Abstrak—Kerusakan rotor bar pada motor induksi merupakan salah satu jenis kerusakan pada motor induksi yang mnyebabkan masalah cukup serius. Selain mempengaruhi performa motor induksi dalam mengatasi beban, kerusakan rotor bar terbukti dapat menginisiasi kerusakan lain seperti munculnya bunga api, hingga melengkungnya shaft rotor karena gaya sentrifugal rotor yang tidak seragam. Ditambah lagi, proses pemeliharaan motor dilakukan dengan mematikan motor sehingga akan merugikan industri karena menghentikan proses produksinya. Sebuah sistem deteksi kerusakan rotor bar motor induksi tanpa harus mematikan motor induksi dibutuhkan untuk mengantisipasi hal tersebut. Tugas Akhir ini berfokus pada perancangan sistem deteksi kerusakan rotor bar motor induksi yang dapat dilakukan secara online tanpa harus mematikan motor induksi. Sistem dalam Tugas Akhir ini berbasis pada analisis arus keluaran inverter menggunakan discrete wavelet transform (DWT) dan power detail density (PDD). Untuk menciptakan sistem yang mampu mendiagnosa kerusakan secara otomatis digunakan Artificial Neural Network (ANN) sehingga didapatkan hasil diagnosa berdasarkan metode forecasting. Pengujian sistem telah membuktikan bahwa sistem mampu berkerja pada beberapa kondisi beban dan sampling dalam konfigurasi sistem pengukuran. Penambahan perangkat ANN mampu mendiiagnosa kerusakan dengan 20% kesalahan melalui proses pengujian yang melibatkan beberapa sample sinyal pengujian.
Kata Kunci—Arus Inverter, Rotor Bar, Descrite Wavelet Transform (DWT), Power Detail Density (PDD)
I. PENDAHULUAN
OTOR induksi merupakan peralatan yang sering digunakan sebagai penggerak utama proses operasi di industri. Alasan utamanya karena motor induksi memiliki kehandalan yang tinggi dan biaya yang relatif lebih rendah. Namun, motor induksi tetap saja adakalanya mengalami kerusakan sehingga harus dihentikan operasinya. Hal ini tentunya akan merugikan perusahaan karena akan mempengaruhi proses produksi industri tersebut. Sebuah survei tentang kerusakan motor induksitelah dilakukan oleh
Electrical Power Research Institute (EPRI) yang
menemukan sekitar 8% dari total 6312 kasus kerusakan motor induksi diakibatkan karena masalah pada rotor [1]. Jumlah ini diperkuat oleh data dari IEEE-IAS yang juga melakukan survei dan menemukan sekitar 9% dari 1141 kasus kerusakan motor diakibatkan karena kerusakan pada rotornya [1]. Beberapa penyebab kerusakan rotor bar antaralain: kesalahan proses maintenance, proses produksi, ataupun saat proses pengoperasian. Beberapa kesalahan tersebut seringkali terjadi karena penanganan yang salah terhadap motor induksi. Tugas akhir ini akan membahas mengenai sistem deteksi kerusakan rotor bar menggunakan
analisa arus keluaran inverter berbasis kepada Discrete Wavelet Transform (DWT). Selain itu Power Detail Density (PDD) juga digunakan untuk melengkapi DWT dalam mendeteksi besaran energi dalam sinyal hasil pengolahan DWT. Selain itu sistem deteksi kerusakan yang dirancang akan melibatkan penggunaan Artificial Neural Network (ANN) sehingga sistem mampu mendeteksi kerusakan secara otomatis. Beberapa percobaan eksperimen serta pengujian pada beberapa kondisi telah dilakukan untuk membuktikan sistem yang dirancang mampu mendeteksi kerusakan motor induksi secara tepat.
