deteksi hubung singkat pada belitan stator motor

DETEKSI HUBUNG SINGKAT PADA BELITAN STATOR MOTOR
INDUKSI TIGA FASA TANPA BEBAN MENGGUNAKAN
JARING SYARAF TIRUAN
Nanang Hardianto - 2205100196
Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember
Kampus ITS, Keputih-Sukolilo, Surabaya - 60111
Abstrak : Motor induksi tiga fasa adalah salah
satu peralatan utama dalam industri dan transportasi
karena
konstruksinya
yang
sederhana
dan
keandalannya. Kerusakan pada bagian motor akan
mempengaruhi proses produksi pada industri dan
jasa transportasi. Oleh karena itu, deteksi dini
kerusakan motor induksi sangat dibutuhkan untuk
menghindari kerusakan yang lebih parah. Tugas
akhir ini akan menyajikan metode identifikasi untuk
mendeteksi hubung singkat pada belitan stator motor
induksi tiga fasa pada kondisi tanpa beban. Ada tiga
jenis arus hubung singkat yang diidentifikasi yaitu
arus hubung singkat sefasa, fasa-fasa dan fasa-ground.
Metode
yang
diajukan
digunakan
untuk
mengidentifikasi hubung singkat dengan periode
lama, impedansi tinggi, dan gangguan periodik pada
belitan stator.
Gabungan transformasi wavelet dan jaring saraf
tiruan digunakan sebagai metode pengidentifikasi
gangguan. Sedangkan variabel identifikasi yang
digunakan pada metode tersebut diambil dari sinyal
arus dan tegangan tiap fasa stator motor. Untuk
mencapai tujuan yang diinginkan, digunakan data
percobaan arus dan tegangan pada kondisi normal,
hubung singkat sefasa, fasa-fasa dan fasa-ground.
Hasil simulasi menunjukkan bahwa seluruh data
pelatihan teridentifikasi 100% sedangkan data
validasi teridentifikasi rata-rata 95%.
Kata kunci : deteksi dini, hubung singkat, wavelet,
jaring saraf tiruan, belitan stator, motor induksi tiga
fasa.
PENDAHULUAN
Motor induksi tiga fasa ukuran kecil maupun
besar digunakan secara luas pada industri. Motormotor tersebut ditempatkan pada lingkungan dan
kondisi bervariasi yang dapat menimbulkan
kerusakan pada bagian-bagian motor. Kerusakan
isolasi belitan dan bearing adalah jenis kerusakan
yang paling umum [1]. Penelitian tentang gangguan
pada motor induksi yang telah dilakukan
menunjukkan mekanisme kegagalan pada mesin
induksi yang paling umum dapat dikategorikan
berdasarkan komponen utama mesin seperti
gangguan pada stator (28%), gangguan pada rotor
(8%), gangguan pada bearing (42%) dan gangguan
lain (22%) [2].
Deteksi dini hubung singkat pada belitan saat
motor beroperasi akan mencegah kerusakan
berikutnya pada belitan yang saling berdekatan dan
inti stator, mengurangi biaya reparasi dan
memperpanjang usia motor. Oleh karena itu deteksi
kerusakan motor induksi mendapat perhatian lebih
beberapa tahun belakangan [4]. Hubung singkat
pada belitan menyebabkan penurunan jumlah
belitan ekuivalen pada motor. Hal ini menyebabkan
penurunan kecepatan dan peningkatan panas pada
inti karena penambahan rugi-rugi I2R. Peningkatan
panas membuat suhu belitan stator meningkat
sehingga berakibat pada penurunan kerusakan
isolasi belitan. Kerusakan isolasi pada belitan stator
akan mengakibatkan tambahan hubung singkat pada
belitan, tambahan kenaikan temperatur, dan
semakin memperpendek umur isolasi belitan.
Selanjutnya, akan menyebabkan kerusakan pada
belitan yang berdekatan bahkan menyebabkan
motor gagal beroperasi [5].
