Simulasi dan Analisa Hubung Singkat Pada Belitan Stator Motor Induksi Tiga Fasa Menggunakan Wavelet Transform dan Power Spectral Density

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6

Yelanda Novita Sari, Ardyono Priyadi, Dimas Anton Asfani

.

Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS)

Jl. Arief Rahman Hakim, Surabaya 60111

E-mail:

Yelanda_novita89@gmail.com

. priyadi@ee.its.ac.id. anton@its.ac.id

Abstrak — Motor Induksi merupakan mesin listrik

yang sering digunakan dalam industry, oleh karena itu performa, stabilitas dan efisiensi dari motor induksi sangat diperhatikan untuk mengantisipasi gangguan yang bisa menyebabkan penurunan umur dari motor induksi. Motor Current Signature Analysis

(MCSA) adalah salah satu metode yang paling sering

digunakan untuk mendeteksi performa motor secara

on-line. Akan tetapi penggunaan MCSA ini tidak

memberikan hasil yang bagus ketika torsi beban yang tidak konstan. Maka diperlukan metode baru untuk mendeteksi gangguan pada belitan stator. Tugas akhir ini membahas deteksi gangguan hubung singkat motor induksi tiga fasa menggunakan Transformasi

Wavelet untuk mendeteksi magnitudo pada range

frekuensi tertentu dan Power Spectral Density digunakan sebagai pengenalan pola sinyal yang menunjukkan kondisi tidak normal pada belitan stator yang disimulasikan pada software matlab. Hasil simulasi ini yaitu berupa nilai, nilai PSD yang didapatkan sebanding dengan jumlah belitan stator yang terhubung singkat antar belitannya, semakin banyak jumlah belitan yang terhubung singkat maka nilai PSD nya akan semakin besar.

Kata Kunci — Motor Induksi, Transformasi Wavelet, Power Spectral Density, Motor Current Signature Analysis (MCSA).

I. PENDAHULUAN

AMPIR 60% industri menggunakan motor induksi sebagai alat bantu produksi, hal ini disebabkan karena beberapa alasan yaitu, kecepatan putar yang dihasilkan konstan, motor induksi tidak memiliki sikat sehingga rugi gesek dapat dikurangi, dan perawatannya yang mudah. Karena beberapa alasan tersebut motor induksi digunakan secara luas.

Motor- motor tersebut ditempatkan pada lingkungan dan kondisi yang bervariasi yang dapat menimbulkan kerusakan dibagian-bagian motor. Mekanisme kerusakan pada mesin induksi yang paling umum dapat dikategorikan menurut komponen utama mesin seperti gangguan pada stator, rotor, dan bearing. Hampir 40% ganggunan pada motor induksi terjadi pada stator, hal ini bisa disebabkan karena hubung singkat pada belitan stator [1].

Hubung singkat pada belitan menyebabkan penurunan jumlah belitan equivalent pada motor, hal ini menyebabkan penurunan kecepatan dan peningkatan panas pada inti karena penambahan rugi-rugi. Peningkatan panas membuat suhu belitan stator meningkat sehingga berakibat pada perkiraan umur isolasi belitan.

Untuk mengurangi kerusakan yang lebih karena hubung singkat dan untuk memperpanjang usia motor, maka diperlukan deteksi dini keadaan stator motor saat motor beroperasi[2]. Banyak usaha yang telah dilakukan untuk meminimalisir gangguan yang ada pada stator motor, contohnya adalah dengan memonitoring keadaan dari belitan stator motor. Teknik monitoring yang sering dipakai untuk mendeteksi belitan motor adalah

Motor-Current-Signature Analysis (MCSA) tetapi pada saat

kecepatan dan torsi beban tidak konstan MCSA tidak memberikan hasil monitoring yang bagus[3], hal ini disebabkan karena estimasi awal MCSA yang menggunakan Fast Fourier Transform (FFT) tidak memberikan resolusi yang baik pada perubahan domain waktu ke domain frekuensi[4].