II. ANALISA ARUS OUTPUT INVERTER DALAM DETEKSI KERUSAKAN ROTOR BAR MOTOR INDUKSI
Motor induksi akan bekerja berdasarkan prinsip induksi elektromagnet dan interaksi medan stator dengan medan rotor. Pada motor induksi normal arus yang dihasilkan dari proses induksi medan stator yang mengalir pada rotor akan terdistribusi sama rata kepada seluruh rotor bar (simetri). Namun saat rotor bar mengalami kerusakan maka konduktor bar akan mengalami penurunan kemampuan mengalirkan arus sehingga arus akan dibebankan kepada konduktor bar masih sehat. Hal ini akan menimbulkan ketidaksimetrian fluks medan rotor yang akan berakibat munculnya Back Electromotive Force (Back EMF). Back
EMF akan memunculkan frekuensi tambahan (fBRB) pada arus stator yang akan memiliki besaran sedikit lebih tinggi atau sedikit rendah dari frekuensi fundamentalnya. Persamaan (1) menjelaskan bahwa besar fBRB yang muncul akan dipengaruhi oleh jumlah pasang pole (p), slip (s), dan komponen harmonik dalam arus motor induksi (k).
𝑓𝐵𝑅𝐵 = 𝑓𝑓𝑢𝑛𝑑 . [1 ± p . k . s] (1) Saat motor induksi dilengkapi dengan sebuah power
electronics yaitu inverter sebagai perangkat pengendali
kecepatan. Arus input motor, yang terdiri dari arus input inverter dan arus output inverter akan memiliki karakteristik yang berbeda dengan arus stator motor saat tanpa pengendali. Arus output inverter terbentuk berdasarkan proses switching komponen power electronics yang karena tidak idealnya filter, dan kemampuan switching akan menyebabkan adanya ripple pada arus. Selain itu proses
switching akan akan mengakibatkan munculnya orde
harmonik pada arus input stator. Dalam Tugas Akhir ini proses analisa lebih difokuskan pada analisa terhadap arus
output inverter motor sebagai metode dalam sistem deteksi
kerusakan rotor bar. Hasil pengujian membuktikan bahwa sistem yang dirancang mampu membedakan motor induksi dalam kondisi normal
Deteksi Kerusakan Rotor Bar Motor Induksi
Menggunakan Analisis Arus Output Inverter Berbasis
Wavelet
Rifaldy Swasetyasakti, Mochamad Ashari, dan Teguh Yuwono
Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111
E-mail: ashari@ee.its.ac.id
S d1 d2 d3 d4 d5 d6 d7 d8 d9 a9 (a)
dan mengalami kerusakan rotor bar dalam beberapa kondisi dan konfigurasi sistem yang digunakan.
III. DWT DAN PDD SEBAGAI METODE PENGOLAHAN SINYAL SISTEM DETEKSI KERUSAKAN ROTOR BAR DWT merupakan salah satu proses pengolahan sinyal yang berbasis pada fungsi waktu (sampling) dan skala. DWT terdiri dari beberapa tahapan proses antara lain: 1.Dekomposisi sinyal yang secara garis besar terdiri dari proses pemecahan sinyal melalui low pass dan high pass
filter yang memecah seluruh sampling sinyal menjadi dua
bagian yang sama approximation dan detail coefficient, 2.Proses transformasi berdasar fungsi skala pada tiap sampling sinyal, dan 3.Proses rekonstruksi sinyal pada tiap level dekomposisinya yang berlanjut hingga mencapai level dekomposisi yang diinginkan. Dari hasil pengujian menunjukkan DWT dapat membedakan antara motor induksi kondisi normal dan dengan kerusakan 4 rotor bar. Kondisi ini ditunjukkan melalui perbedaan magnitude dan bentuk sinyal detail coefficient DWT yang dihasilkan pada masing-masing level dekomposisinya. Namun hasil yang diperoleh akan sangat menyulitkan jika dilakukan proses deteksi kerusakan. Oleh karena itu, Power Detail Density (PDD) digunakan untuk mendapatkan besaran energi dalam
Detail Coefficient di tiap level dekomposisi. PDD akan
menghitung besaran energi pada sebuah sinyal dengan meng-integralkan nilai absolute kuadrat dari transformasi fourier. Metode yang sama juga dapat dilakukan pada DWT yaitu dengan mengintegralkan nilai absolute kuadrat dari sinyal detail coefficients (2). Persamaan PDD:
𝑃𝐷𝐷 = 1
𝑇 [𝐼𝑅 𝑡 𝑥 𝜑 𝑡 ] 2𝑑𝑡 𝑇
0 (1)
Dimana 𝐼𝑅 𝑡 𝑥 𝜑 𝑡 merupakan sinyal detail coefficients dari wavelet[7].