Pada penelitian ini simulasi hubung singkat
hubung singkat sefasa, fasa-fasa dan fasa-ground
dilakukan dengan cara mengkondisikan belitan
stator terhubung singkat dalam jangka sepuluh
siklus (200 milidetik) yang menggambarkan
kejadian sebenarnya selama terjadi gangguan.
Gejala kerusakan belitan tersebut sebenarnya dapat
diamati dengan mengukur besarnya arus dan
tegangan yang mengalir, tetapi kenaikan arus dan
tegangan yang tidak signifikan pada beberapa
kondisi gangguan mengakibatkan kemungkinan
kesalahan deteksi sangat besar.
Data yang dibutuhkan untuk melatih JST
dihasilkan di laboratorium menggunakan motor
induksi tiga fasa yang didesain khusus untuk
mempermudah simulasi hubung singkat yang terjadi
pada belitan stator.
TEORI PENUNJANG
2.1 Jaring Saraf Tiruan
JST adalah sebuah sistem pemroses informasi
dengan karakteristik tertentu yang dibuat
menyerupai suatu jaring saraf biologis. Misalkan
terdapat n buah masukan dan penimbang, fungsi
keluaran dari tiap neuron adalah sebagai berikut:
F(x,w) = f(w1x1 + ... + wnxn)
(1)
Gambar 1. Model tiruan neuron tanpa bias
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
Halaman 1 dari 7 halaman
Proses belajar (learning) bagi JST merupakan
proses mengatur nilai bobot penimbangnya untuk
mendapatkan nilai yang terbaik dengan melatih JST
menggunakan sekumpulan data, menurut unjuk
kerja sistem yang dikehendaki [6].
magnitude
function
H(ω)
sebagai
berikut:
(2.42)
(2.43)
2.2 Backpropagation Neural Network
Algoritma pelatihan BPNN terdiri dari dua
proses
utama, yaitu feed forward dan
backpropagation dari error-nya [6]. Secara garis
besar,
algoritma
ini
disebut
sebagai
backpropagation neural network (BPNN) karena
ketika JST diberi pola masukan sebagai pola
pelatihan, maka pola tersebut disebarkan maju
(forward) menuju ke unit-unit pada hidden layer
dan diteruskan pada output layer yang akan
memberikan tanggapan yang disebut sebagai
keluaran JST. Ketika keluaran JST tidak sama
dengan keluaran yang diharapkan maka keluaran
akan disebar mundur (backward) pada hidden layer
dan diteruskan ke unit pada input layer.
2.3 Discrete Wavelet Transform
Transformasi wavelet
dalam konteks
pemrosesan sinyal adalah sebuah metode untuk
mendekomposisi sinyal masukan yang diinginkan
menjadi gelombang lain yang disebut wavelet dan
menganalisis sinyal tersebut dengan memberi
perlakuan terhadap koefisien-koefisien wavelet
tersebut. Proses dekomposisi melibatkan dua filter,
yaitu low pass filter dan high pass filter.
Analisis wavelet pada dasarnya merupakan
pergeseran dan penskalaan suatu bentuk energi
terbatas yang disebut wavelet induk ψ(t) terhadap
sinyal yang diinginkan. Sehingga transformasi
wavelet diskrit dapat dituliskan sebagai berikut.
(2)
 jk ( t )  2 j / 2 (2 j t  k )
dengan N adalah nilai orde filter.
METODOLOGI
Arus motor disensor dengan menggunakan trafo
arus untuk mendapatkan sinyal dengan magnitudo
yang maksimum tidak melebihi kemampuan
peralatan analog to digital converter (A/DC).
Selanjutnya, sinyal analog akan dikonversi dengan
A/DC menjadi sinyal digital. Sinyal digital tersebut
kemudian diolah menggunakan filter dan
transformasi wavelet diskrit hingga level lima.
