DETEKSI KERUSAKAN ROTOR BAR MOTOR INDUKSI MENGGUNAKAN ANALISIS ARUS OUTPUT INVERTER BERBASIS WAVELET

(1)

SEMINAR TUGAS AKHIR JUNI 2013

DETEKSI KERUSAKAN ROTOR BAR MOTOR

INDUKSI MENGGUNAKAN ANALISIS ARUS

OUTPUT INVERTER BERBASIS WAVELET

Dosen Pembimbing

Prof. Ir. Mochamad Ashari, M.Eng., PhD.

Ir. Teguh Yuwono

Teknik Sistem Tenaga

Jurusan Teknik Elektro ITS

Oleh:

(2)

Latar Belakang

 Hampir seluruh proses industri menggunakan

MOTOR INDUKSI (rotor sangkar)

 KERUSAKAN ROTOR BAR akan menginisiasi

kerusakan pada bagian-bagian lain motor induksi

 MONITORING harus mematikan kerja Motor

 TUGAS AKHIR ini berfokus pada perancangan sistem deteksi kerusakan rotor bar yang dapat diaplikasikan secara online untuk monitoring motor induksi

 Sistem DETEKSI KERUSAKAN ROTOR BAR BERBASIS

WAVELET dinilai lebih unggul dari pada metode lain seperti FFT

(3)

 Kerusakan Rotor Bar menyebabkan masalah

yang

serius

bagi

industri

sehingga

memerlukan proses monitoring kondisi setiap

saat

 Sistem deteksi kerusakan rotor bar berbasis

FFT

memiliki

kelemahan

dalam

proses

implementasi

 Hampir sebagian besar motor induksi

menggunakan pengendali inverter

 Sistem deteksi kerusakan rotor bar secara

online

diperlukan

untuk

meminimalisir

kerugian industri akibat proses maintenance

yang tidak terjadwal

(4)

1. Motor Induksi ROTOR SANGKAR 3 PHASA

2. Proses PENGAMBILAN DATA dan

ANALISIS mengenai arus dilakukan pada motor induksi dalam keadaan STEADY STATE

3. Pengolahan sinyal berbasis pada

DISCRETE WAVELET TRANSFORM (DWT) pada bagian Detail Coefficientnya

4. Analisis kerusakan dilakukan terhadap ARUS OUTPUT INVERTER

Batasan Masalah

(5)

Alur Perancangan Sistem

Analisa karakteristik KERUSAKAN ROTOR BAR Konfigurasi Peralatan Perancangan Pengolahan sinyal Perancangan Artificial Neural Network (ANN) Pengujian Sistem Deteksi Kerusakan Rotor Bar Analisis Hasil Pengujian

Eksperimen

Pengolahan

Data

(6)

Karakteristik Kerusakan Rotor Bar

 Deteksi Kerusakan Rotor Bar yang lain: Vibrasi, Panas, dan Starting

KURANG MAKSIMAL UNTUK MEMONITORING KERUSAKAN

6

Distribusi arus rotor tidak uniform

Distribusi fluks tidak sinusoidal

BACK EMF

Induksi medan rotor -stator

Induksi balik dengan GGL yang terdistorsi stator yang

FREKUENSI TAMBAHAN pada arus stator yang lebih dan lebih kecil dari frekuensi

(7)

Arus Output Inverter

 Arus output inverter pada dasarnya merupakan arus sinusoidal terdistorsi

karena keterbatasan proses switching komponen power electronics pada INVERTER -1,5 -1 -0,5 0 0,5 1 1,5 0 0,05 0,1 0,15 0,2 0,25 A ru s (A ) Waktu (s) -2 -1 0 1 2 0 0,05 0,1 0,15 0,2 0,25 A ru s (A ) Waktu (s)

NORMAL

4 Kerusakan

Rotor

(8)

Normal

8

Karakteristik Kerusakan Rotor Bar

 Hasil FFT pada Arus Output Inverter

(9)

Keseluruhan Sistem Deteksi Kerusakan

Variable Speed Drive

Motor Induksi 3 Phasa

File .xls Peralatan Pengukuran Sinyal Transformasi Wavelet Wavelet Details File .xls Analog to Digital Converter Artificial Neural Network (ANN) Sinyal arus Diagnosa Kerusakan Sumber 3 phasa Power Detil Density (PDD) Pembebanan Mekanik 0,5 Nm 1,0 Nm 1,5 Nm

(10)