Hasil akhir dari DWT-PDD adalah besaran energi pada masing-masing level dekomposisi detail coeficient yang
S d1 d2 d3 d4 d5 d6 d7 d8 d9 a9 (b)
akan mengindikasikan motor induksi dalam keadaan normal atau sedang mengalami kerusakan. PDD digunakan untuk mengkomputasi tiap sampling dalam DWT untuk didapatkan energinya. PDD akan menghitung tiap energi dalam sebuah sinyal detail dengan menjumlahkan seluruh magnitude pada setiap samplingnya.
IV. PERANCANGAN SISTEM DETEKSI KERUSAKAN ROTOR BAR MOTOR INDUKSI BERBASIS WAVELET
Dalam Tugas Akhir ini tahap perancangan sistem akan terbagi menjadi beberapa proses antaralain: konfigurasi perangkat pengukuran, pengondisian kerusakan rotor bar, pembebanan mekanis, perancangan sistem pengolahan sinyal dan deteksi otomatis.
A. Konfigurasi Perangkat Pengukuran
Tugas Akhir ini membahas tentang perancangan sistem deteksi kerusakan rotor bar melalui analisa arus output inverter. Sistem yang dirancang terdiri dari perangkat pengukuran dan pengolahan sinyal melalui software terpogram. Perangkat pengukuran akan melibatkan penggunaan perangkat Current Transformer, Oscilloscope, untuk menangkap sinyal arus stator serta perangkat ADC
D1 D2 D3 D4 D5 D6 D7 D8 D9
32,3 22,0 14,2 17,4 261,2 2,0 3,3 4,6 2,1 Gambar 2. Besaran energi pada masing-masing level detail coefficient hasil DWT-PDD 0 50 100 150 200 250 300 d1 d2 d3 d4 d5 d6 d7 d8 d9 M agn it u d o
Level Detail Coefficient DWT Gambar 1. Hasil dekomposisi DWT pada motor induksi (a) Normal (b) dengan kerusakan 4 rotor bar
sebagai pengonversi data agar sesuai dengan input software terprogram sedangkan perangkat pengolahan sinyal akan melibatkan proses DWT dan PDD. Dalam proses konfigurasi perangkat pengukuran, frekuensi sampling merupakan sebuah komponen penting dalam konfigurasi peralatan pengukuran dalam merekronstruksi bentuk sinyal yang diukur. Frekuensi sampling akan berpengaruh pada tingkat overlapping yang akan mengakibatkan adanya error pada proses rekonstruksi sinyal. Dalam Tugas Akhir ini akan digunakan dua tingkat frekuensi sampling yang berbeda, 2 dan 5 kS/detik.
B. Pengondisian Kerusakan Rotor Bar
Pengondisian kerusakan dilakukan dengan memberikan kecacatan berupa lubang melalui proses pengboran pada rotor bar motor induksi (Broken Rotor Bar). Adapun proses pelubangan dilakukan dengan besaran yang sama pada beberapa tingkatan yaitu: Normal (0 BRB), 1 BRB, 2 BRB, 3 BRB, dan 4 BRB. 3 mm 3 mm (a) 3 mm Laminasi Rotor Laminasi Rotor Rotor Bar (b)
Gambar 3.Rekronstruksi kerusakan rotor bar Tabel 1. Data Motor Induksi
PARAMETER MOTOR INDUKSI NILAI
Daya Rating 0,18 kW / 0,25 Hp
Jumlah Pole 4
Tegangan Rating 380 V (koneksi Y)
Arus Rating 0,6 A
Kecepatan Rating 1310 rpm
Jumlah Konduktor Rotor 22
Faktor Daya 0,73
Gambar 4.Skema sistem deteksi kerusakan rotor bar yang dirancang dalam Tugas Akhir.
