P r e s e n t e r : N a n a n g H a r d i a n t o ( 2 2 0 5 . 1 0 0 . 1 9 6 )
P e m b i m b i n g : P r o f . D r. I r M a u r i d h i H e r y P. , M . E n g . V i t a L i s t y a n i n g r u m , S . T. , M . S c .
mONDAY, jUNE 14 TH 2010
DETEKSI HUBUNG SINGKAT PADA
BELITAN STATOR MOTOR INDUKSI TIGA FASA TANPA BEBAN
MENGGUNAKAN JARING SYARAF TIRUAN
Teknik Sistem Tenaga Jurusan Teknik Elektro - ITS
Surabaya 2010
PENDAHULUAN 1 TEORI PENUNJANG 2 METODOLOGI 3
HASIL DAN ANALISIS 4
KESIMPULAN 5
Tahapan Kerusakan Motor S T O P Temporary Fault/ Non-periodic
Very Short Duration Low Current/ high impedance
Periodic
Very Short Duration
Low Current/ high impedance Permanent Low Current Permanent High Current 1 2 3 4 5
Normal Speed, Normal Torque
Low Noise Speed, TorqueDecrease High Noise
Short circuit condition
P
erform
ance
Tahapan Kerusakan Motor
Detection Based on
Pattern of frequency content [1][2] High Frequency Signal pattern [3]
S T O P Temporary Fault/ Non-periodic
Very Short Duration Low Current/ high impedance
Periodic
Very Short Duration
Low Current/ high impedance Permanent Low Current Permanent High Current 1 2 3 4 5 Fokus Penelitian : Identifikasi gejala hubung singkat Normal Fault Normal Fault
Latar Belakang (2)
1.
Bagaimana suatu bentuk gelombang arus dan tegangan dapat
direpresentasikan menjadi masukkan jaring saraf tiruan
sehingga dapat mewakili bentuk gelombang yang diolah.
2.
Bagaimana
performansi
jaring
saraf
tiruan
dalam
mengidentifikasi kerusakan motor.
1. Motor yang digunakan adalah motor induksi tiga fasa
dengan kondisi tanpa beban
2. Gangguan yang dianalisis adalah hubung singkat sefasa,
fasa-fasa dan fasa-ground pada belitan stator motor
induksi tiga fasa
3. Jaring
saraf
tiruan
menggunakan
metoda
pelatihan
backpropagation
1. Menentukan
representasi
bentuk
gelombang
menjadi
masukan jaring saraf tiruan, sehingga dapat diolah dengan
menggunakan algoritma jaring saraf tiruan.
2. Menguji parameter-parameter jaring saraf tiruan sehingga
diketahui performansi jaring saraf tiruan yang digunakan.
1. Menjadi referensi mengenai metoda baru yaitu kombinasi
transformasi wavelet dan jaring saraf tiruan untuk mendeteksi
hubung singkat pada motor
2. Menjadi alat bantu bagi perusahaan untuk mengidentifikasi
keadaan motor induksi tiga fasa
PENDAHULUAN 1 TEORI PENUNJANG 2 METODOLOGI 3
HASIL DAN ANALISIS 4
KESIMPULAN 5
Artificial neural network (ANN) adalah sebuah sistem pemroses informasi
dengan karakteristik tertentu yang dibuat menyerupai suatu jaring saraf biologis.
Proses belajar (learning) bagi ANN merupakan proses mengatur nilai bobot penimbangnya untuk mendapatkan nilai yang terbaik dengan melatih ANN menggunakan sekumpulan data, menurut unjuk kerja sistem yang dikehendaki [7].
Backpropagation Neural Network
Algoritma pelatihan backpropagation neural network (BPNN) terdiri dari dua proses utama, yaitu feed forward dan backpropagation dari error-nya [7].
Discrete Wavelet Transform
Transformasi wavelet dalam konteks pemrosesan sinyal adalah sebuah metode untuk mendekomposisi sinyal masukan yang diinginkan menjadi gelombang lain.
Proses dekomposisi melibatkan dua filter, yaitu low pass filter dan high pass filter. Hasil yang diperoleh berupa sinyal aproksimasi cA dan sinyal detail cD.
Digital Butterworth Low Pass
Filter
Filter adalah suatu rangkaian elektronik yang berfungsi untuk mengolah frekuensi dari suatu sinyal, frekuensi sinyal tersebut akan diloloskan atau diredam, dalam hal ini disesuaikan dengan kebutuhan. Filter digital memiliki banyak kelebihan dibandingkan dengan pasangannya filter analog, baik dalam performa yang lebih tinggi dengan transition zone yang lebih kecil, ketahanan, serta fleksibilitas dalam menentukan range kerjanya.