Dalam upaya untuk memecahkan masalah ini, dikembangkan metode baru untuk diagnosis gangguan pada stator, yaitu dengan metode dekomposisi wavelet. Tugas akhir ini, membahas deteksi gangguan hubung singkat motor induksi tiga fasa, menggunakan

Transformasi Wavelet untuk mendeteksi magnitudo pada

range frekuensi tertentu, dengan menggunakan wavelet

menu pada softwer matlab. Power Spectral Density (PSD)

digunakan sebagai pengenalan pola sinyal yang menunjukkan kondisi tidak normal pada belitan stator. Data yang akan diolah menggunakan Transformasi Wavelet dan Power Spectral Density (PSD) didapat dari hasil simulasi menggunakan softwer matlab simulink. Dimana matlab simulink ini digunakan dalam pemodelan motor induksi tiga fasa terhubung singkat pada belitan stator.

II. METODEKLASIFIKASIGANGGUAN Metode klasifikasi gangguan yang digunakan pada tugas akhir ini adalah transformasi wavelet dan power

spectral density (PSD).

H

Simulasi dan Analisa Hubung Singkat Pada Belitan

Stator Motor Induksi Tiga Fasa Menggunakan Wavelet

A. Transformasi Wavelet

Transformasi wavelet sama halnya seperti proses filtering, dimana sinyal dalam domain waktu dilewatkan

ke dalam High Pass Filter dan Low Pass Filter, untuk memisahkan komponen frekuensi tinggi dan frekuensi rendah. Pada dasarnya, transformasi wavelet dapat dibedakan menjadi dua tipe. Berdasarkan nilai parameter translasi dan dilatasinya, yaitu Continue Wavelet

Transform (CWT) dan Discrete Wavelet Transform (DWT.). Transformasi wavelet kontinu ditentukan oleh

nilai parameter dilatasi dan translasi yang bervariasi secara kontinu. Parameter dilatasi dan translasi secara kontinu ini menghasilkan data yang berlebihan (redudansi). Oleh karena itu CWT ini sulit dalam hal proses pemfilteran. Masalah redudansi ini dapat diselesaikan dengan pemakaian transformasi Discrete

wavelet transform (DWT). DWT ini dalam

implementasinya lebih sederhana dibandingkan dengan

continue wavelet transform (CWT).

g[n] h[n] 2 2 h[n] 2 g[n] 2 h[n] 2 g[n] 2 X[n]

Level 1 detail coefficients Scale2J1

Level 2 detail coefficients Scale₂J2

Level 3 detail coefficients Scale2J3

Gambar 1. Wavelet tree decomposition with three-detail

levels.

Pada gambar 1 awalnya sinyal dilewatkan di filter high pass dan low pass, setengah dari masing-masing hasilnya diambil untuk jadi sampel melalui operasi

sub-sampling. Proses ini disebut sebagai proses dekomposisi

satu tingkat. Keluaran dari filter low-pass digunakan sebagai masukkan di proses dekomposisi tingkat berikutnya. Proses ini diulang sampai tingkat proses dekomposisi yang diinginkan. Gabungan dari keluaran-keluaran filter high-pass dan satu keluaran-keluaran filter low pass yang terakhir, disebut koefisien wavelet, yang berisi informasi sinyal hasil transformasi yang telah terkompresi[1]. Dalam tugas akhir ini ada 2 fungsi keluarga wavelet yaitu, daubechies dan meyer, daubechies adalah salah satu nama dari keluarga wavelet

yang ditulis dengan dbN, dimana N adalah urutan dari db. Dan meyer adalah nama keluarga wavelet yang paling bagus dan detail dalam filter sinyal, karena filter bandpassnya memiliki frekuensi cut-off yang tajam, sehingga mampu mengklasifikasikan sinyal frequensi tinggi[8].

B. Power Spectral Density (PSD)[1]

Power Spectral Density (PSD) adalah, hasil bagi

antara energi dengan frekuensi masing-masing level sinyal High pass filter. Energi itu sendiri adalah penjumlahan kuadrat nilai-nilai data pada setiap level frekuensi sinyal High pass filter. Dapat dipersentasikan dengan model matematika berikut:

Energi = 𝑓(𝐻𝑃𝐹)𝑑𝑑1₀ 𝑛2 PSD = 𝐸𝑛𝑒𝑟𝑔𝑖

𝑓(𝐻𝑃𝐹 )𝑛 …. (1)

Dimana

𝑑1= range akhir dari jumlah data

𝑑0= range awal dari jumlah data

𝑓(𝐻𝑃𝐹)𝑛 = Frekuensi high pass filter atau sinyal detail

𝑛 = level sinyal detail

III. PERMODELAN

Parameter motor yang digunakan untuk pemodelan dapat dilihat pada tabel 1.