C. Pembebanan Mekanis
Dalam Tugas Akhir ini digunakan variasi beban untuk membuktikan sistem yang dirancang mampu digunakan pada motor induksi dengan kondisi beban yang bervariasi. Pembebanan yang diberikan berupa beban mekanis yang berfungsi memberikan torsi lawan terhadap torsi putaran motor (breaking). Pada Tugas Akhir digunakan pembebanan 0,5 Nm, 1,0 Nm, dan 1,5 Nm.
D. Perancangan Sistem Pengolahan Sinyal dan Diagnosa Kerusakan secara
Perancangan sistem pengolahan sinyal merupakan bagian yang sangat penting dalam sistem deteksi kerusakan rotor bar berbasis wavelet. Tahap ini akan menentukan performa sistem dalam menentukan suatu motor induksi dalam keadaan normal ataupun mengalami kerusakan. Adapun perancangan pengolahan sinyal yang dimaksud merupakan perancangan DWT dalam software terprogram.
Dalam Tugas Akhir ini, proses perancangan DWT hanya terfokus pada detai coefficient pada 9 level dekomposisi Wavelet.Adanya inverter memngakibatkan munculnya
ripple dan orde harmonik pada arus stator yang dengan 9
level dekomposisi DWT dapat dideteksi dengan mudah kemunculan frekuensi karena kerusakan rotor bar.
START
Rekronstruksi sinyal hasil pengukuran Dekomposisi sinyal dengan DWT Apakah Dekomposisi sesuai ? Input data sinyal hasil pengukuran
Rekronstruksi sinyal pada tiap level dekomposisi
END
START
Proses Dekomposisi Wavelet
Rekronstruksi sinyal pada tiap level dekomposisi
Perhitungan PDD pada tiap level dekomposisi
Penyimpanan data dalam format .xls Representasi Grafik END ya tidak (a) (b)
Gambar 5. Diagram Alir (a) Proses DWT (b) Proses PDD Tabel 2. Spesifikasi DWT Spesifikasi DWT Jenis DWT Deubaches (db) Orde 29 Level Dekomposisi 9
Sampling frekuensi 2000 / 5000 Sampling/detik Tabel 3. Data Parameter ANN
PARAMETER ANN
Fungsi Pembelajaran Trainlm (backpropagation)
Input Layer 9 Neuron
Hidden Layer 250 Neuron
Output Layer 2 Neuron
Iterasi Maksimal 1000
Fitur Sinyal 156 data
Variable Speed Drive Motor Induksi 3 Phasa File .xls Peralatan Pengukuran DWT Wavelet Details File .xls Analog to Digital Converter Artificial Neural Network (ANN) Sinyal arus Diagnosa Sumber 3 phasa Power Detil Density (PDD) 0,5 Nm 1,0 Nm 1,5 Nm
START
Membandingkan nilai error
Err = Err’ Penambahan unit tersembunyi baru
Pelatihan unit tersembunyi
baru
Reduksi jaringan Normalisasi Input dengan
fungsi normalisasi
Inisiasi pelatihan, penimbang, nilai awal Mencari struktur yang paling minimum Pelatihan jaringan tereduksi END ya tidak ya tidak
Gambar 6. Diagram alir Backpropagation Neural Network Adapun penggunaan DWT berjenis Deubaches memiliki keunggulan dalam memproses sinyal yang bersifat asimetri karena ripple ataupun orde harmonik. Selain itu DWT orde 29 digunakan untuk meminamilisir terbentuknya
overlapping pada proses dekomposisi.
