| ISSN (Cetak) 2302-2949 | ISSN (Dalam Talian) 2407-7267 | Tersedia online di : http://jnte.ft.unand.ac.id/
Makalah ini menggunakan Kohonen Self-Organising Map (KSOM) untuk mendeteksi, mendiagnosis, dan mengklasifikasikan gangguan motor induksi. Serangkaian simulasi menggunakan model motor induksi 3 fasa berdasarkan parameter motor industri nyata dilakukan dengan menggunakan MATLAB/Simulink pada kondisi gangguan seperti antar belitan, variasi frekuensi daya, tegangan lebih dan tegangan suplai tidak seimbang. Model dilatih menggunakan sinyal masukan dari berbagai kondisi kesalahan.
Berbagai kesalahan dari motor induksi yang tidak terlihat dimasukkan ke model untuk menguji kemampuan model dalam mendeteksi dan mengklasifikasikan kesalahan motor induksi. KSOM beradaptasi dengan kondisi motor yang tidak terlihat, mendeteksi, mendiagnosis dan mengklasifikasikan kesalahan tersebut dengan akurasi 94,12%.
Deteksi Kesalahan dan Diagnosis Motor Induksi 3 Fasa Menggunakan Kohonen
Peta Pengorganisasian Mandiri
ABSTRAK
Jurnal Nasional Teknik Elektro
PERKENALAN
DF Boateng2 , AM Muhia3,4
, ,
Robert Agyare Ofosu B.Odoi2
Atribusi-NonKomersial 4.0 Internasional. Beberapa hak dilindungi undang-undang JURNAL TEKNIK ELEKTRO NASIONAL - VOL. 12 TIDAK. 1 (MACRH 2023)
Selain itu, teknik seperti Motor Current Signature Analysis (MCSA) memerlukan sensor yang dipasang di motor induksi untuk memperoleh sinyal yang berguna [10]. Sensor-sensor ini mengganggu pengoperasian normal motor induksi dan membuat teknik ini mahal karena adanya biaya tambahan. Algoritma kontrol logika fuzzy juga telah berhasil digunakan dalam deteksi kesalahan motor induksi [11], [12]. Meskipun algoritma tersebut mampu menunjukkan kondisi motor induksi dengan akurasi yang tinggi, namun keterbatasannya adalah ketidakmampuan sistem untuk beradaptasi dengan kondisi gangguan baru.
Setelah meninjau literatur terkait tentang berbagai teknik mendeteksi dan mendiagnosis kesalahan pada motor induksi, ternyata benar Motor Induksi (IM) adalah mesin elektromekanis Arus Bolak-balik
(AC) yang mengubah energi dari listrik menjadi mekanik. Motor induksi dapat diandalkan, kokoh, dan hampir tidak mudah pecah dengan perkiraan efisiensi di atas 80% [1]. Meskipun motor induksi sangat andal, namun karena kondisi lingkungan dan pemasangan yang keras, motor induksi rentan terhadap beberapa jenis kesalahan [2]. Oleh karena itu, perawatan motor induksi menjadi tantangan utama yang dihadapi banyak industri saat ini untuk mencegah downtime yang tidak terjadwal dan mengurangi biaya perawatan [3], [4].
Menurut Gheitasi [5], industri petrokimia di Amerika Serikat (AS) saja, mengakumulasi kerugian tahunan sekitar $20 miliar, karena pendekatan diagnostik yang buruk untuk mendeteksi dan mendiagnosis kesalahan pada motor induksi. Oleh karena itu, pendekatan yang tepat untuk mendeteksi kesalahan dan diagnosis motor induksi menjadi semakin penting. Selama bertahun-tahun, sebagian besar kesalahan ini termasuk kesalahan stator, rotor dan bantalan telah ditangani dengan menggunakan beberapa
pendekatan diagnostik. Teknik berbasis kecerdasan buatan, Hilbert Transform (HT), Discrete Wavelet Transform (DWT) dan
analisis kimia adalah beberapa teknik yang baru-baru ini diusulkan untuk mendeteksi dan mendiagnosis kesalahan motor induksi [6].
Namun, teknik ini tidak terlalu berhasil karena, pada beban rendah, analisis kesalahan menggunakan teknik ini sulit dilakukan karena kedekatan frekuensi cacat dengan frekuensi dasar. Selain itu, teknik Hilbert Transforms meskipun telah terbukti efektif dalam mendeteksi kesalahan pada motor induksi, teknik ini sulit diterapkan karena perhitungan matematis yang rumit sementara teknik lain seperti pendekatan kimia hanya dapat menangani beberapa kondisi kesalahan seperti kesalahan bantalan [7 ], [8], [9].
KORESPONDENSI
1Sekolah Teknik Elektro dan Informasi, Universitas Jiangsu, Zhenjiang, Cina
Revisi: 12 Desember 2022 Diterima: 19 Agustus 2022
Email: [email protected]
3Departemen Teknik Listrik dan Elektronik, Universitas Pertambangan dan Teknologi, Tarkwa, Ghana
KATA KUNCI
Tersedia online: 31 Maret 2023
2Departemen Ilmu Matematika, Universitas Pertambangan dan Teknologi, Tarkwa, Ghana
Deteksi dan Diagnosis Kesalahan, Akurasi Motor Induksi, Peta Pengorganisasian Mandiri Kohonen,
1
4Departemen Teknik Elektro dan Elektronik, Universitas Pertanian dan Teknologi Jomo Kenyatta, Nairobi, Kenya
Telepon: +233540358161
https://doi.org/10.25077/jnte.v12n1.1047.2023 INFORMASI PASAL
ff ks (1 2 ) = ÿ
Akibat benturan kumparan dan rotor stator dengan stator motor induksi, batang atas dapat kendor dan merusak penghantar tembaga serta insulasinya, sehingga mengakibatkan gangguan belitan stator. Selain itu, jika karena fluktuasi daya, motor induksi mengalami beberapa kali hidup dan mati, suhunya
(a) Hubungan Pendek Antara Belitan dan Inti
Angka. 1. Persentase Berbagai Gangguan Motor Induksi
Gambar 2. Stator Motor Induksi 3 Fasa Rusak
Gangguan pada motor induksi 3 fasa dapat dikategorikan menjadi gangguan listrik, mekanik dan lingkungan [3]. Gangguan listrik dapat dibagi menjadi fasa tunggal, tegangan berlebih dan tegangan rendah, ketidakseimbangan tegangan suplai, hubung singkat antar belitan, dan gangguan variasi frekuensi daya.
Patahnya batang rotor, kerusakan bantalan, ketidakseimbangan massa rotor, dan eksentrisitas celah udara merupakan beberapa klasifikasi gangguan mekanis. Suhu sekitar, kelembapan eksternal, getaran motor akibat cacat pemasangan, dan cacat pondasi yang mempengaruhi kinerja motor induksi diklasifikasikan dalam kesalahan lingkungan. Persentase kegagalan komponen motor induksi ditunjukkan pada Gambar 1 [5]. Ini adalah survei yang dilakukan oleh Institutes of Electrical and Electronics Engineers (IEEE) dan Electric Power Research Institute (EPRI). Dari Gambar 1 terlihat bahwa gangguan utama motor induksi terjadi di dalam belitan stator dan juga pada poros putar.
(b) Sesar Antar Belokan
Gangguan ini diklasifikasikan menjadi gangguan stator dan rotor. Gangguan ini terjadi terutama pada belitan terutama pada belitan stator karena lebih rentan terhadap gangguan. Gambar 2 menunjukkan diagram belitan stator motor induksi 3 fasa yang rusak [8].