Tabel1.

Data motor yang digunakan untuk simulasi

Parameter Motor

Daya rating 750 Watt

Jumlah kutub 4

Tegangan line to line 200 Volt

Arus rating 2.7 Ampere

Frekuensi 60 Hz

Power factor 0.8

Inersia rotor (J) 0.1kg/m2

Induktansi rotor 6.94 mH

Resistansi rotor 1.99 ohm

Resistansi stator 3.35 ohm

Pemodelan motor induksi tiga fasa terhubung singkat pada belitan stator didapatkan dari hasil penurunan persamaan matematika. Dari persamaan matematika akan didapatkan pemodelan motor induksi, yang selanjutnya akan di diagnosis dengan menggunakan metode wavelet transform dan PSD.

Vag Vbg Vcg Na Nb Nc Supply Wavelet transform dan PSD Transformasi

tiga fasa ke dua fasa Pemodelan Motor Kondisi motor Perhitungan induktansi dan resistansi

Gambar 2. Model simulasi motor induksi. Persamaan tegangan input motor induksi tiga fasa adalah:

𝑣𝑎𝑔 = 𝑣𝑚 𝑐𝑜𝑠 𝑒 (2)

𝑣_𝑏𝑔 = 𝑣𝑚 𝑐𝑜𝑠 𝑒−2𝜋₃ (3)

𝑣𝑐𝑔 = 𝑣𝑚 𝑐𝑜𝑠 𝑒+2𝜋₃ (4)

Dimana

𝒗𝒎 adalah tegangan sumber, 𝒁𝒃 adalah impedansi dasar,

𝒃 sama dengan 𝒆 adalah perputaran medan sinkron

stator (rps), _𝒓 adalah perputaran sudut rotor, 𝐯_𝒒𝒔𝒉 adalah tegangan short circuit pada q reference frame, _𝒒 𝒔𝒉adalah fluk stator terhubung singkat pada q reference frame, 𝒒 𝒓adalah fluk rotor pada q reference frame, 𝐫𝒒𝒅𝟎𝒔 adalah

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6 adalah tegangan stator ke netral, 𝒗𝒂𝒈 adalah tegangan fasa

a, 𝒗𝒂𝒔 adalah tegangan stator fasa a, 𝒗𝒒𝒔 adalah tegangan

stator fasa q, 𝒊𝒂𝒃𝒄𝒔 adalah vektor kolom arus stator pada abc, 𝐓𝒒𝒅𝟎(𝜽) adalah transformasi qdo.

Karena memiliki banyak keterbatasan, maka motor induksi tiga fasa di transformasikan ke dalam bentuk dua fasa. Pemodelan dua fasa yang digunakan adalah qd0

stationary reference frame. Model matematika

transformasi tiga fasa ke dua fasa adalah[5]: 𝑓𝑞 𝑓𝑑 𝑓0 = 𝐓𝑞𝑑 0(𝜃) 𝑓𝑎 𝑓𝑏 𝑓𝑐 (5)

Dari persamaan 4 dapat ditulis:

𝑓𝑞𝑑 0= 𝐓𝑞𝑑 0(𝜃) 𝑓𝑎𝑏𝑐 (6)

𝐓𝑞𝑑 0 (𝜃) =2₃

cos 𝜃 cos 𝜃 −2𝜋3 cos 𝜃 + 2𝜋

3

sin 𝜃 sin 𝜃 −2𝜋₃ sin 𝜃 +2𝜋₃

1 2 1 2 1 2

Dimana = 0 dan 𝜃 = 0 maka

𝐓𝑞𝑑 0 (𝜃) =2₃ 1 −12 − 1 2 0 − 3₂ 3₂ 1 2 1 2 1 2 (7)

