deteksi kerusakan rotor bar motor induksi menggunakan...

Proseding Seminar Tugas Akhir Teknik Elektro Juni 2013

1

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: [email protected]

M


2

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

Mag

nit

ud

o

Level Detail Coefficient DWT

Gambar 1. Hasil dekomposisi DWT pada motor induksi (a) Normal (b) dengan kerusakan 4 rotor bar


3

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 m

m

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


4

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 ;𝑓𝐵𝑅𝐵 2 = 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

Mag

nit

ud

o

Dekomposisi DWT-PDD

Normal

4 brb


5

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

Mag

nit

ud

o

Dekomposisi DWT-PDD dengan 5kS/detik

00

50

100

150

200

250

300

d1 d2 d3 d4 d5 d6 d7 d8 d9

Mag

nit

ud

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

Mag

nit

ud

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

Mag

nit

ud

o

Dekomposisi DWT-PDDpada 1,0 Nm Load

000

050

100

150

200

250

300

350

400

450

d1 d2 d3 d4 d5 d6 d7 d8 d9

Mag

nit

ud

o

Dekomposisi DWT-PDDpada 1,5 Nm Load


6

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


13 Normal 0 6 6 4 brb



16 Normal 0 -4 -4 Normal



19 Normal 0 15 15 4 brb


(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

Nila

i Tar

get

Data ke-

-30

-20

-10

0

10

20

30

0 50 100 150Nila

i Tar

get

Data ke-

-30

-20

-10

0

10

20

30

0 50 100 150Nila

i Err

or

Data ke

0

20

40

60

80

100

120

d1 d2 d3 d4 d5 d6 d7 d8 d9

Mag

itu

do

Dekomposisi DWT-PDD

Normal

4 brb

deteksi kerusakan rotor bar motor induksi menggunakan...

Documents