31 Gambar 3. Gulungan Stator Terbakar Akibat Gangguan Stator
menyadari bahwa belum ada pekerjaan yang dilakukan dengan menggunakan pendekatan cerdas tunggal untuk mendeteksi, mendiagnosis, dan
mengklasifikasikan beberapa kesalahan motor induksi secara bersamaan dengan waktu komputasi yang lebih cepat dan akurasi yang lebih tinggi. Karena tantangan tersebut, diusulkan sistem berbasis kecerdasan online menggunakan Kohonen Self-Organising Map (KSOM) untuk mengatasi permasalahan tersebut. KSOM tidak memerlukan sensor dalam implementasinya, dapat belajar mandiri dan berkembang sendiri untuk beradaptasi dengan kondisi baru
motor induksi. Selain itu, ukuran peta dapat ditingkatkan untuk menangani sejumlah kesalahan
Kesalahan Mekanis
(1) kondisi dan juga memiliki kemampuan visualisasi. Dengan demikian, KSOM
dapat digunakan sebagai teknik diagnostik yang berhasil untuk mendeteksi dan mendiagnosis kesalahan motor induksi.
Menurut survei yang dilakukan oleh Lembaga Penelitian Tenaga Listrik (EPRI), disimpulkan bahwa kesalahan mekanis berkontribusi terhadap sekitar 41%
kesalahan motor induksi.
belitan akan naik melebihi batas suhu motor induksi dan akibatnya merusak insulasi motor.
Patahnya batang rotor dan ketidakseimbangan massa rotor adalah penyebab utamanya
Ketidakseimbangan massa rotor disebabkan oleh fenomena yang disebut eksentrisitas celah udara. Hal ini terjadi ketika rotor tidak sejajar dengan stator sehingga menyebabkan celah udara yang tidak identik antara rotor dan stator motor induksi. Eksentrisitas celah udara
Gambar 3 merupakan diagram belitan stator yang terbakar akibat hubung singkat antar belitan dan hubung singkat antara belitan stator dengan inti stator [13].
kesalahan mekanis. Kerusakan batang rotor pada motor induksi 3 fasa terjadi bila batang rotor motor induksi putus sebagian atau seluruhnya. Hal ini terutama disebabkan oleh penambahan cincin ujung yang berat pada konstruksi rotor yang menimbulkan gaya sentrifugal besar dengan tegangan ekstra yang dapat menyebabkan patahnya batang rotor [9]. Terlebih lagi, jika motor dibuat untuk bekerja dalam jangka waktu yang lebih lama, salah satu batang rotor dapat retak. Hal ini menyebabkan distribusi arus rotor yang asimetris. Dengan demikian, akan terjadi panas berlebih pada bagian yang retak yang pada akhirnya dapat menyebabkan patahnya batangan tersebut.
menyebabkan sisi rotor yang mempunyai celah udara minimum mengalami tarikan elektromagnetik yang lebih besar sedangkan sisi rotor yang mempunyai celah udara maksimum mengalami tarikan elektromagnetik yang lebih rendah dan Akibatnya, sidebar yang lain akan dibuat untuk mengalirkan arus yang lebih besar sebagai akibat dari patahnya batang tunggal dan hal ini dapat menyebabkan sidebar mengalami tekanan mekanis dan termal yang lebih besar [7]. Jika motor dibiarkan berjalan dalam kondisi ini untuk waktu yang lama, sidebar juga dapat retak sehingga kerusakan dapat menyebar ke seluruh rotor dan menyebabkan patahnya beberapa bar. Efek utama dari patahnya batang rotor adalah timbulnya efek riak pada torsi dan kecepatan motor [7].
Efek riak ini dapat dihitung menggunakan (1) [8].
R
Klasifikasi Gangguan Motor Induksi
Gangguan Listrik
Akibatnya variasi tegangan induksi juga akan menimbulkan harmonisa arus stator yang dapat dihitung pada (2) [7].
(5) Gambar 5. Diagram Alir Peta Kohonen-Self Organizing
(2)
(4)
Gambar 6 merupakan representasi grafis dari KSOM. Dalam pelatihan KSOM, algoritma pelatihan batch lebih disukai [14]. Dalam pelatihan batch, seluruh kumpulan data digunakan untuk melatih peta secara bersamaan.
Algoritma pelatihan batch tidak memiliki parameter kecepatan pembelajaran variabel waktu, sehingga membuat algoritma pelatihan batch lebih cepat dibandingkan algoritma pelatihan lainnya [14].
(6) Dalam penggunaan algoritma pelatihan batch, pembelajaran 2 fase yaitu pelatihan kasar dan pelatihan halus digunakan dalam pelatihan KSOM.
Dataset input pertama kali dilatih menggunakan pelatihan kasar, setelah itu fase pelatihan halus dilanjutkan hingga koreksi terhadap KSOM menjadi mendekati nol.
Setelah menghitung jarak, neuron keluaran pemenang dihitung menggunakan kriteria Euclidean minimum yang diberikan pada (4) [14]
KSOM adalah kelas khusus Jaringan Syaraf Tiruan (JST) yang mengubah data masukan berdimensi tinggi yang kompleks menjadi keluaran yang lebih sederhana dan mudah divisualisasikan tanpa kehilangan informasi. KSOM dapat menangani data yang hilang, data berukuran kecil dan data dengan ukuran tidak terbatas. KSOM belajar tanpa diawasi; oleh karena itu, mereka tidak bergantung pada target hasil yang telah ditentukan sebelumnya untuk memandu pembelajarannya, melainkan belajar melalui observasi. Agar tidak diawasi, neuron-neuron KSOM bersaing dengan dirinya sendiri untuk mendapatkan kesempatan menyajikan karakteristik data masukan.
Pembentukan algoritma KSOM melibatkan langkah-langkah seperti yang terangkum pada diagram alir Gambar 5.
karenanya, terjadinya ketidakseimbangan massa rotor [9]. Tarikan elektromagnetik yang timbul akibat eksentrisitas celah udara dapat menyebabkan rotor dan stator saling bergesekan. Akibatnya akibat gesekan, sebagian rotor dapat aus dan menyebabkan gangguan ketidakseimbangan massa rotor seperti terlihat pada Gambar 4.
Gambar 6. Representasi Grafis KSOM
32
(a) Lubang pada Batang Rotor (b) Eksentrisitas Rotor
Peta Pengorganisasian Mandiri Kohonen
Akurasi KSOM adalah kemampuan SOM untuk menghasilkan representasi dimensi rendah yang lebih sederhana dan mudah divisualisasikan dari data dimensi tinggi yang kompleks tanpa kehilangan informasi selama proses.
Kesalahan Kuantisasi (QE) digunakan untuk menentukan seberapa akurat setiap kondisi motor induksi akan sesuai
Gambar 4. Rotor dengan Gangguan Ketidakseimbangan Massa
Dari algoritma KSOM, jarak antara data masukan dan keluaran dihitung menggunakan (3) [14] sebagai:
KSOM hanya memiliki dua lapisan: lapisan masukan dan keluaran yang dihubungkan oleh vektor bobot terkait. Neuron lapisan masukan mewakili
variabel data masukan. yang KSOM. Keakuratan dan kesalahan SOM dalam kemampuannya
mewakili setiap kondisi motor induksi pada peta dihitung menggunakan (5) dan (6) [14] sebagai:
Efek utama dari ketidakseimbangan massa rotor adalah akan terjadi osilasi di celah udara. Variasi celah udara ini akan menyebabkan variasi karena diinduksi pada belitan stator.