PENDAHULUAN 1 TEORI PENUNJANG 2 METODOLOGI 3
HASIL DAN ANALISIS 4
KESIMPULAN 5
• 220/380 volt
• 50 Hz
• cos Ф = 0.7
• 250 kWatt
• 1.42/0.82 A
• 4 kutub
Spesifikasi Motor
Three Phase Induction MotorPengambilan Data
Pengolahan Data
• Data dikelompokkan menjadi dua bagian yaitu data pelatihan dan data pengujian atau validasi.
• Masing-masing data kemudian diolah menggunakan transformasi wavelet diskrit dengan lima tingkat dekomposisi.
• Dari kelima tingkat dekomposisi tersebut dipilih fitur-fitur sinyal yang dapat merepresentasikan gelombang arus dan tegangan stator motor.
• Fitur-fitur tersebut selanjutnya digunakan sebagai masukan untuk data pelatihan maupun data pengujian.
Sistem Identifikasi
JST sebagai Metode Pendeteksi Kerusakan Belitan Stator
24 neuron 70 neuron
4 neuron
Output
JSTKeadaan motor Keluaran JST
Normal [1 0 0 0]
H.S Sefasa [0 1 0 0]
H.S Fasa-fasa [0 0 1 0]
H.S Fasa-Ground [0 0 0 1]
PENDAHULUAN 1 TEORI PENUNJANG 2 METODOLOGI 3
HASIL DAN ANALISIS 4
KESIMPULAN 5
Data Arus dan Tegangan
Stator Motor
(a)
Gambar (a) Arus normal; (b) Tegangan normal
Dekomposisi Wavelet
Feature Extraction
Fitur sinyal
sinyal mean median maks min Range StDev |median Dev| |mean Dev| Domain waktu 0.0078 0.009 0.7998 -0.7998 1.6 0.559 0.5603 0.5033 Dec1 0 0 0.0255 -0.0255 0.0511 0.018 0.017 0.0157 Dec2 0 0 0.0508 -0.0508 0.1017 0.0349 0.0347 0.0313 Dec3 0 0 0.1015 -0.1015 0.2029 0.0696 0.069 0.0623 Dec4 0 0 0.1981 -0.1981 0.3962 0.1366 0.1332 0.1217 Dec5 0 0 0.3634 -0.3634 0.7268 0.2545 0.2481 0.2267 Fitur sinyal
sinyal mean median maks min Range StDev |median Dev| |mean Dev| Domain waktu -1.066 -1.596 219.4 -219.4 438.8 165.6 175.5 151.6 Dec1 0 0 9.017 -9.017 18.03 5.296 4.355 4.373 Dec2 0 0 17.74 -17.74 35.49 10.58 9.183 8.749 Dec3 0 0 35.03 -35.03 70.06 21.04 18.12 17.43 Dec4 0 0 66.48 -66.48 133 41.14 30.39 34.63 Dec5 0 0 117 -117 234 77.33 74.93 66.62
Tabel fitur sinyal tegangan motor normal Tabel fitur siyal arus motor normal
Data Pelatihan
Koef
isien
fitur
Parameter JST
•Fungsi pembelajaran :traingd (Gradient descent - back propagation) •Jumlah layer
Input layer : 24 neuron
Hidden layer : 70 neuron
Output layer : 4 neuron •Fungsi aktivasi
Hidden layer : tansig (fungsi sigmoid bipolar)
Output layer : logsig(fungsi sigmoid biner) •Iterasi maksimal : 100.000 epochs
•Error minimal : 10e-4 •Learning rate : 2,5
Keadaan motor Keluaran JST Output 1 Output 2 Output 3 Output 4 Normal 0.997013 0.013915 0.006623 0 Hubung singkat Sefasa 0.012383 0.966813 0.006861 0.014181 Hubung singkat Fasa-fasa 0.002273 0.002275 0.995042 0.006345 Hubung singkat Fasa-Ground 0.000306 0.007208 0.001577 0.993926
Nilai keluaran tiap neuron
Hasil Analisis (1)
Keluaran JST Keadaan Motor Keluaran JST Keadaan Motor Keluaran JST Normal 0.992382 0.012066 0.006709 0.000119 HS fasa-fasa 0.005733 0.007859 0.994422 0.001516 0.98386 0.023737 0.004683 0.000175 0.005442 0.007626 0.993368 0.001874 0.981969 0.033396 0.00571 0.000204 0.005276 0.007397 0.993353 0.002241 0.973418 0.036159 0.005979 0.000249 0.00648 0.006749 0.995129 0.001637 0.982292 0.150806 0 0.986548 0.00511 0.007752 0.99317 0.00215 0.989765 0.017226 0.004807 0.000131 0.007236 0.005996 0.995363 0.001633 0.979231 0.023285 0.006255 0.00025 0.005143 0.009419 0.993733 0.001165 0.989408 0.024351 0.003999 0 0.005762 0.007341 0.993808 0.001538