Dalam Tugas Akhir ini sistem deteksi kerusakan tidak hanya dirancang agar dapat bekerja secara online namun juga secara otomatis. Artificial Neural Network (ANN) untuk dapat melakukan proses ini. Adapun ANN yang digunakan dalam Tugas Akhir ini adalah Backpropagation
Neural Network dengan parameter pada tabel 2 Dalam
perancangan Listing ANN, fitur sinyal yang digunakan tidak seluruhnya digunakan untuk proses pelatihan ANN, namun dikomposisikan 80% untuk proses pelatihan, 10% untuk proses validasi, dan 10% untuk proses pengujian. Hal ini difungsikan untuk meminimalisir terjadi underfitting ataupun overfitting saat proses pelatihan ANN sehingga error yang terjadi ketika ANN menentukan diagnosa kerusakan rotor bar motor induksi dapat diminimalisasi.
V. PENGUJIAN SISTEM DAN ANALISA DATA
Sistem dalam Tugas Akhir ini dirancang sedemikian rupa sehingga mampu mendeteksi kerusakan secara on-line. Sistem dalam Tugas Akhir ini akan melibatkan perangkat pengukuran dan listing pengolahan sinyal dalam software terprogram. Mekanisme pengujian sistem juga dilakukan sehingga akan terlihat bagaimana performa sistem yang telah dirancang. Tahap pengujian juga dilakukakan dalam beberapa konfigurasi untuk menciptakan sebuah sistem yang dapat bekerja pada beberapa kondisi pengoperasian.
A. Pengujian Sistem Deteksi Kerusakan Rotor Bar Motor Induksi Menggunakan DWT-PDD
Gambar 4 menunjukkan hasil pengujian sistem membuktikan bahwa DWT-PDD dapat digunakan untuk mendeteksi kerusakan rotor bar motor induksi dengan menggunakan arus output inverter sebagai sinyal sampel. Gambar 4 menunjukkan adanya kenaikan nilai energi pada beberapa level dekomposisi DWT pada motor induksi
dengan kerusakan 4 rotor bar dibandingkan dengan motor induksi normal. Kerusakan rotor bar pada dasarnya akan menimbulkan frekuensi slip yang terinduksi kembali ke statornya (back EMF). Adanya frekuensi ini menimbulkan efek harmonisa tambahan pada arus stator motor induksi. Frekuensi slip ini akan bernilai sedikit lebih tinggi dan sedikit lebih rendah dari pada frekuensi fundamentalnya dan berbeda dengan harmonisa yang memang terdapat pada motor induksi karena efek air gap. Hal inilah yang akan dideteksi oleh DWT-PDD dengan menunjukkan perubahan pada bentuk sinyal pada level dekomposisi frekuensi slip ini terjadi.
B. Pengujian dengan Frekuensi Sampling Berbeda
Perbedaan frekuensi sampling akan menentukan band frekuensi pada tiap level detail coefficient DWT. Hal ini dibuktikan melalui hasil pengujian sistem menggunakan frekuensi sampling 2 dan 5 kS/detik. Data hasil pengujian dapat dilihat pada tabel 3. Proses percobaan dilakukan dengan menggunakan FFT untuk mendapatkan perkiraan band frekuensi yang digunakan pada tiap level dekomposisi DWT. Nilai frekuensi fundamental berada pada detail dekomposisi level 5 untuk frekuensi sampling 2 kS/detik dan level 6 untuk frekuensi 5 kS/detik. Jika diketahui pada kondisi tanpa beban motor induksi memiliki slip = 1% maka melalui persamaan (2) dapat dicari nilai frekuensi yang muncul karena kerusakan rotor bar adalah:
𝑓𝐵𝑅𝐵 = 50 . 1 ± 4 .1 .0.01
𝑓𝐵𝑅𝐵 1 = 49,27 𝐻𝑧 ; 𝑓𝐵𝑅𝐵2 = 50,73 𝐻𝑧
Sehingga kenaikan level detail coefficient dekomposisi DWT akan meningkat pada d6 untuk frekuensi sampling 5kS/detik dan d5 untuk frekuensi sampling 2kS/detik
C. Perbandingan antara DWT-PDD dan PDD
Selain DWT-PDD, deteksi kerusakan rotor bar dengan menggunakan FFT merupakan salah satu metode yang saat ini menunjukkan besaran magnitude dan frekuensi yang dapat mendiagnosa kondisi kerusakan rotor bar. Namun proses FFT memerlukan proses penyesuaian yang lebih rumit dimana proses rekronstruksi sinyal akan mempengaruhi ketepatan FFT dalam meintepretasikan besaran frekuensi sinyal. Selain itu proses transformasi FFT.