(3) ( )
dxtwt ( )= ÿ
Akurasi QE = ÿ ) 100 ÿ ( ) arg min ( )
ct = xtw saya-
QE T =1/
(1
S
ÿ ÿ
1 ÿ ÿ ÿ +
ÿ ÿ ÿ ÿ
= P ks (1 ) dst
https://doi.org/10.25077/jnte.v12n1.1047.2023
Saya Saya
rms P
https://doi.org/10.25077/jnte.v12n1.1047.2023 Model Perancangan Motor Induksi 3 Fasa
400
26.72
Desain Peta Pengorganisasian Mandiri Kohonen
Resistansi Rotor (ÿ) Induktansi Stator (H)
Inersia Rotor (kgm2 )
Untuk model preset yang dipilih seperti yang ditentukan pada Tabel 1 untuk meniru motor induksi sebenarnya, blok sumber tegangan 3 fasa digunakan sebagai suplai ke motor induksi. Sumber dihubungkan dalam konfigurasi bintang dengan masing-masing dari tiga fase memiliki nilai puncak 326,6 V, frekuensi 50 Hz dan berjarak 120° satu sama lain. Nilai puncak setiap fasa disebabkan oleh motor induksi yang mempunyai rating RMS 400 V dan dihitung menggunakan (7) [15].
Gambar 8. Diagram alir Peta Pengorganisasian Mandiri Kohonen yang Dikembangkan
Dataset yang diperoleh dari motor induksi kemudian diumpankan ke KSOM untuk pelatihan dan validasi. KSOM kemudian mengekstraksi seluruh fitur dari dataset motor induksi dan mengklasifikasikannya masing-masing
Nilai
0,1722 Kecepatan Rotor (RPM)
Torsi Beban Mekanis Masukan (Nm)
kondisi motor induksi menjadi prioritas. KSOM harus mampu mempelajari dan mengekstrak secara efisien seluruh karakteristik setiap kondisi motor induksi yang dimodelkan. Untuk mereplikasi kondisi yang tepat pada peta 2 dimensi setelah kondisi tersebut terdeteksi dan didiagnosis, arus rotor 3 fasa, kecepatan dan torsi bersama dengan arus stator 3 fasa diperoleh dari motor induksi yang dimodelkan dan disimpan sebagai MATLAB Himpunan data.
Gambar 7. Model Simulink Sistem yang Dirancang
0,0131 1.395 Daya (kW)
Induktansi Rotor (H)
Pasangan Tiang
Model preset motor induksi telah disediakan di MATLAB/Simulink dan model ini memiliki parameter berdasarkan persamaan pemodelan yang meniru motor induksi industri sebenarnya. Dalam makalah ini, parameter model preset 3-
1430
Kegunaan persamaan pemodelan diwujudkan dalam model MATLAB/Simulink motor induksi 3 fasa [4].
kondisi pada peta 2 dimensi untuk tujuan visualisasi.
4
2
Pasokan melewati blok pengukuran 3 fase VI sebelum diumpankan ke motor induksi. Blok VI mengukur tegangan dan arus 3 fasa dari sumber tegangan.
Blok lingkup dan tampilan dihubungkan ke blok VI untuk menunjukkan nilai tegangan dan arus.
Resistansi Stator (ÿ)
Tegangan Puncak (V)
cakupan torsi mengubah kecepatan motor induksi dari radian per detik menjadi putaran per menit. Kecepatan dalam radian per detik dikalikan dengan blok penguatan untuk mendapatkan kecepatan dalam putaran per menit. Arus stator, arus rotor, kecepatan dan torsi disimpan sebagai file MATLAB dan diumpankan ke model KSOM yang dirancang. Model Simulink sistem yang dirancang ditunjukkan pada Gambar 7.
Parameter
0,005839 Frekuensi (Hz)
Ketika motor induksi dijalankan, arus stator 3 fasa, arus rotor, kecepatan dan torsi yang dihasilkan ditampilkan dalam tiga cakupan yang masing-masing diberi label arus stator, arus rotor, kecepatan dan torsi. Blok penguatan terhubung ke kecepatan dan
0,005839 Tabel 1. Parameter Model Motor Induksi 3 Fasa
Tegangan RMS (V)
Induktansi Saling (H)
Perancangan model KSOM dilakukan dengan menggunakan kode pemrograman dari toolbox SOM yang diimpor ke MATLAB/Simulink.
Toolbox memiliki fungsi bawaan yang digunakan untuk mengimplementasikan algoritma KSOM. Diagram alir KSOM cara penulisan kode-kode dalam pembuatan, pelatihan dan validasi model KSOM ditunjukkan pada Gambar 8.
(7) Dalam tulisan ini, KSOM digunakan sebagai alat diagnostik untuk mendeteksi, mendiagnosis dan mengklasifikasikan gangguan pada motor induksi 3 fasa.
Pertama, dengan menggunakan software MATLAB/Simulink, motor induksi dimodelkan dalam kondisi sehat dan rusak. Arus stator yang merupakan ciri dari suatu
motor induksi fasa yang digunakan dalam simulasi disajikan pada Tabel 1.
50
326.54 1.405
V 3 V = 2
METODE
https://doi.org/10.25077/jnte.v12n1.1047.2023
ÿ ÿ
Jari-jari lingkungan yang mendefinisikan tetangga dari masing-masing neuron diatur ke 0,4. Nilai ini dipilih karena merupakan nilai yang diterima yang digunakan dalam toolbox untuk implementasi SOM. Jumlah epoch yang mewakili berapa kali KSOM dilatih ditetapkan menjadi 50 dan 10 untuk
Hal ini dilakukan dengan menggunakan algoritma pelatihan batch yang diberikan dalam (8) [14] sebagai:
peta, motor induksi berbeda dari yang digunakan untuk melatih
KSOM dilatih petanya untuk mempelajari setiap kondisi operasional motor induksi dari dataset masukan. Perhitungan batch digunakan untuk pelatihan peta. Nilai numerik arus stator, arus rotor, kecepatan serta torsi yang diperoleh selama simulasi model yang dirancang dalam berbagai kondisi operasional motor induksi digunakan dalam pelatihan KSOM. Sebanyak 8 sampel masukan seperti pada Gambar. 9 dengan masing-masing mewakili kondisi operasional motor induksi yang digunakan untuk pelatihan. Untuk waktu komputasi yang lebih cepat, algoritma pelatihan batch dibagi menjadi dua tahap pelatihan yaitu pelatihan kasar dan pelatihan halus.
Simulasi Gangguan Motor Induksi Menginisialisasi Peta Pengorganisasian Mandiri Kohonen
KSOM dimodelkan dalam berbagai kondisi kesalahan dan
Setelah operasi normal motor induksi 3 fasa disimulasikan, simulasi berbagai gangguan yang terjadi pada motor induksi 3 fasa
Pada tahap inisialisasi, ukuran peta, bentuk neuron, radius lingkungan, serta jumlah epoch yang mewakili berapa kali model dilatih, semuanya ditentukan.
