r gap ec c ent r i c i t yus i ng l i ne c ur r ents pec t r um ofi nduc t i on mot or s ,El ec t r i cPowers ys t em Res ear c h,64,pp.109–117. I nt er nat i onalEner gy Agency ( I EA) ,RealTi me Si mul at i on ofHVAC Sy s t em f or Bui l di ng Opt i mi zat i on,Faul tDet ect i onandDi agnos t i c s ,Tec hni c alSy nt hes i sRepor t ,I EA ECBCS, Annex25,Ener gyCons er vat i oni nBui l di ngandCommuni t ySy s t em. I s er mann,R. ,1984,Pr omat i ca,Vol .20,No.4,pp.387–404,Per gamonPr es sLt d. J af arZar eiances sFaul tDet ec t i onBas edonModel l i ngandEs t i mat i onMet hods–A Sur vey, Aut od Javad Pos ht an,2009,” An advanc ed Par k ’ s vec t orappr oac hf orbear i ng f aul t det ect i on” ,Tr i bol ogyI nt ebr nat i onal ,42,pp.213219. J ol l i f i e,I . T. ,Pr i nc i palComponentAnal y s i s ,Spr i nger ,NewYor k ,1986. Kar ami ,F. ,J.Pos ht an,andM.Pos ht an,2010,“ Det ec t i onofbr ok enr ot ori ni nduc t i onmot or s us i ngnonl i nearKal manFi l t er s ” ,I SATr ans ac t i ons ,49,pp.189195.
31
LiXuemei ,Shaomi ng,Di ngLi xi ng,XuGang,andLiJ i bi n,2009a,“ AnovelHVACf anmac hi ner y f aul tdi agnos i smet hodbas edonKPCA andSVM” ,I nt er nat i onalConf er enc eonI ndus t r i al Mechat r oni csandAut omat i on. LiXuemei ,Di ng Li xi ng,LiYan,Xu Gang,and LiJ i bi n,2009b,“ HVAC f an mac hi ner yf aul t di agnos i sbas ed on ANN and DS Evi denc e Theor y ” ,I I TA I nt er nat i onalConf er enc e on Cont r ol ,Aut omat i onandSys t em Engi neer i ng. Rodr i guez,P.V.J. ,andA.Ar kk i o,2008,“ Det ec t i onofs t at orwi ndi ngf aul ti ni nduc t i onmot or us i ngf uzz yl ogi c” ,Appl i edSof tComput i ng8,pp.11121120. Si ngh,G. K. ,Sal eh AlKaz zaz Sa’ ad Ahmed,2004,“ Vi br at i on s i gnalanal y s i sus i ng wavel et t r ans f or mf ori s ol at i onandi dent i f i c at i onofel ec t r i c alf aul ti ni nduc t i onmac hi ne” ,El ec t r i c PowerSys t em r es ear ch,68,pp.119–136. Smi t h,L.I .“ ATut or i alPr i nci palComponentAnal y s i s ” ,Uni ver s i t yofOt ago,New Zeal and,2002, www. cs . ot ago. ac. nz/ cos c453/ s t udent _t ut or i al s/ pr i nc i pal _c omponent s . pdf St oupe,D. E.andT.Y.Lau,1989,“ Ai rc ondi t i oni ngandr ef r i ger at i onequi pmentf ai l ur es ” ,Nat i onal Engi neer ,9/ 89. V.N.Vapni k ,1998,Statistical Learning Theory.NewYor k :Wi l ey ,1998. Wi dodo,A. ,BoSukYang,2008,“ Wavel ets uppor tv ec t ormac hi nef ori nduc t i onmac hi nef aul t di agnos i sbas edont r ans i entc ur r ents i gnal ” ,Exper tSy s t em wi t hAppl i c at i on35, pp.307316.
32
LAMPIRAN
Lampi r an1.Pr ot ot i peSi s t em I dent i f i k as iGangguanPadaFan
Lampi r an1. 1Rangkai anPr ot ot i peunt ukAk ui s i s iDat a
Lampi r an1. 2Pr ot ot i peFanI ndus t r i ( Mot ori nduk s i3f as a+i mpel l er )
33
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