Konfigurasi Peralatan

Parameter Keterangan

Normal Tanpa Kerusakan Rotor Bar

4 BRB Kerusakan 4 Rotor Bar

 Dipilih karena efek

perubahan arus motor induksi yang paling besar: Perubahan Magnitude Arus fundamental

 Lubang dibuat sama

3 mm 3 mm 3 mm Laminasi Rotor Laminasi Rotor Rotor Bar

(11)

 Oscilloscope GRS 6052

 Amplifier

 Mensensing Arus, dan melindungi

oscilloscope

 FREKUENSI SAMPLING merupakan

parameter penting dalam proses

PEMECAHAN dan REKONSTRUKSI sinyal

Sampling 5kS/s (20mv/div)

2kS/s(50mv/div)

(12)

Perancangan Pengolahan Sinyal

 Terdiri dari

2 TAHAPAN pengolahan sinyal

1. DISCRETE WAVELET TRANSFORM (DWT)

2. POWER DETAIL DENSITY (PDD)

 METODE PENGOLAHAN

sinyal digunakan untuk membentuk Sistem

Deteksi Kerusakan yang Dapat Diaplikasikan secara online

 DWT

akan memproses sinyal arus kedalam level dekomposisi yang

memiliki band frekuensi tertentu

 Proses pengolahan sinyal

DWT-PDD

dinilai lebih unggul dibandingkan

dengan

FFT

karena kemudahan dalam proses

TRANSFORMASI

serta

NORMALISASI PENSKALAAN

(13)

Listing Pengolahan Sinyal

 DEUBACHES  Keunggulan dalam dekomposisi sinyal ASIMETRI  Merupakan bentuk pengklasifikasian sinyal berdasarkan fungsi

skala dan pergeseran (sampling)

Spesifikasi DWT

Jenis DWT Deubaches (db)

Orde 29

Level Dekomposisi 9 Sampling frekuensi 2/ 5 kS/detik

 ORDE WAVELET akan menentukan

KARAKTERISTIK FILTER dan FUNGSI PENSKALAAN

dipilih untuk meminimalisir adanya INTERPOLASI (irisan) antara dua level dekomposisi

(14)

Perancangan Pengolahan sinyal

14 PEMECAHAN TRANSFORMASI REKRONSTRUKSI a[n] d[n] a[n] d[n] 2 2 2 2 a1 d1 d2 a2 1000 data S 500 data 500 data 250 data 250 data

(15)

Perancangan Pengolahan sinyal

00 50 100 150 200 250 300 d1 d2 d3 d4 d5 d6 d7 d8 d9 M ag n it u d e Dekomposisi DWT-PDD S d1 d2 d3 d4 d5 d6 d7 d8 d9 a9

PDD

(16)

Perancangan Pengolahan sinyal

START

Rekronstruksi sinyal hasil pengukuran

Memecah sinyal dengan fungsi Highpass dan

Lowpass filter

Apakah level telah sesuai ? Input data sinyal hasil pengukuran

Rekronstruksi sinyal pada tiap level dekomposisi

END Ya

Tidak Transformasi Wavelet

berdasarkan fungsi skala dan waktu

START

Proses Dekomposisi Wavelet

Rekronstruksi sinyal pada tiap level dekomposisi

Perhitungan PDD pada tiap level dekomposisi Penyimpanan data dalam

format .xls

Representasi Grafik

END

DWT

PDD

(17)

Perancangan ANN

Spesifikasi ANN Fungsi Pembelajaran Trainlm (backpropagation) Input Layer 9 Neuron Hidden Layer 250 Neuron Output Layer 2 Neuron Iterasi Maksimal 1000 Fitur Sinyal 156 data 80% untuk training 10% untuk validasi 10% untuk test S T ART Me mb a n d i n g k a n n i l a i e r r o r E r r = E r r ’ tinunahambaneP t e r s e mb u n y i b a r u P e l a t i h a n u n i t t e r s e mb u n y i b a r u R e d u k s i j a r i n g a n No r ma l i s a s i I n p u t d e n g a n f u n g s i n o r ma l i s a s i I n i s i a s i p e l a t i h a n , p e n i mb a n g , n i l a i a wa l Me n c a r i s t r u k t u r y a n g p a l i n g mi n i mu m P e l a t i h a n j a r i n g a n t e r e d u k s i E ND y a t i d a k y a t i d a k

(18)

Diagnosa Otomatis dengan ANN

0 5 10 15 0 20 40 60 80 100 120 140 160 N ila i T a rg et Data ke- -30 -20 -10 0 10 20 30 0 20 40 60 80 100 120 140 160 N ila i T ar ge t Data ke--30 -20 -10 0 10 20 30 0 20 40 60 80 100 120 140 160 N ila i E rr o r Data ke