Ukuran peta diatur ke peta neuron satuan dua dimensi. Ukuran ini dipilih agar peta cukup besar untuk menampung semua dataset masukan yang mewakili berbagai kondisi pengoperasian motor induksi. Neuron disusun pada peta untuk mewakili proyeksi dimensi rendah dari fitur masing-masing kondisi operasional motor induksi. Bentuk neuron dipilih menjadi heksagonal. Bentuk heksagonal dipilih karena merupakan bentuk yang mampu mengakomodasi seluruh fitur sampel dari dataset input yang mewakili kondisi operasional motor induksi.
kumpulan data dalam hal arus stator, arus rotor, kecepatan dan torsi diperoleh dan diberi label sebagai kumpulan data dari motor induksi tak terlihat. Kumpulan data pelatihan dan kumpulan data dari motor tak terlihat digabungkan untuk membentuk total 17 sampel masukan dan kemudian diumpankan ke KSOM terlatih untuk deteksi kesalahan dan klasifikasi.
motor induksi fasa dapat rentan, adalah yang berikutnya. Kesalahan yang disimulasikan adalah; variasi frekuensi daya, fasa tunggal, tegangan lebih, ketidakseimbangan tegangan, hubung singkat satu fasa ke tanah, hubung singkat 2 fasa ke tanah, hubung singkat 3 fasa ke tanah, dan hubung singkat antar belitan. Pada setiap kondisi gangguan, arus stator, arus rotor, kecepatan dan torsi induksi
(8)
pelatihan tahap pertama dan kedua. Gambar 9 adalah diagram KSOM yang diinisialisasi.
Pra-Pemrosesan Dataset Input Motor Induksi
Akurasi Peta Pengorganisasian Mandiri Kohonen
34
Selama pelatihan kasar, vektor bobot yang berfungsi sebagai penghubung antara kumpulan data masukan dan keluaran neuron peta dipilih secara acak dari kumpulan data masukan. Karena proses pembelajaran tidak bergantung pada hasil target yang telah ditentukan sebelumnya yang memandu proses pembelajaran, neuron keluaran peta harus bersaing dengan dirinya sendiri untuk mewakili kumpulan data masukan pada keluaran peta. Untuk menemukan neuron keluaran yang paling mewakili fitur-fitur yaitu arus stator, arus rotor, kecepatan dan torsi dari kumpulan data masukan, jarak antara kumpulan data masukan dan vektor bobot dihitung menggunakan metode jarak Euclidean yang diberikan pada (3).
Keakuratan KSOM berkaitan dengan kemampuan peta untuk menghasilkan representasi dimensi rendah yang lebih sederhana dan mudah divisualisasikan dari kumpulan data masukan dimensi tinggi yang kompleks yang digunakan untuk pelatihan dan validasi peta tanpa kehilangan informasi selama proses.
Akurasi kumpulan data pelatihan dan validasi dihitung secara matematis menggunakan kesalahan kuantisasi seperti yang ditunjukkan pada (5) dan (6).
Dataset masukan yaitu arus stator 3 fasa, arus rotor 3 fasa, kecepatan dan torsi motor induksi yang mewakili masing-masing kondisi operasional model motor induksi diolah terlebih dahulu dengan membagi setiap sampel masukan dengan nilai tertinggi dalam sampel. Masing-masing kumpulan data masukan memiliki unit pengukurannya sendiri, sehingga pra-pemrosesan dilakukan untuk membawa semua kumpulan data masukan ke skala yang sama dan juga untuk memastikan bahwa kumpulan data masukan telah diverifikasi dan divalidasi dan tidak mengandung outlier yang mungkin. disebabkan oleh kesalahan sistematik.
Memvalidasi Peta Pengorganisasian Mandiri Kohonen
Gambar 9. Inisialisasi Peta Pengorganisasian Mandiri Kohonen
Setelah menghitung jarak, neuron keluaran pemenang dihitung menggunakan kriteria Euclidean minimum yang diberikan pada (4).
Untuk memastikan mampu atau tidaknya KSOM yang terlatih dalam mendeteksi, mendiagnosis untuk mengetahui jenis kondisi motor induksi apakah sehat atau rusak dan mengklasifikasikan berbagai kondisi motor induksi pada 2 dimensi yang sama.
Melatih Peta Pengorganisasian Mandiri Kohonen
Vektor bobot yang terkait dengan neuron pemenang dan neuron tetangganya disesuaikan agar lebih mewakili fitur yang menjadi ciri kumpulan data masukan.
( )
mt + =ht htx
( )
(1) =
J=1
Saya
Saya J
N N
Saya
Ji
346.196 VRa =
ÿ ÿ
ÿ 6
= ÿ ÿ ÿ
VVVÿ 100
ÿ
VRa
,
, kesalahan stator
statornya normal ,
, statornya normal
V
(12)
VRa
+ ÿ 100
326,60 326,60 6 ÿ
= ÿ
ÿ ÿ ÿ ÿ
VRa = 307,004 V
1.405
0,00003325 jam
Kesalahan stator L
= 0,005839 0,008ÿ
=
Kesalahan stator R
ÿ R
L
= = L
,
Ra A A
Gangguan Sirkuit Pendek 3-Fasa ke Tanah Kesalahan Variasi Frekuensi Daya
Dalam praktiknya, gangguan satu fasa ke tanah terjadi ketika terdapat jalur arus bocor antara salah satu fasa tegangan input belitan stator dan tanah.
Gangguan satu fasa ke tanah disimulasikan dengan menghubungkan pendek salah satu fasa masukan ke tanah menggunakan blok gangguan 3 fasa pada Gambar 7.
Perubahan besaran tegangan di atas atau di bawah salah satu fasa suplai dapat menyebabkan kegagalan motor induksi 3 fasa, sehingga
ketidakseimbangan dalam gangguan tegangan suplai terjadi dengan mengurangi fasa A tegangan suplai sebesar 6%, sehingga meningkatkan pasokan fase B sebesar 8% dan pengurangan pasokan fase C sebesar 10% dan hasilnya dihitung pada (9) [15] sebagai:
motor dicatat dan disimpan sebagai dataset. Gangguan rotor tidak disimulasikan melainkan sisi stator dari motor induksi yang disimulasikan dan diumpankan ke KSOM karena fakta bahwa setiap gangguan yang terjadi pada rotor akan menghasilkan tanda yang sesuai pada stator melalui aksi transformator. Dalam semua gangguan yang disimulasikan, arus stator, arus rotor, kecepatan dan torsi motor induksi dicatat antara 0,2 dan 2 detik.
Gangguan Sirkuit Pendek 2 Fasa ke Tanah
Gangguan Hubungan Pendek Antar Belokan
sangat kurang dari setelah keadaan stabil motor induksi tercapai.
Ketika dua fasa stator mengalami hubung singkat yang menyebabkan arus dialirkan ke tanah, dalam praktiknya terjadi gangguan hubung singkat 2 fasa ke tanah. Gangguan ini disimulasikan dengan memilih dua fasa dan ground dari blok gangguan 3 fasa yang dihubungkan ke model motor induksi pada Gambar 7. Hal ini menyebabkan arus disalurkan dari dua fasa input yang dipilih ke ground sehingga menyebabkan arus disuplai dari fasa input yang tidak dipilih hanya ke motor induksi.
belitan stator. Resistansi dan induktansi stator motor induksi 3 fasa preset pada Gambar 7 masing-masing adalah 1,405 ÿ dan 0,005839 H. Nilai resistansi dan induktansi inilah yang diperoleh saat motor beroperasi dalam kondisi normal.