Tegangan perfasa stator adalah

𝑣𝑞𝑠=2₃ 𝑣𝑎𝑠−1₂ 𝑣𝑏𝑠+ 𝑣𝑐𝑠 =2₃ 𝑣𝑎𝑔−1₂ 𝑣𝑏𝑔 + 𝑣𝑐𝑔 (8) 𝑣𝑑𝑠 = 1 3 −𝑣𝑏 𝑠_{+ 𝑣} 𝑐𝑠 = ₃1 −𝑣𝑏𝑔+ 𝑣𝑐𝑔 (9)

Karena adanya ketidakseimbangan arus pada fasa 0 maka tegangan pada titik netral atau fasa 0 adalah:

𝑣0𝑠=1₃ 𝑣𝑎𝑔 + 𝑣𝑏𝑔 + 𝑣𝑐𝑔 − 𝑣𝑠𝑔 (10) Dimana 𝑣𝑠𝑔 =_𝐶1 𝑠𝑔 (𝑖𝑎 𝑠_{+ 𝑖} 𝑏𝑠+ 𝑖𝑐𝑠) 𝑑𝑡 (11) 1 𝐶_𝑠𝑔= 50 × 𝑍𝑏𝑏 (12)

Hubungan antara q-axis sator dan rotor serta d-axis stator dan rotor bisa dilihat pada gambar 2.

rext sh q v -+ + + + + s q

v

r q

v

r d

v

s q

v

Gambar 3. Rangkaian motor terhubung singkat pada stator

Pada gambar 2 tidak terlihat adannya hubungan antara fasa 0 stator dan fasa 0 rotor hal ini disebabkan karena mesin induksi terhubung three-wire koneksi, maka urutan nol diangap tidak ada[6]. Pada gambar diatas

karena adannya pengaruh tegangan short circuit (𝐯𝑞𝑠𝑕) di

fasa q-axis stator maka didapatkan model matematika untuk tegangan distator fasa q dalam keadaan terhubung singkat adalah: 𝐯𝑞𝑠= 𝐯𝑞𝑠𝑕+ 𝑝𝑠_𝑞 + r𝑞𝒔 i𝒒𝒔 (13) Dimana 𝐯𝑞𝑠𝑕 = 𝑝_𝑞 𝑠𝑕− 𝐫𝑞𝑠𝑕𝐢𝑞𝑠𝑕 (14) Maka 𝑞 𝑠𝑕 = 𝐯𝑞𝑠𝑕− 𝐫𝑞𝑠𝑕𝐢𝑞𝑠𝑕 𝑑𝑡 (15) r𝑞𝑑 0𝒔 = 𝑟11𝑠 𝑟12𝑠 𝑟13𝑠 𝑟21𝑠 𝑟22𝑠 𝑟23𝑠 𝑟31𝑠 𝑟32𝑠 𝑟33𝑠 (16)

Jadi persamaan untuk fluks q-axis stator dan rotor adalah: 𝑞 𝑠 = 𝐯𝑞𝑠− 𝐯𝑞𝑠𝑕− r11𝒔 i𝒒𝒔− r12𝒔 i𝑑𝒔 𝑑𝑡 (17)

𝑞 𝑟 = 𝑟𝑟𝑑− r𝑟𝑟 𝐢𝑞𝑟 𝑑𝑡 (18)

Persamaan fluks d-qxis stator dan rotor adalah: 𝑑 𝑠 = 𝐯𝑑𝑠− r21𝒔 i𝒒𝒔 − r22𝒔 i𝑑𝒔 𝑑𝑡 (19)

𝑑 𝑟 = − 𝑟𝑟𝑞+ r𝑟𝑟 𝐢𝑑𝑟 𝑑𝑡 (20)

Sedangkan untuk persamaan torsi adalah

𝐓𝑒𝑚 =3₂𝑷₂ 𝑑𝑠𝐢𝑞𝑠−𝑞𝑠𝐢𝑑𝑠 (21) 2𝑱_𝑏 𝐏 𝑑 _𝑟 𝑏 𝑑𝑡

= 𝐓

𝑒𝑚

+ 𝐓

𝑚𝑒𝑐 𝑕

+ 𝐓

𝑑𝑎𝑚𝑝 (22) Jadi _𝑟 _𝑏 = 𝐓𝑒𝑚 + 𝐓𝑚𝑒𝑐 𝑕+ 𝐓𝑑𝑎𝑚𝑝 . 1 2𝐇 dt (23)