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 Gambar 7. Hasil PDD untuk tiap koefisien detail dekomposisi DWT pada pengukuran arus pada bagian output inverter
00 50 100 150 200 250 300 d1 d2 d3 d4 d5 d6 d7 d8 d9 M ag n it u d o Dekomposisi DWT-PDD Normal 4 brb
Gambar 8.Hssil pengujian sistem dengan DWT-PDD (merah) motor induksi normal (biru) dengan kerusakan 4 rotor bar Tabel 4.Band Frekuensi DWT pada frekuensi sampling tertentu
DETAIL DWT 2 KS/DETIK 5 KS/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
juga harus dilakukan penyesuaian dalam haal frekuensi sampling dan normalisasi fungsi magnitudo yang akan membuat sistem yang dirancang tidak maksimal
D. Perbandingan antara DWT-PDD dan PDD
Selain DWT-PDD, deteksi kerusakan rotor bar dengan menggunakan FFT merupakan salah satu metode yang saat ini menunjukkan besaran magnitude dan frekuensi yang dapat mendiagnosa kondisi kerusakan rotor bar. Namun proses FFT memerlukan proses penyesuaian yang lebih rumit dimana proses rekronstruksi sinyal akan mempengaruhi ketepatan FFT dalam meintepretasikan besaran frekuensi sinyal. Selain itu proses transformasi FFT juga harus dilakukan penyesuaian dalam haal frekuensi sampling dan normalisasi fungsi magnitudo yang akan membuat sistem yang dirancang tidak dapat berjalan maksimal.
E. Diagnosa Kerusakan Rotor Bar menggunakan Artificial Neural Network (ANN)
Hasil grafik dari DWT-PDD pada pengukuran sinyal arus pada output inverter memiliki perbedaan yang tidak terlalu signifikan antara motor induksi normal dan dengan 4 kerusakan rotor bar. Artificial Neural Network (ANN) digunakan untuk mendeteksi perbedaan ini dengan melibatkan 156 data. Adapun data yang digunakan merupakan hasil pengukuran arus di bagian input dan output inverter pada frekuensi sampling 2000 dan 5000 sampling/detik serta mendefinisikan motor normal dan motor dengan kerusakan 4 rotor bar. Hasil pengujian sistem deteksi kerusakan rotor bar motor induksi telah dilakukan, melibatkan 20 sinyal pengujian ANN telah mampu mendefinisikan kondisi motor induksi apakah dalam kondisi normal atau mengalami kerusakan rotor bar.