Untuk mensimulasikan motor induksi 3 fasa pada gangguan hubung singkat antar putaran, (11) [15] digunakan
(11)
. Nilai Rstator yang kecil Ketidakseimbangan Tegangan Pasokan
Gangguan Sirkuit Pendek Fase Tunggal ke Tanah
Besaran tegangan yang berbeda pada salah satu dari tiga fasa suplai menyebabkan gangguan ketidakseimbangan tegangan, karena masing-masing fasa suplai harus mempunyai besaran yang sama. Dalam prakteknya, putusnya sekring pada salah satu fasa suplai menyebabkan gangguan ketidakseimbangan tegangan. Gangguan akibat ketidakseimbangan tegangan suplai disimulasikan dengan hanya mengubah besaran tegangan pada salah satu fasa suplai tegangan ke model motor induksi 3 fasa yang telah ditentukan sebelumnya.
sebagai:
Tegangan Lebih
Dalam praktiknya, frekuensi suplai motor induksi 3 fasa seharusnya 50 Hz, frekuensi apa pun selain ini akan menyebabkan motor induksi 3 fasa mengalami kesalahan variasi frekuensi daya. Gangguan ini disimulasikan dengan mengubah frekuensi model preset motor induksi dari 50 Hz menjadi 60 Hz.
Ketika semua fasa input mengalami hubung singkat yang menyebabkan seluruh atau lebih persentase arus stator dialirkan ke tanah, maka gangguan ini terjadi.
Simulasi gangguan hubung singkat 3 fasa ke tanah dilakukan dengan cara menghubung singkat seluruh fasa tegangan input ke tanah dengan cara memilih semua fasa dan ground pada blok gangguan 3 fasa seperti pada Gambar 7.
diasumsikan 0,008 ÿ yaitu
sebagai:
(10)
Kesalahan Pentahapan Tunggal
Hubungan pendek antar belitan terjadi antara belitan pada slot yang sama
(9)
Dalam praktiknya, tegangan fasa pada belitan stator lebih besar dari tegangan pengenal mengakibatkan gangguan tegangan lebih. Ketika salah satu fasa tegangan suplai mempunyai tegangan lebih besar dari tegangan pengenal motor induksi 3 fasa, kesalahan ini muncul. Perubahan besaran tegangan pada salah satu fasa motor induksi 3 fasa di atas 5% menyebabkan kegagalan motor induksi. Dengan demikian, gangguan tegangan lebih disimulasikan dengan meningkatkan besarnya fasa A tegangan suplai sebesar 6% dan hasilnya dihitung pada (10) [15] sebagai:
Kesalahan fasa tunggal terjadi dalam praktiknya, ketika salah satu dari tiga fasa belitan stator hilang, sehingga tegangan fasa tersebut setara dengan nol [16]. Kesalahan fasa tunggal disimulasikan dengan menyetel salah satu fasa motor induksi preset ke nol.
Nilai Rstator
menyiratkan bahwa, resistansi stator telah berkurang secara drastis dan dengan demikian, lebih banyak arus stator dapat mengalir melalui belitan
stator. Dengan demikian, nilai induktansi gangguan stator dihitung menggunakan (11) ([15]
A
Ra A
kesalahan ,
kesalahan ,
ÿ ÿ 6 ÿ ÿ ÿ ÿ ÿ100 VVV = +
- ÿ ÿ ÿ
326,60 326,60 ÿ
ÿ 100ÿ ÿ
= 6
, Rstatornya normal
https://doi.org/10.25077/jnte.v12n1.1047.2023 Parameter
0,005473 Resistansi Stator (ÿ)
Induktansi Rotor (H)
Torsi (Nm) Tegangan Puncak (V)
Hasil yang diperoleh dari simulasi motor induksi 3 fasa pada berbagai kondisi gangguan disajikan sebagai berikut:
Kesalahan Variasi Frekuensi Daya
Gambar 11. Arus Rotor 3 Fasa Motor Induksi Sehat
0,6258 Frekuensi (Hz)
grafik motor induksi fasa pada Gambar. 12.
Hasil Berbagai Simulasi Gangguan Motor Induksi 50
Untuk memastikan apakah KSOM yang dilatih mampu atau tidak
Arus rotor memiliki siklus yang lebih sedikit karena slip. Namun, setelah kondisi tunak tercapai, semua fase memiliki amplitudo yang sama dan sinusoidal sempurna, yang menunjukkan kondisi motor induksi dalam keadaan sehat.
Induktansi Stator (H)
Induktansi Saling (H)
326.54
Motor induksi 3 fasa berhasil dimodelkan dalam kondisi sehat dan rusak menggunakan MATLAB/Simulink. Hasil arus stator, arus rotor, kecepatan dan torsi motor disajikan dalam bentuk grafik dan temuan penelitian dibahas.
Motor Induksi 3 Fasa Tak Terlihat
15
2 Nilai Tabel 2. Parameter Model Motor Induksi 3 fasa
0,0003495 Kecepatan Rotor (RPM)
Motor induksi 3 fasa dioperasikan secara normal, namun setelah 0,2 detik, resistansi dan induktansi stator yang rusak diganti dengan resistansi dan induktansi stator normal. Setelah 1 detik, arus stator, arus rotor, kecepatan dan torsi motor induksi dibaca dan dicatat.
Masukan Beban Mekanis
Arus stator 3 fasa, arus rotor, kecepatan dan torsi merupakan indikasi kesehatan motor induksi 3 fasa. Gambar 10, Gambar. 11 dan Gambar.
Gambar 12 adalah grafik arus stator 3 fasa, arus rotor, kecepatan dan torsi IM 3 fasa yang sehat.
Setelah 0,1 detik, keadaan tunak tercapai dan arus stator menjadi sinusoidal sempurna. Arus stator juga memiliki amplitudo yang sama di semua 3 fasa. Hal ini menandakan kondisi motor dalam keadaan sehat.
0,5968 Tegangan RMS (V)
Model motor induksi 3 fasa yang digunakan memiliki kecepatan pengenal 1430 RPM. Setelah kondisi tunak tercapai, diharapkan kecepatan motor induksi 3 fasa yang sehat mencapai kecepatan pengenalnya 1430 RPM dan tetap pada kondisi tersebut tanpa fluktuasi apa pun. Torsi motor induksi juga diharapkan mencapai nilai konstan sebesar 26,7 Nm dan tetap dalam keadaan tersebut sepanjang waktu tanpa adanya fluktuasi.
Semua fitur yang menunjukkan kondisi sehat motor induksi ditunjukkan pada kecepatan dan torsi 3-
mendeteksi, mendiagnosis, dan mengklasifikasikan kesalahan pada motor induksi 3 fasa lainnya selain motor induksi yang digunakan untuk pelatihannya, motor induksi 3 fasa lainnya berdasarkan parameter motor industri nyata dimodelkan. Selanjutnya dilakukan simulasi variasi frekuensi daya, fasa tunggal, tegangan lebih, ketidakseimbangan tegangan, hubung singkat satu fasa ke tanah, hubung singkat 2 fasa ke tanah, hubung singkat 3 fasa ke tanah, dan gangguan hubung singkat antar belitan. Arus stator 3 fasa, arus rotor, kecepatan dan torsi masing- masing kondisi gangguan dicatat sehingga membentuk total 9 dataset masukan motor induksi. Sampel 9 input yang masing-masing mewakili kondisi kesalahan kemudian diumpankan ke KSOM terlatih untuk deteksi dan klasifikasi kesalahan. Parameter model yang digunakan dalam pemodelan motor gaib disajikan pada Tabel 2.