Sinyal frekuensi tinggi tersebut kemudian diambil
masing-masing fiturnya lalu diinputkan ke sistem
identifikasi (JST). Dari sistem ini maka sinyal akan
diindetifikasi apakah motor mengalami gangguan
atau tidak. Diagram alir deteksi hubung singkat
belitan stator motor induksi pada paper ini dapat
dilihat pada Gambar 2.
j adalah parameter perluasan (penskalaan) dan k
adalah parameter pergeseran [7].
2.4 Digital Butterworth Low Pass Filter
Filter adalah suatu rangkaian elektronik yang
berfungsi untuk mengolah frekuensi dari suatu
sinyal, frekuensi sinyal tersebut akan diloloskan
atau diredam, dalam hal ini disesuaikan dengan
kebutuhan. Filter digital memiliki banyak kelebihan
dibandingkan dengan pasangannya filter analog,
baik dalam performa yang lebih tinggi dengan
transition zone yang lebih kecil, ketahanan, serta
fleksibilitas dalam menentukan range kerjanya [9].
Karena faktor-faktor ini, filter digital merupakan
elemen penting dalam bidang DSP (Digital Signal
Processing).
Konfigurasi Butterworth adalah salah satu
konfigurasi standar dari filter rekursif baik dalam
bentuk analog maupun digital. Konfigurasi ini
menekankan pada aproksimasi karakteristik lowpass
dengan hasil respons yang mendekati titk nol
dengan halus dan rata (smooth and flat) [10]. Filter
Butterworth didefinisikan melalui persamaan
Gambar 2. Diagram alir deteksi hubung singkat
3.1 Perangkat Percobaan
Motor induksi tiga fasa yang selanjutnya
disebut “motor” digunakan sebagai objek penelitian.
Sedangkan tiga fasa motor yaitu fasa u-x
selanjutnya disebut fasa “R”, fasa v-y disebut fasa
“S” dan fasa w-z disebut fasa “T”. Spesifikasi motor
yang digunakan adalah sebagai berikut: tegangan
sumber yang digunakan adalah 220/380 volt,
frekuensi 50 Hz, cosФ atau faktor daya 0.7,
memiliki empat kutub, daya kerja 250 kW dan arus
nominal 1.42/0.82 A. Belitan dihubungkan secara
wye dengan pertimbangan jenis belitan ini paling
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
Halaman 2 dari 7 halaman
sering digunakan oleh motor induksi tiga fasa
dengan daya kerja tersebut.
Gambar 3. Motor induksi satu fasa
Pada penelitian ini lokasi hubung singkat
dilakukan pada pada salah satu fasa, antar fasa dan
fasa dengan ground. Diagram pengkabelan belitan
stator yang digunakan dalam percobaan ini dapat
dilihat pada Gambar 4. Hubung singkat sesaat
dihasilkan dengan bantuan mikrokontroler sebagai
switch elektronik. Mikrokontroler berfungsi sebagai
pemberi sinyal on-off pada TRIAC. Sedangkan
lokasi hubung singkat dapat ditentukan berdasarkan
kedudukan pin pada motor. Agar arus saat hubung
singkat tidak melebihi batas yang diijinkan
hambatan geser (rheostat) dipasang seri terhadap
selektor sehingga tidak menyebabkan kerusakan
pada peralatan saat pengambilan data. Pemasangan
rheostat ini sekaligus mensimulasikan impedansi
hubung singkat yang terjadi. Pada pengambilan data
ini motor dalam keadaan tanpa beban (no load).
pembelajaran pada JST untuk menentukan keadaan
motor.
Analog to digital converter diperlukan karena
data arus stator motor merupakan data analog
sehingga perlu diubah menjadi bentuk data diskrit
agar memudahkan dalam proses selanjutnya. A/D
converter ini sekaligus berfungsi sebagai pengubah
data arus menjadi data tegangan karena masukan
osiloskop merupakan data tegangan.
Sedangkan sebagai sarana pengiriman data
menggunakan kabel serial (RS-232) jenis female
pada kedua ujungnya. Pada kasus penggunaan
notebook maupun laptop yang tidak memiliki
terminal serial dibutuhkan konverter serial to USB
sebagai pengganti terminal serial. Diagram blok
percobaan dapat dilihat pada Gambar 5.