Dimana 𝑏=𝑒 = 2𝜋𝑓𝑒, 𝐓𝑒𝑚 = Torsi elektromagnetik,

P adalah jumlah pole, H adalah Inersia rotor konstan (detik), 𝐓𝑑𝑎𝑚𝑝 adalah Torsi damping, 𝐓𝑚𝑒𝑐 𝑕 adalah Torsi

mekanik. Untuk mendapatkan arus tiga fasa maka output dari arus 𝐢_𝑞𝑠, 𝐢_𝑑,𝑠 dan 𝐢₀𝑠 ditransformasikan ke bentuk tiga fasa abc sebagai berikut.

𝑓𝑎𝑏𝑐 = 𝐓𝑞𝑑 0(𝜃) −1

𝑓𝑞𝑑 0

Maka untuk merubah arus dua fasa ke tiga fasa adalah 𝐢𝑎𝑏𝑐 = 𝐓𝑞𝑑 0(𝜃) −1 𝒊𝑞𝑑 0 (24) 𝐓𝑞𝑑 0 (𝜃) −1 = cos θ sinθ 1 cos θ −2π₃ sin θ −2π₃ 1 cos θ +2π₃ sin θ +2π₃ 1

Dimana = 0 dan 𝜃 = 0 maka arus untuk fasa abc adalah 𝐢𝑎𝑠 𝐢𝑏𝑠 𝐢𝑐𝑠 = 1 0 1 −1₂ − 3₂ 1 −1₂ 3_{2 1} 𝐢𝑞𝑠 𝐢𝑑𝑠 𝐢0𝑠 (25) 𝐢𝑎𝑠 = 𝐢𝑞𝑠 + 𝐢0𝑠 (26) 𝐢𝑏𝑠 = −1₂𝐢𝑞𝑠− 3₂ 𝐢𝑑𝑠 + 𝐢0𝑠 = − 𝐢_𝑞𝑠+ 3 𝐢_𝑑𝑠 2 + 𝐢0 𝑠 ₍₂₇₎ 𝐢𝑐𝑠 = −1₂𝐢𝑞𝑠+ 3₂ 𝐢𝑑𝑠 + 𝐢0𝑠= − 𝐢_𝑞𝑠_{− 3 𝐢} 𝑑 𝑠 2 + 𝐢0 𝑠 ₍₂₈₎

1 0

(a) Pemodelan motor induksi tiga fasa bisa dilihat pada gambar 4.

Pers. (3.1) Pers. (3.2) Pers. (3.3)



Rotor



o + + + abc2 qd0 Q-axis D-axis 0-axis qd02 abc Plot characteristic 1



Sc Switch 0

Gambar 4. Model Simulasi state-space motor induksi tiga fasa. IV.DETEKSIHUBUNGSINGKATMENGGUNAKAN

TRANSFORMASIWAVELETDANPSD

Gambar 5 merupakan hasil simulasi torsi elektromagnetik dan kecepaatan. Torsi beban dimana motor dalam keadaan normal dan tanpa beban adalah 0 sedangkan kecepatan adalah 1.

Gambar 5. Hasil simulasi torsi dan kecepatan, motor dalam keadan normal.

Gambar 6. Hasil simulasi torsi dan kecepatan dengan

shorted turns 50 dan 70% pembebanan.

Berbeda dengan motor dalam keadaan normal, motor dalam keadaan shorted turns 50 dan 70% pembebanan, hasil simulasi torsi dan kecepatannya mengalami osilasi.

A. Transformasi Wavelet

Range frekuensi bands pada simulasi ini terlihat pada tabel 2.

Tabel 2.