Daya (kW)
1460
Pasangan Tiang
Angka. 12 Kecepatan dan Torsi Motor Induksi 3 Fasa yang Sehat Hasil Pengoperasian Normal Motor Induksi 3 Fasa
36
Gambar 10. Arus Stator 3 Fasa Motor Induksi Sehat
400
0,354 Resistansi Rotor (ÿ)
98.12
HASIL DAN DISKUSI
Grafik grafik kecepatan dan torsi motor induksi yang sesuai dengan variasi frekuensi daya diberikan pada Gambar 14. Nilai kecepatan dan torsi yang tercatat masing-masing adalah 1460 RPM dan 26,62 Nm.
Terlihat bahwa nilai-nilai tersebut menyimpang dari nilai motor induksi yang sehat dan hal ini disebabkan oleh peningkatan frekuensi.
Peningkatan frekuensi menyebabkan kecepatan meningkat secara berbahaya sementara torsi menurun.
Gambar 14. Kecepatan dan Torsi Motor Induksi pada Variasi Frekuensi Daya
Angka. 16. Kecepatan dan torsi motor dalam gangguan fasa tunggal
Kesalahan Pentahapan Tunggal
Kesalahan Pasokan Tegangan Tidak Seimbang
Ketika gangguan fasa tunggal disimulasikan, besarnya arus stator dan rotor fasa terbuka menjadi kecil. Namun, arus pada dua fasa lainnya meningkat menjadi sekitar 2,4 kali lebih besar dibandingkan arus nominal motor induksi yang sehat. Gangguan fasa tunggal dapat mengakibatkan motor induksi bergetar dan menimbulkan kebisingan karena torsi tidak merata yang dihasilkan di saluran udara motor.
Membandingkan grafik arus stator dan rotor motor dalam satu fasa dengan motor dalam kondisi sehat, terlihat bahwa arus stator dan rotor dalam fasa tunggal tidak sinusoidal sempurna melainkan berdenyut.
Gambar 15 adalah grafik arus stator dan rotor pada gangguan fasa tunggal.
Angka. 13 Arus stator dan rotor 3 fasa pada gangguan variasi frekuensi daya
Ketika gangguan ini disimulasikan, besaran arus stator dan rotor serta besaran kecepatan dan torsi motor dibandingkan dengan motor sehat meningkat. Hal ini akibat meningkatnya besarnya tegangan keluaran dan jatuh tegangan motor. Pada akhirnya, hal ini dapat menyebabkan kerugian inti dan efisiensi yang buruk yang dapat menyebabkan berkurangnya kapasitas dukung beban motor induksi.
Kesalahan tegangan suplai yang tidak seimbang menyebabkan arus stator dan rotor tidak seimbang. Arus yang tidak seimbang teratasi menjadi
37 Membandingkan grafik arus stator dan rotor pada Gambar 13 pada
variasi frekuensi daya dengan motor dalam kondisi sehat, terlihat bahwa jumlah siklus meningkat sehingga menyebabkan banyak fluktuasi pada sistem.
komponen urutan positif, negatif dan nol. Arus urutan positif menghasilkan torsi positif dan arus urutan negatif menghasilkan torsi negatif yang berlawanan dengan arah torsi urutan positif. Torsi bersih berkurang karena pengaruh arus stator yang tidak seimbang.
Angka. Gambar 13 adalah grafik arus stator dan rotor, masing-masing berdasarkan gangguan variasi frekuensi daya.
Membandingkan grafik arus stator dan rotor pada Gambar. 17 Untuk motor dalam kondisi sehat terlihat
Gambar 15. Arus Stator dan Rotor 3 Fasa pada Gangguan Fasa Tunggal
pada tegangan tidak seimbang arus pada setiap fasa mempunyai besaran yang berbeda-beda dan juga berdenyut. Kesalahan ini menyebabkan panas berlebih yang pada akhirnya dapat mengakibatkan terbakarnya belitan motor. Gambar 17 merupakan grafik arus stator dan rotor masing-masing pada kondisi gangguan suplai tegangan tidak seimbang.
Grafik kecepatan dan torsi yang diperoleh pada kondisi ini disajikan pada Gambar 16. Dari grafik tersebut, nilai kecepatan dan torsi adalah 1424 RPM dan 28,82 Nm yang merupakan penyimpangan dari motor induksi sehat. Karena perbedaan fluks antara stator dan rotor, kecepatan dan torsi berdenyut serta bentuk gelombangnya tidak sinusoidal.
Grafik kecepatan dan torsi yang diperoleh pada kondisi ini ditunjukkan pada Gambar. 18. Kecepatan motor pada gangguan tegangan tidak seimbang berdenyut dan berkurang dari normal menjadi 1420 RPM.
Torsinya juga terombang-ambing secara berbahaya karena tidak seimbangnya tegangan yang disuplai ke motor.
https://doi.org/10.25077/jnte.v12n1.1047.2023 Akibatnya, sejumlah besar arus diambil dari tegangan suplai. Arus stator dan rotor menunjukkan ketidakteraturan dalam pola gelombangnya dibandingkan dengan arus motor dalam kondisi sehat sepanjang waktu ketika gangguan terjadi. Gambar 21 adalah grafik arus stator dan rotor masing-masing motor pada hubung singkat 2 fasa ke tanah. kesalahan.
Stator dan rotor motor tidak akan menerima arus sama sekali jika gangguan dibiarkan terus menerus sehingga akhirnya menyebabkan motor terhenti. Grafik arus stator dan rotor motor pada kondisi ini ditunjukkan pada Gambar 22.
Ketika terjadi gangguan tegangan lebih, besar arus stator dan rotor menjadi lebih tinggi karena motor dijalankan pada tegangan yang lebih tinggi dari tegangan pengenalnya. Hal ini dapat menyebabkan timbulnya kebisingan dan getaran pada motor. Motor mungkin mengalami kerugian yang lebih besar karena penarikan arus yang tinggi dan berkurangnya efisiensi. Membandingkan grafik arus stator dan rotor pada kondisi ini dengan motor dalam kondisi sehat, terlihat bahwa besaran arus pada kondisi ini lebih tinggi, berdenyut dan tidak sinusoidal sempurna.
Angka. 19 Arus stator dan rotor 3 fasa motor induksi pada tegangan lebih Gambar 19 adalah grafik arus stator dan rotor masing-masing motor dalam kondisi gangguan tegangan lebih.
Gangguan Sirkuit Pendek Fase Tunggal ke Tanah
Gambar 18 Kecepatan dan Torsi Motor Induksi pada Tegangan Tidak Seimbang
Hubungan pendek adalah kontak langsung antara dua titik yang potensial listriknya berbeda. Ketika kesalahan ini disimulasikan 0,5 detik setelah motor berjalan normal, terjadi lonjakan arus tiba-tiba dalam fasa yang disingkat ke ground. Dengan demikian besar arus stator dan rotor pada masing-masing fasa berbeda-beda, berdenyut dan tidak sinusoidal sempurna yang disebabkan oleh perbedaan fluks stator dan rotor. Kondisi ini dapat menyebabkan timbulnya panas berlebih yang pada akhirnya dapat merusak motor. Gambar 20 adalah grafik arus stator dan rotor masing-masing motor yang mengalami gangguan hubung singkat satu fasa.
Kesalahan Tegangan Lebih
Gambar 17 Arus Stator dan Rotor 3 Fasa Motor Bawah
Gambar 22. Arus Stator dan Rotor 3 Fasa Motor Di Bawah 3- Tegangan Pasokan Tidak Seimbang
Angka. 21 Arus Stator dan Rotor 3 Fasa Motor Di Bawah 2-
Fase Hubungan Pendek
Gambar 20. Arus Stator dan Rotor 3 Fasa pada Motor Hubung Pendek Sefasa
Fase Hubungan Pendek
Gangguan Sirkuit Pendek 3-Fasa ke Tanah Gangguan Sirkuit Pendek 2 Fasa ke Tanah
38
Dua fase motor mana pun mengalami korsleting ke ground.