Gambar 5. Diagram blok percobaan
3.3 Pengambilan Data
Pengambilan data bentuk arus dan tegangan
stator motor induksi dilakukan dengan cara
memasang probe osiloskop pada kabel fase pada sisi
suplai. Pengambilan data ini menggunakan
osiloskop merk GW Instek tipe GRS-6052A. Data
bentuk gelombang yang diperoleh selanjutnya
dikirimkan ke komputer melalui kabel serial (RS232) menggunakan bantuan GRS-60X2 PC remote
control program. File yang dihasilkan oleh program
ini adalah data dalam format CSV dan gambar
bentuk gelombang dalam format BMP, PCX, TIFF,
PNG atau JPEG. Tampilan program dapat dilihat
pada Gambar 6.
Gambar 4. Wiring diagram belitan stator
3.2 Percobaan
Pada percobaan ini data analog dari arus stator
motor diubah menjadi data digital menggunakan
A/D converter lalu ditampilkan melalui osiloskop
untuk mengetahui bentuk gelombang yang akan
dianalisis. Data digital ini dikirimkan ke komputer
melalui kabel serial (RS-232) dengan bantuan
remote control program yang nantinya akan
digunakan sebagai masukan
dalam proses
Gambar 6. Tampilan remote control program [11]
3.4 Pengolahan Data
Dalam penelitian sebelumnya, penggunaan fitur
domain waktu saja hanya memberikan tingkat
akurasi identifikasi maksimal sebesar 57% [12].
Oleh karena itu dalam tugas akhir ini data-data
bentuk gelombang yang diperoleh dari proses
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
Halaman 3 dari 7 halaman
pengambilan data dikelompokkan menjadi dua.
Data pertama merupakan data yang nantinya akan
digunakan sebagai masukan dalam proses
pembelajaran JST. Data kedua merupakan data
pengujian untuk mengetahui unjuk kerja JST yang
digunakan. Selanjutnya masing-masing kelompok
data diolah menggunakan discrete 1-D wavelet
transform (DWT) untuk mendapatkan feature
extraction masing-masing gelombang. Langkah ini
adalah langkah awal yang penting dalam monitoring
dan deteksi kerusakan motor karena dapat
mereduksi jumlah sampling sehingga dapat
mempercepat proses kalkulasi dalam pelatihan JST.
Penggunaan DWT sebagai pengolah data karena
sinyal arus pada saat gangguan merupakan sinyal
non-stationer atau transien. Sehingga keadaan
tersebut dapat dijadikan sebagai tanda adanya
gangguan pada motor. Karena gangguan berbeda
memiliki efek yang berbeda terhadap arus stator
transformasi wavelet dapat digunakan sebagai
metode feature extraction.
3.5 Identifikasi
Output atau keluaran JST merupakan identifikasi
keadaan motor induksi. Identifikasi yang dihasilkan
meliputi ada tidaknya hubung singkat pada belitan
stator serta lokasi hubung singkat yang terjadi.
Identifikasi keadaan motor induksi dapat dilihat
pada Tabel 1.
Tabel 1. Identifikasi keadaan motor
Keadaan motor
Keluaran JST
Normal
[1 0 0 0]
HS Sefasa
[0 1 0 0]
HS Fasa-fasa
[0 0 1 0]
HS Fasa-ground
[0 0 0 1]
HASIL DAN ANALISIS
4.1 Parameter JST
Untuk keperluan pembelajaran, parameter NN
yang harus ditentukan adalah sebagai berikut :
1. Fungsi pembelajaran
:
traingd (Gradient descent –backpropagation)
2. Jumlah layer
 Input layer
: 24 neuron
 Hidden layer
: 70 neuron
 Output layer
: 4 neuron
3. Fungsi aktivasi
 Hidden layer
: tansig(sigmoid bipolar)
 Output layer
: logsig(sigmoid biner)
4. Iterasi maksimal
: 100.000
5. Error minimal
: 10e-4
6. Learning rate
: 2,5
program Matlab 7.1. Contoh bentuk gelombang arus
dan tegangan pada kondisi normal ditunjukkan
gambar 7.