Range frekuensi bands Decomposition Detail Frekuensi Band (Hz)

Detail level 1 3000 – 1500 Detail level 2 1500 – 750 Detail level 3 750 – 375 Detail level 4 375 – 187.5 Detail level 5 187.5 – 92.75 Detail level 6 92.75 – 46.37 Detail level 7 46.37 – 23.18

Range frekuensi band sinyal detail level 1 didapatkan dari fs/2, sedangkan range frekuensi band

sinyal detail level 2 didapat dari fs/4 dan seterusnya

sampai detail level 7. Pada tugas akhir ini, klasifikasi gangguan pada motor dilihat pada saat motor beroperasi

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6

(b)

(c)

(d)

Gambar 7. Sinyal dekomposisi wavelet arus fasa a motor dalam keadaan shorted turns 50 dan 70% pembebanan. (a) wavelet meyer, (b) wavelet dB10, (c)wavelet dB8, (d)

wavelet dB6

Dari gambar 7 diatas, khususnya pada sinyal sampling, nilai arus yang terbaca mencapai 5A (peak to peak) atau 3.5A (rms). frekuensi sampling 6000 Hz dan jumlah data N = 65000. Pada gambar 7 (a) yaitu

transformasi wavelet meyer, khususnya sinyal detail 6

kerapatan energi dan bentuk sinyalnya sama dengan kerapatan energi dan bentuk sinyal samplingnya. Hal ini karena dalam pengambilan nilai absolute, wavelet meyer lebih detail dari pada wavelet lain. Oleh karena itu

wavelet meyer yang paling bagus digunakan sebagai

langkah awal untuk mendapatkan nilai PSD. Nilai PSD ini nantinya digunakan sebagai acuan untuk mendeteksi

shorterd turns.

B. Power Spectral Density (PSD)

Karena efek perubahan dari jumlah shorted turns dengan menggunakan metode transformasi wavelet

sulit dianalisa, maka hasil dari sinyal output yang disimpan dalam workspace Matlab selain berupa sinyal, juga berupa hasil penjumlahan kuadrat nilai-nilai data pada setiap level frekuensi High pass filter yang disebut juga dengan energi. Energi ini akan dibagi dengan frekuensi masing-masing level sinyal High pass filter, hasil bagi ini yang disebut dengan power spectral density (PSD). Pada tabel 3 akan ditunjukan hasil PSD dari detail 1 sampai 7.

Tabel 3.

Power Spectral Density (PSD) menggunakan wavelet meyer.

Normal Pembebanan D1 D2 D3 D4 D5 D6 D7 PSD PSD PSD PSD PSD PSD PSD 0 0 1.9E-5 1.6E-5 0.00021 0.0077 0.78 192.6 0.32 0 70% 2E-5 1.8E-5 0.00018 0.0065 0.6 212.5 0.27 0 75% 2.1E-5 2E-5 0.00018 0.0065 0.6 222.6 0.28 0 100% 2.2E-5 2E-5 0.0002 0.006 0.6 222.8 0.31 Shorted Pembebanan D1 D2 D3 D4 D5 D6 D7 PSD PSD PSD PSD PSD PSD PSD 5 0 2.3E-5 2.2E-5 0.00024 0.0087 0.9 231.6 0.35 5 100% 3.1E-5 2.8E-5 0.00019 0.0065 0.6 343.2 0.34 Shorted Pembebanan D1 D2 D3 D4 D5 D6 D7 PSD PSD PSD PSD PSD PSD PSD 10 0 2.5E-5 2.4E-5 0.000263 0.0089 0.9 242.0 0.37 10 100% 3.7E-5 3.1E-5 0.0002 0.0072 0.7 388.6 0.33 Shorted Pembebanan D1 D2 D3 D4 D5 D6 D7 PSD PSD PSD PSD PSD PSD PSD 20 0 3.2E-5 2.9E-5 0.000297 0.0108 1.1 317.0 0.44 20 100% 4.9E-5 4E-5 0.000268 0.0101 0.9 496 0.5 Shorted Pembebanan D1 D2 D3 D4 D5 D6 D7 PSD PSD PSD PSD PSD PSD PSD 40 0 5.7E-5 5.1E-5 0.000468 0.0166 1.71 572.0 0.69 40 100% 7.7E-5 6E-5 0.000365 0.0134 1.3 807.2 0.8 Shorted Pembebanan D1 D2 D3 D4 D5 D6 D7 PSD PSD PSD PSD PSD PSD PSD 50 0 7.7E-5 6.5E-5 0.000545 0.0211 2.1 768.2 0.88 50 100% 0.0001 8.4E-5 0.000505 0.017 1.7 1029 1 Tabel 4.