Setelah motor induksi dijalankan selama setengah detik, ketiga fasa tegangan suplai dihubung-singkatkan ke ground. Dengan demikian, stator dan rotor motor menerima arus dalam jumlah kecil.
39 Algoritma KSOM membuktikan bahwa gangguan pada motor induksi 3 fasa dapat dengan mudah dideteksi, didiagnosis untuk mengetahui jenis gangguannya dan hasilnya ditampilkan dalam peta 2 dimensi untuk identifikasi dan visualisasi. Dalam melatih SOM dengan 8 sampel masukan, komputasi batch digunakan dalam algoritme, sehingga diketahui bahwa KSOM memerlukan waktu sekitar 20 detik untuk mempelajari dan mengekstraksi semua fitur dari
pojok kiri bawah peta dengan masing-masing kondisi ini bertetangga dengan kondisi lainnya, sehingga menunjukkan adanya kesamaan. Namun, gangguan hubung singkat pada fase C (SCG) dan gangguan tegangan suplai (UV) yang tidak seimbang diklasifikasikan pada node yang sama di sudut kiri bawah peta, yang menunjukkan bahwa keduanya memiliki fitur statistik yang sama.
Angka. 23 Arus Stator dan Rotor 3 Fasa Pada Gangguan Antar Putaran Motor
Nilai numerik arus stator, arus rotor, kecepatan serta torsi yang diperoleh selama simulasi model yang dirancang dalam berbagai kondisi operasional motor induksi digunakan dalam pelatihan KSOM. Sebanyak 9 sampel masukan dengan masing-masing sampel mewakili kondisi operasional motor induksi 3 fasa yang berbeda digunakan dalam pelatihan model.
Model menggunakan 20 detik untuk mempelajari masing-masing Hasil Pelatihan dan Validasi Model
kondisi input yang digunakan untuk pelatihannya.
berbagai kondisi pengoperasian motor induksi 3 fasa.
Dengan menggunakan kesalahan kuantisasi, kesalahan dalam hal kemampuan model yang dilatih untuk mewakili setiap kondisi operasional motor induksi 3 fasa dihitung sebesar 11,11% dan dengan demikian, akurasi keseluruhan model yang dilatih dihitung menjadi 88,89%. Kesalahan ini disebabkan oleh hanya 9 input yang digunakan untuk melatih model. Hal ini menyiratkan bahwa semakin banyak masukan yang mewakili kondisi operasional motor induksi yang diumpankan ke model akan meningkatkan keakuratan model, karena kesalahan berbanding terbalik dengan jumlah masukan. Untuk memvalidasi model yang dilatih, motor induksi preset diberi label sebagai “motor tak terlihat” yang berbeda dari motor induksi yang digunakan untuk melatih
Gangguan Hubungan Pendek Antar Belokan
Setelah 8 sampel input digunakan untuk melatih SOM, akurasi keseluruhan KSOM yang dilatih dihitung menjadi 88,89%.
SOM, dimodelkan menggunakan MATLAB/Simulink dalam kondisi operasional yang berbeda. Sebanyak 8 sampel masukan dengan masing- masing sampel mewakili kondisi operasional pada motor induksi digunakan dalam memvalidasi model yang dilatih.
Dari grafik arus stator dan rotor ditunjukkan pada Gambar. 23, dapat dilihat bahwa ketika gangguan ini terjadi, besaran arus stator dan rotor menjadi sangat tinggi dibandingkan ketika motor berjalan dalam kondisi sehat.
Kesalahan ini
Setelah memberi makan SOM yang terlatih dengan pelatihan dan kumpulan data dari motor induksi yang tidak terlihat, model tersebut mampu beradaptasi dengan kondisi baru dari motor yang tidak terlihat, mendeteksi dan mengklasifikasikan berbagai kesalahan hanya dengan menggunakan 0,5 detik sedangkan keakuratan keluaran dari motor induksi tak terlihat tersebut. model juga dihitung menjadi 94,12% yang merupakan peningkatan akurasi dari kumpulan data pelatihan. Akurasinya meningkat dari 88,89%
menjadi 94,12% karena jumlah sampel masukan juga meningkat dari 8 menjadi 17 sampel.
Dataset pelatihan bersama dengan dataset dari motor induksi tak terlihat, secara kolektif menghasilkan 17 sampel masukan, dengan masing-masing sampel mewakili kondisi operasional motor induksi 3 fasa diumpankan ke model terlatih untuk memastikan caranya
bila dibiarkan dalam waktu lama dapat menyebabkan belitan motor menjadi terlalu panas, menimbulkan percikan api, getaran, tingkat kebisingan yang tinggi, dan akhirnya kerusakan pada motor.
Hal ini membuktikan bahwa seiring bertambahnya jumlah input, kesalahan berkurang sehingga akurasi model meningkat.
KSOM yang terlatih akan beradaptasi dengan motor yang tidak terlihat dan mendeteksi, mendiagnosis, dan mengklasifikasikan setiap kondisi kesalahan pada peta 2 dimensi, untuk memudahkan identifikasi dan visualisasi. Hasil model deteksi dan klasifikasi sesar pada peta 2 dimensi ditunjukkan pada Gambar 24.
Angka. 24 Hasil Deteksi Model dan Klasifikasi Kesalahan
Dari peta yang ditunjukkan pada Gambar. 24, terlihat bahwa kondisi sehat motor induksi diklasifikasikan di pojok kanan bawah peta sebagai “HLT”
tanpa ada kondisi lain yang mendekatinya, dan dengan demikian dibedakan dari kondisi lainnya. Karena nilai numerik dari arus stator dan rotor, kecepatan dan torsi motor induksi dalam kondisi gangguan hubung singkat antar putaran sangat tinggi, maka diklasifikasikan di sudut kanan atas peta sebagai “ITF” dan dengan demikian benar-benar dibedakan dari kondisi lainnya. Variasi frekuensi daya juga secara jelas diklasifikasikan pada peta sebagai “PFV” dan tidak ada kondisi lain yang mendekatinya.
Diskusi Hasil
Hubung singkat satu fasa ke tanah pada fasa A, B dan C (SAG, SBG, SCG), hubung singkat 2 fasa pada fasa A, B dan C (SABG, SACG, SBCG), hubung singkat 3 fasa seluruhnya 3 fasa (SABC), tegangan lebih pada Fasa A, B, C (OVA, OVB, OVC) serta gangguan tegangan suplai (UV) yang tidak seimbang semuanya diklasifikasikan pada
Saya
S
Wakil
Saya
k
VRa Ya
P
R
S
Saya
X
https://doi.org/10.25077/jnte.v12n1.1047.2023
F
J () berat
ht() F F
ct()
Saya
T jumlah sampel masukan harmonik arus stator
[13] A. Gandhi, T. Corrigan, dan L. Parsa, “Kemajuan terkini dalam pemodelan dan deteksi online kesalahan antar putaran stator pada motor”, IEEE Transactions on Industry, Vol. 40, No.4, hal.1564-1577,
2012.
L. Jose, “Pemantauan kondisi real-time motor induksi vsd-fed melalui analisis statistik dan observasi kecepatan sinkron”, Transaksi Internasional pada Sistem Energi Listrik, Vol. 5, No.8, hal.1-15, 2015.
tegangan pada fasa A
Teknik Komputer dan Elektronika, Vol. 46, No.8, hlm.45-58, 2016.