TARGET ANN

_{OUTPUT ANN}

(19)

Pengujian 1: Sistem Secara Keseluruhan

 Sistem mampu mendeteksi KERUSAKAN ROTOR BAR dengan

menunjukkan selisih antara kondisi NORMAL dan RUSAK pada Arus output inverter

00 50 100 150 200 250 300 d1 d2 d3 d4 d5 d6 d7 d8 d9 M agn it u d o Dekomposisi DWT-PDD Normal 4 brb d1 d2 d3 d4 d5 d6 d7 d8 d9 Normal 33,1 16,3 8,4 3,4 2,7 246,6 6,7 6,7 6,3 4 BRB 44,2 23,8 9,9 5,5 2,2 251,3 6,6 7,0 8,0

(20)

Pengujian 2: Frekuensi Sampling Berbeda

Detail Dekomposisi DWT 2000 S/detik 5000 S/detik

Level 1 390 - 1000 Hz 950 - 2500 Hz Level 2 180 - 630 Hz 450 - 1600 Hz Level 3 90 - 230 Hz 200 - 850 Hz Level 4 48 - 143 Hz 100 - 400 Hz Level 5 38 - 78 Hz 40 - 200 Hz Level 6 15- 40 Hz 23 - 80 Hz Level 7 6 – 20 Hz 12 - 50 Hz Level 8 2 - 10 Hz 2,5 - 23 Hz Level 9 0 - 6 Hz 0 – 14 Hz 20 00 50 100 150 200 250 300 d1 d2 d3 d4 d5 d6 d7 d8 d9 M ag n itu d o DW T -P DD

Dekomposisi DWT-PDD pada 5kS/detik

00 50 100 150 200 250 300 d1 d2 d3 d4 d5 d6 d7 d8 d9 M ag n itu d o DW T -P DD

Normal 4 brb

(21)

Pengujian 3: Pembebanan Bervariasi

000 050 100 150 200 250 300 d1 d2 d3 d4 d5 d6 d7 d8 d9 M ag n itu d o DW T -P DD Dekomposisi DWT-PDD Normal 4 BRB 000 100 200 300 400 d1 d2 d3 d4 d5 d6 d7 d8 d9 M ag n itu d o DW T -P DD Dekomposisi DWT-PDD Normal 4 BRB 000 100 200 300 400 500 d1 d2 d3 d4 d5 d6 d7 d8 d9 Ma gn itu d o DW T-P DD Normal 4 BRB  0,5 Nm  1,0 Nm  1,5 Nm

(22)

Pengujian 4: Perbandingan Teori - Pengujian

Kondisi slip saat 0 Nm f.brb 0 Nm slip saat 0,5 Nm f.brb 0,5 Nm 4 BRB 0,01 49,27 50,73 0,03 47,33 52,67

Kondisi slip saat 1,0 Nm f.brb 1,0 Nm _{slip saat 1,5 Nm} f.brb 1,5 Nm 4 BRB 0,06 44,33 55,67 0,09 40,53 59,47 00 50 100 150 200 250 300 d1 d2 d3 d4 d5 d6 d7 d8 d9 M ag n it u d o D W T -P D D

00 50 100 150 200 250 300 d1 d2 d3 d4 d5 d6 d7 d8 d9 M a gn it u d o D W T-P D D

Normal 4 brb

22

Hasil Perhitungan

(23)

Pengujian Sistem dan Analisa

Sinyal pengujian ke- Kondisi sebenarnya Target ANN Output ANN Error Diagnosa

1 4 brb 10 13 3 4 brb 2 4 brb 10 4 -6 Normal 3 4 brb 10 11 1 4 brb 4 4 brb 10 7 -3 4 brb 5 4 brb 10 15 5 4 brb 6 4 brb 10 11 1 4 brb 7 4 brb 10 8 -2 4 brb 8 4 brb 10 11 1 4 brb 9 4 brb 10 9 -1 4 brb 10 4 brb 10 -3 -13 Normal 11 Normal 0 0 0 Normal 12 Normal 0 2 2 Normal 13 Normal 0 6 6 4 brb 14 Normal 0 2 2 Normal 15 Normal 0 0 0 Normal 16 Normal 0 -4 -4 Normal 17 Normal 0 -1 -1 Normal 18 Normal 0 0 0 Normal 19 Normal 0 15 15 4 brb