Power Spectral Density (PSD) menggunakan wavelet db6

Normal Pembebanan D1 D2 D3 D4 D5 D6 D7

PSD PSD PSD PSD PSD PSD PSD

0 0 2.4E-5 1.4E-5 8.82E-05 0.003 4.5 191.2 7.5

0 70% 2.2E-5 1.5E-5 6.25E-05 0.003 4.8 207.6 8.3

0 75% 2.5E-5 1.7E-5 6.27E-05 0.003 5 233.5 9.5

0 100% 3.1E-5 2.1E-5 5.66E-5 0,0037 6.8 291.4 12.8

Shorted Pembebanan D1 D2 D3 D4 D5 D6 D7 PSD PSD PSD PSD PSD PSD PSD 5 0 2.3E-5 1.6E-5 0.000124 0.004 5 212.4 8.3 5 100% 3.5E-5 2.3E-5 0.000064 0.0042 7.7 329.9 14 Shorted Pembebanan D1 D2 D3 D4 D5 D6 D7 PSD PSD PSD PSD PSD PSD PSD 10 0 2.5E-5 1.7E-5 0.000126 0.004 5 239 9.4

10 100% 4E-5 2.5E-5 7.5E-5 0.0047 8.7 371.8 16

Shorted Pembebanan D1 D2 D3 D4 D5 D6 D7

PSD PSD PSD PSD PSD PSD PSD

20 0 3.3E-5 2.2E-5 8.77E-05 0.004 7 312 12.5

20 100% 5E-05 3E-05 9.59E-05 0.006 11 475 20

Shorted Pembebanan D1 D2 D3 D4 D5 D6 D7 PSD PSD PSD PSD PSD PSD PSD 40 0 5.9E-5 3.9E-5 0.000159 0.007 13 557 22.6 40 100% 8 E-5 5.4E-5 0.000134 0.009 18 773 33 Shorted Pembebanan D1 D2 D3 D4 D5 D6 D7 PSD PSD PSD PSD PSD PSD PSD 50 0 1E-4 7E-05 0.000172 0.012 23.1 981 42 50 100% 8E-5 5.2E-5 0.000189 0.010 17.6 746 30.8

Pada tabel nilai PSD dengan wavelet meyer, dB10, dB8 dan dB6 nilai PSD akan naik seiring penambahan jumlah shorted turns dan kenaikan beban. Tetapi ada beberapa nilai PSD yang mengalami penurunan. Sama halnya dengan sinyal dekomposisi wavelet, pada PSD

wavelet meyer yang paling bagus digunakan sebagai

acuan untuk mendeteksi motor. Apabila menggunakan

wavelet dB6, dB8 dan dB10 ada beberapa kekurangan,

seperti pada dB6 nilai detail 1, 2, 4, 5, 6, dan 7 pada motor dalam keadaan shorted turns 5 beban 0 dan shorted

turns 5 dengan 70% pembebanan mengalami kenaikan.

Sedangkan pada PSD detail 3 mengalami penurunan. Hal ini juga terjadi pada motor dengan shortd turns 10 sampai 40. Tetapi keadaan ini berbanding terbalik dengan motor dalam keadaan shorted turns 50, pada nilai detail 1, 2, 4, 5, 6, dan 7 mengalami penurunan dan nilai detail 3 mengalami kenaikan. Jadi tidak ada satupun sinyal detail yang bisa dijadikan acuan untuk mendeteksi pengaruh perubahan beban dan shorted turns terhadap motor.

Untuk wavelet meyer baik motor dalam keadaan normal berbeban maupun motor mengalami shorted turns berbeban pada nilai PSD detail 1, 2, dan 6 mengalami kenaikan dan sinyal detail yang lain mengalami penurunan. Jadi yang bisa digunakan sebagai acuan untuk memonitoring dampak perubahan beban dan shorted turns terhadap motor adalah wavelet meyer pada detail 1,2 dan 6. Gambar 8 adalah perbandingan nilai PSD dengan jumlah shorted turns pada wavelet meyer detail 2. Dimana motor dalam keadaan normal berbeban nilainya dibawah nilai threshold, sedangkan motor dalam keadaan

shorted turns nilai PSD nya lebih tinggi dari nilai threshold.