[15] RK Rajput, Teknologi Listrik, Penerbit Laxmi,
[3] WJ Bradley, “Deteksi kesalahan berbasis saat ini dan diagnosis motor induksi”, Ph.D. disertasi, Universitas Bradford, Inggris, 2013.
[5] A. Gheitasi, “Pengenalan kesalahan motor menggunakan analisis tanda tangan arus terdistribusi”, Ph.D. disertasi, Universitas Teknologi Auckland, Selandia Baru, 2013.
Robert Agyare Ofosu adalah Dosen Departemen Teknik Elektro dan Elektronika di Universitas Pertambangan dan Teknologi (UMaT), Tarkwa, Ghana. Beliau meraih gelar BSc Electrical and Electronic Engineering dari UMaT dan MSc Electrical and Electronic Engineering (Control Engineering Option) dari Jomo Kenyatta University of Agriculture and Technology (JKUAT), Kenya dan saat ini sedang mengejar gelar PhD di Jiangsu University, China. Dia adalah anggota Institut Insinyur Listrik dan Elektronik (IEEE). Minat penelitiannya meliputi teknik kontrol, otomasi industri, sistem tertanam, mesin dan penggerak listrik, serta kecerdasan buatan
[16] SH Haggag, M. Ali, dan M. Hala, “Alat pendeteksi kesalahan baru untuk fasa tunggal motor induksi 3 fasa”, Prosiding Kongres Teknik Dunia, Vol. 2, No.12, hlm.2 – 5, 2013.
slip bilangan bulat
[7] H., A. Talhaoui, AK Menacer, dan T. Ameid, “Diagnosis eksperimental kesalahan batang rotor rusak pada motor induksi berdasarkan transformasi wavelet hilbert dan diskrit”, Jurnal Internasional Teknologi Manufaktur Lanjutan, Vol. 22, No.12, hlm.1-11, 2017.
frekuensi riak
Jarak Euclidean antara sampel x,
analisis domain waktu dan frekuensi”, Transaksi IEEE pada Aplikasi Industri, Vol. 15, No. 5, hal. 1-11, 2016.
[12] RA Ofosu, AB Asiedu-Asante, RB Adjei, “Pemantauan kondisi motor induksi 3 fasa berbasis logika fuzzy”, Prosiding IEEE AFRICON 2019, Accra, Ghana, 2020.
[1] CY Eduardo, AF Arturo, G. Arturo, JR Rene dan M.
nilai puncak tegangan suplai per fasa Kesalahan kuantisasi QE
Peringkat tegangan Vrms RMS motor induksi. vektor bobot yang disesuaikan pada iterasi t
tegangan resultan pada fasa A
[14] T. Kohonen, Implementasi MATLAB dan Penerapan Peta Pengorganisasian Mandiri, Unigratia Publishers, Finlandia, 201pp., 2014.
[2] A. Soualhi, G. Clerc dan A. Lebaroud, “Deteksi kesalahan dan diagnosis motor induksi berdasarkan model markov tersembunyi”, Transaksi IEEE, Vol. 20, No.2, hlm.1-7, 2012.
Penulis mengapresiasi Universitas Jiangsu, Universitas Pertambangan dan Teknologi, dan Universitas Pertanian dan Teknologi Jomo Kenyatta yang telah menyediakan sumber daya yang diperlukan untuk penyelesaian pekerjaan penelitian ini.
[4] VH Nguyen, “Diagnosis berbasis model dan prognosis motor induksi pada gangguan belitan stator”, Ph.D. disertasi, Nanyang Technological University, Singapura, 2018.
frekuensi pasokan
[6] L. Dezhi, “Sistem cerdas untuk pemantauan kondisi kesehatan motor induksi”, Ph.D. disertasi, Universitas Waterloo, Kanada, 2015.
[9] M. Rahman, dan MN Uddin, “Deteksi kesalahan rotor tidak seimbang secara online pada penggerak motor induksi berdasarkan keduanya
jumlah pasangan kutub
vektor bobot pada iterasi t memenangkan neuron pada iterasi t
[8] SC Karmakar, M. Surajit, M. Mitra dan S. Senguta, “Diagnosis kesalahan motor induksi: pendekatan melalui analisis tanda tangan saat ini”, IEEE Journal of Industry Applications, Vol. 2, No.7, hlm.30 – 32, 2016.
[10] S. Sarkar dan Hembram, PK “Akuisisi dan pra-pemrosesan motor induksi tiga fase”, Konferensi Internasional IEEE Uttar Pradesh Bagian tentang Kelistrikan,
[11] VP Mini, S. Ushakumari, “Deteksi kesalahan rotor dan diagnosis motor induksi menggunakan logika fuzzy, ” American Society of Mechanical Journal, Vol. 87, No.2, hlm.19-40, 2014.
Daryaganj, Edisi ke-2, 514pp.
kernel lingkungan sekitar neuron pemenang vektor bobot lama
40
Model Peta Pengorganisasian Mandiri Kohonen telah berhasil dirancang untuk mendeteksi, mendiagnosis, dan mengklasifikasikan kesalahan induksi.
telah terbukti bahwa KSOM yang terlatih beradaptasi dengan kondisi motor induksi tak terlihat, mendeteksi dan mengklasifikasikan kesalahan pada motor tak terlihat dengan waktu komputasi 0,5 detik dan akurasi 94,12%
serta ukuran peta dapat diperbesar menjadi mengakomodasi sejumlah kondisi motor induksi, baik sehat maupun rusak. Oleh karena itu disarankan agar teknik ini digunakan di ruang kendali industri untuk memantau kesehatan motor induksi guna mendeteksi dan mendiagnosis kesalahan bahkan ketika kesalahan tersebut terjadi.
D
( 1) gunung +
REFERENSI PENGAKUAN
TATA NAMA KESIMPULAN
BIOGRAFI PENULIS
Studi Lanjutan dalam Ilmu Data dan Analisis Big Data dari Institut Manajemen dan Administrasi Publik Ghana (GI MPA), Ghana. Dia adalah anggota Institut Ilmu Matematika Afrika (AIMS), Masyarakat Statistik Nigeria (PSSN), Asosiasi Statistik Terapan Profesional Sri Lanka (ASASL). Bidang penelitiannya meliputi Statistik Terapan (Model Linier, Statistik Multivariat, Analisis Data Kategorikal, Pemilihan Model), Statistik Bio, Statistik Keuangan, Penambangan Data Volatilitas, dan Analisis Big Data.
Asaph M. Muhia adalah Dosen Departemen Teknik Elektro
dan Elektronika di Universitas Pertanian dan Teknologi Jomo Kenyatta (JKUAT), Kenya. Beliau meraih gelar BSc dan MSc di bidang Teknik Elektro dan Elektronika dari JKUAT, Kenya.
Bidang minatnya meliputi teknik kontrol, sistem tertanam, dan kecerdasan buatan.
41
Benjamin Odoi adalah Dosen di Departemen Ilmu Matematikadi Universitas Pertambangan dan Teknologi (UMaT), Tarkwa, Ghana. Beliau memegang gelar BSc Mathematics (First Class Hons.), MSc (Statistik Terapan), University of Peradeniya (UOP), Sri-Lanka, MPhil Statistics, UMaT, Ghana dan PhD in Statistics, UMaT, Tarkwa, Ghana. Ia juga memegang Sertifikat
Daniel Fosu Boateng adalah lulusan Universitas