Hasil pengujian yang dilakukan, terdapat error yang merupakan selisih target dengan ouput ANN. Tercatat dari 20 arus pengujian, yang terdiri dari 10 sampel pengujian dari motor induksi normal dan 10 sampel pengujian untuk motor induksi dengan kerusakan 4 rotor bar, terdapat 2 kesalahan diagnosa pada masing-masing kelompok sampel. Hasil pengujian menjelaskan bagaimana deteksi kerusakan rotor bar motor induksi dapat dilakukan dengan menggunakan ANN. Walaupun terdapat hasil identifikasi yang belum sesuai dengan kondisi yang terjadi sebenarnya yang ditunjukkan melalui kolom merah dimana hasil output ANN memiliki tingkat error yang dikarenakan error saat proses pengukuran. 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 dengan 5kS/detik
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 dengan 2kS/detik
Gambar 9. Hasil pengujian DWT-PDD pada beberapa tingkat pembebanan berbeda 000 050 100 150 200 250 300 d1 d2 d3 d4 d5 d6 d7 d8 d9 M ag n it u d o Dekomposisi DWT-PDD pada 0,5 Nm Load 000 050 100 150 200 250 300 350 d1 d2 d3 d4 d5 d6 d7 d8 d9 M ag n it u d o Dekomposisi DWT-PDD pada 1,0 Nm Load 000 050 100 150 200 250 300 350 400 450 d1 d2 d3 d4 d5 d6 d7 d8 d9 M ag n it u d o Dekomposisi DWT-PDD pada 1,5 Nm Load
Tabel 5.Hasil Pengujian ANN SINYAL
PENGUJIA N KE-
KONDISI TARGET OUTPUT 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 20 Normal 0 -1 -1 Normal (a) (b) (c)
Gambar 10. Hasil pelatihan ANN (a)Target ANN (b)Output ANN (c) Error yang terjadi
VI. KESIMPULAN DAN RINGKASAN
Berdasarkan hasil yang telah didapatkan dari proses pengujian dan analisis didapat kesimpulan bahwa PDD-DWT mendeteksi kerusakan rotor bar motor induksi dengan menunjukkan pertambahan besaran energi pada level dekomposisi frekuensi karena kerusakan muncul. Sistem yang dirancang mampu mendiiagnosa kerusakan dengan 20% kesalahan melalui proses pengujian yang melibatkan 20 sample sinyal. Sistem yang dirancang dapat diaplikasikan pada motor induksi dalam berbeagai tingkat pembebanan serata konfigurasi frekuensi sampling peralatan pengukuran. Sistem juga dirancanga agaar dapat diaplikasikan sebagai sistem deteksi kerusakan rotor bar secara online.
LAMPIRAN
Gambar 11.Hasil pengujian sistem dengan DWT-PDD (merah) motor induksi normal (biru) dengan kerusakan 4 rotor bar
Lapisan Masukan (9 Neuron) Lapisan Tersembunyi (250 Neuron) Lapisan Keluaran (2 Neuron) D1 D2 D3 D4
Pola Masukan Pola Keluaran Pola Target
A1 A2 BRB1 BRB2 9 x 156 dimensi 2 x 1 dimensi 2 x 1 dimensi
Gambar 12.Topologi ANN yang digunakan oleh sistem DAFTAR PUSTAKA
1. Aderiano M. da Silva, B.S., “Induction Motor Fault Diagnostic And Monitoring Methods”, Mei 2006, Marquette University, Milwaukee, Wisconsin.
2. Khalaf Salloum Gaeid, Hew Wooi Ping, “Wavelet Fault Diagnosis of Induction Motor”, University of Malaya, Malaysia.
3. Neelam Mehala, Ratna Dahiya, “Motor Current Signature Analysis And Its Applications In Induction Motor Fault Diagnosis”, International Journal Of Systems Applications, Engineering & Development, 2007.
4. J. Cusidó, L. Romeral, J.A. Ortega, A. Garcia, J.R. Riba, “Wavelet and PDD as fault detection techniques” ELSEVIER, 2010, Electric Power Systems Research 80 (2010) 915–924.
5. Michel Misiti, Yves Misiti, Georges Oppenheim, Jean-Michel Poggi, “Wavelet Toolbox™ Getting Started Guide”, 2013
6. Stephen J. Chapman, “Electric Machinery Fundamentals Fourth Edition”, 2005, McGraw-Hill, New York.
7. Ilias P. Georgakopoulos, Epaminondas D. Mitronikas, Athanasios N. Safacas, “Detection of Induction Motor Faults in Inverter Drives Using Inverter Input Current Analysis” IEEE Transactions on Industrial Electronics, vol. 58, no. 9, September 2011.
0 5 10 15 0 50 100 150 N ila i T ar ge t Data ke--30 -20 -10 0 10 20 30 0 50 100 150 N ila i T ar ge t Data ke--30 -20 -10 0 10 20 30 0 50 100 150 N ila i E rr o r Data ke 0 20 40 60 80 100 120 d1 d2 d3 d4 d5 d6 d7 d8 d9 M ag it u d o Dekomposisi DWT-PDD Normal 4 brb