Gambar 8. Grafik nilai PSD pada wavelet meyer detail 2. Selain pengaruh hubung singkat tabel PSD juga bisa digunakan untuk melihat frekuensi harmonik. Harmonisa pertama 60Hz terjadi pada range sinyal detail enam dimana range frekuensi bansnya 47Hz – 92Hz, oleh sebab itu sinyal detail enam memiliki energy yang besar dari yang lainnya, sehingga nilai PSD nya juga lebih tinggi. Sedangkan harmonisa ketiga terjadi pada level sinyal detail 5 dan harmonisa ke lima terjadi pada sinyal detail 4.

IV. KESIMPULAN

Dari hasil simulasi dapat diambil kesimpulan, Semakin banyak jumlah belitan yang terhubung singkat, maka arus, energy dan nilai Power Spectral density yang terbaca semakin besar. Hal ini disebabkan karena penurunan jumlah ekivalen belitan pada stator. Untuk memonitoring pengaruh perubahan beban dan shorted

turns pada motor, wavelet meyer lebih baik dari pada wavelet lain. Karena pembacaan nilai absolute pada sinyal high pass filternya, wavelet meyer lebih detail dari pada wavelet daubechies. Nilai PSD pada motor dalam

keadaan berbeban, lebih tinggi dari motor dalam keadaan tanpa beban. Karena motor memerlukan daya yang besar untuk memikul beban mekanik. Selain unuk mendeteksi pegaruh beban dan jumlah shorted turns terhadap motor. Sinyal wavelet dan nilai PSD juga bisa melihat adanya frekuensi harmonik. Terbukti nilai pada sinyal detail level enam, lebih tinggi dari pada sinyal level lainnya. Hal ini disebabkan karena pada range frekuensi band sinyal detail enam yaitu 92.75 – 46.37 Hz terdapat frekuensi fundamental 60 Hz.

DAFTAR PUSTAKA

[1] Cusido Jordi and Romeral Luis, “Fault Detection in Induction Machines Using Power Spectral Density in Wavelet Decomposition”, IEEE Trans. On Industrial Electronics, vol. 55, no. 2, February 2008.

[2] Stephen J. Chapman, “Electric Machinery

Fundamentals. Fourth Edition”. Mc Graw Hill.

BAE SYSTEMS Australia. 2005.

[3] Ong-Chee mun. “Dynamic Simulation of Electric Machenery”. Prentice Hall International. New jersey. 1998.

[4] Arkan.M, Kostic-Perovic.D, Unsworth P.J, “Modelling and simulation of induction motors with inter-turn faults for diagnostics” , ELSEVIER. On Electric Power Systems Research 75 (2005) 57–66, May 2005.

[5] Heru Isnanto P. “Analisis Motor Induksi 3 Fasa Dengan Metode Kerangka Referensi” , Makalah Seminar Tugas Akhir Jurusan Teknik Elektro Fakultas Teknik Universitas Diponegoro.

[6] Nova Dicky W. “Deteksi Hubung Singkat Pada Belitan Stator Motor Induksi Satu Fasa Menggunakan Jaring Saraf Tiruan”. Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember.

[7] Misiti.Michel,Misiti.Yves, Oppenheim.Georges, Poggi Michel-Jean, “Wavelet Toolbox. For Use with MATLAB”. Part I. The MathWorks, Inc. [8] F. H. Magnago and A. Abur, “Fault location using

wavelets,” IEEE Trans. Power Del., vol. 13, no. 4, pp. 1475–1480, Oktober. 1998. 0 2 4 6 8 10 12 14 16 10-4.8 10-4.6 10-4.4 10-4.2 Case number V a ri a b le d e te c ti o n Normal Operation Short Circuit Fault at No Load Short Circuit Fault at 75% Load

5 turn S.C10 turn S.C 20 turn S.C 30 turn S.C 40 turn S.C 50 turn S.C Threshold