Hasil Analisis (2)
Keadaan Motor Keluaran JST Keadaan Motor Keluaran JST HS sefasa 0.010037 0.981326 0.001522 0.007441 HS fasa-ground 0 0.019961 0.005909 0.992208 0.01174 0.977567 0.001287 0.007358 0 0.00766 0.007759 0.994423 0.010024 0.981208 0.001641 0.008116 0 0.021208 0.004827 0.986222 0.010147 0.981045 0.001221 0.007987 0 0.020293 0.005941 0.992376 0.011269 0.976153 0.001444 0.007151 0 0.01288 0.007325 0.993785 0.019942 0.962565 0.00212 0.004454 0 0.014859 0.006965 0.993288 0.00836 0.980164 0.0021 0.008701 0 0.013521 0.006721 0.993487 0.011151 0.976703 0.001902 0.006938 0 0.021718 0.005088 0.983467
Hasil Analisis (3)
Keluaran JSTIdentifikasi JST
Kondisi motor Identifikasi JST (%)
Normal Sefasa Fasa-fasa Fasa-Ground
Normal 87.5 0 0 12.5
HS sefasa 0 100 0 0
HS fasa-fasa 0 0 100 0
Kesimpulan
1. Sinyal arus dan tegangan domain frekuensi hasil pengolahan
discrete wavelete transform dapat merepresentasikan bentuk
gelombang yang dianalisis sehingga dapat digunakan sebagai
masukan JST.
2. Kombinasi transformasi wavelet dan JST yang digunakan
untuk menganalisis dan mengidentifikasi jenis gangguan pada
motor induksi tiga fasa tanpa beban sesuai penelitian ini dapat
mengidentifikasi 100% data pelatihan dan mengidentifikasi
95% data validasi.
1. Jee-Hoon Jung, Jong-Jae Lee, and Bong-Hwan Kwon, “Online Diagnosis of Induction Motors Using MCSA”, IEEE Trans. Industrial Electronics., vol. 53, no. 6, December 2006.
2. Hugh Douglas, Pragasen Pillay, and Alireza K. Ziarani, “A New Algorithm for Transient Motor Current Signature Analysis Using Wavelets”, IEEE Trans. Industry Applications., vol. 40, no. 5, September/October 2004.
3. M.A.S.K. Khan, T.S. Radwan, and M.A. Rahman, “Diagnosis and Protection of IPM Motors Using Wavelet Packet Transform”, Industry Applications Conference, 2006. 41st IAS Annual Meeting. Conference Record of the
2006 IEEE.
4. K. Kim and A. G. Parlos, “Induction Motor ault Diagnosis Based on Neuropredictors and Wavelet signal
processing”, IEEE/ASME Trans. On Mechatronics, vol. 7, no. 2, June 2002.
5. S.A. Nasar, “Hanbook of electric Machines”, New York: Mc Graw Hill, Chapter 3 dan 4, 1987.
6. M. Benbouzid, “A review of induction motors signature analysis as a medium for faults detection”, IEEE Trans.
Ind. Electron., vol 47, pp. 984-993, Oct. 2000.
7. Mauridhi Hery P. dan Agus Kurniawan, “Supervised Neural Networks dan Aplikasinya”, Graha Ilmu, Yogyakarta, 2006.
8. Ika Damayanti, Metode Wavelet Untuk Peramalan Time SeriesYang Non Stasioner, Tesis Jurusan Statistika FMIPA-ITS, Surabaya 2008.
9. GW Instek, “GRS60x2 PC Remote Contrl Program”, User Manual, 2002.
10.Jong Jek S., “Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab”, Andi, Yogyakarta, 2006. 11.Dicky N. Wardana, Dimas Anton A., dan Mauridhi Hery P.,”Early Detection for Short Circuit Symptom at Single
Phase Induction Motor Winding Using Neural Networks”, Proceedings of National Seminar on Applied
Technology, Science, and Arts, pp. 35, Surabaya, Desember 2009.