(a)
(b)
Gambar 7 (a) Arus normal; (b) Tegangan normal
4.3 Feature Extraction
Gelombang arus dan tegangan kemudian diolah
dengan wavelet Haar level lima untuk mendapat kan
fitur ekstraksinya. Contoh hasil dekomposisi
gelombang arus dan tegangan pada kondisi normal
ditunjukkan gambar 8. Sedangkan fitur ekstraksinya
ditunjukkan pada Tabel 2 sampai 9.
Gambar 8. Koefisien detail dekomposisi arus dan
tegangan level 5 kondisi normal
4.2 Data arus dan tegangan motor
Dari pengukuran terhadap motor induksi satu
fasa yang dilakukan di laboratorium diperoleh
bentuk gelombang arus dan tegangan stator yang
selanjutnya
dinormalisasi,
difilter
dan
direpresentasikan dalam bentuk sinyal dengan
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
Halaman 4 dari 7 halaman
Tabel 2 fitur sinyal arus motor normal
sinyal
mean
Domain
waktu
Dec5
median
0.0078
0
Fitur sinyal
min
maks
0.009
0
0.7998
0.3634
-0.7998
-0.3634
Range
StDev
1.6
0.7268
0.559
0.2545
|median
Dev|
0.5603
0.2481
|mean
Dev|
0.5033
0.2267
Tabel 3 fitur sinyal tegangan motor normal
sinyal
mean
median
Domain
waktu
Dec5
-1.066
0
maks
-1.596
0
Fitur sinyal
min
219.4
117
-219.4
-117
Range
StDev
|median
Dev|
|mean
Dev|
438.8
234
165.6
77.33
175.5
74.93
151.6
66.62
Tabel 4 fitur sinyal arus motor hubung singkat sefasa
Fasa
Fasa R
Fasa S
Fasa T
sinyal
Domain
waktu
Dec5
Domain
waktu
Dec5
Domain
waktu
Dec5
mean
Fitur Sinyal Arus
median
maks
min
0.0013
0.0008
0.8912
0
-0.0058
0
-0.0038
0
0.0019
0
Range
StDev
0.6336
|median
Dev|
0.6378
|mean
Dev|
0.5724
-0.8912
1.782
0.4191
0.9101
-0.4191
-0.9101
0.8382
1.82
0.2911
0.6138
0.2941
0.593
0.2589
0.5465
0
0.0006
0.3891
0.7362
-0.3891
-0.7362
0.7781
1.472
0.2833
0.5192
0.3181
0.5224
0.2544
0.4685
0
0.3498
-0.3498
0.6996
0.2415
0.2475
0.2152
|mean
Dev|
154
Tabel 5 fitur sinyal tegangan motor hubung singkat sefasa
Fasa
sinyal
Domain
waktu
Dec5
Domain
waktu
Dec5
Domain
waktu
Dec5
Fasa R
Fasa S
Fasa T
Fitur Sinyal Tegangan
median
maks
min
Range
StDev
0.736
0.9357
225.3
-225.3
450.7
168.3
|median
Dev|
177.2
0
0.7225
0
3.29
118.4
213.3
-118.4
-213.3
236.8
426.6
78.52
159.4
77.69
168.6
67.88
146
0
0.5082
0
1.933
112.4
215.8
-112.4
-215.8
224.9
431.5
73.09
163.7
74.95
175.4
63.25
149.9
0
0
116.8
-116.8
233.5
75.32
69.28
64.61
|mean
Dev|
1.24
mean
Tabel 6 fitur sinyal arus motor hubung singkat fasa-fasa
Fasa
Fasa R
Fasa S
Fasa T
Fitur Sinyal Arus
median
maks
min
sinyal
mean
Range
StDev
-1.969
3.937
1.38
|median
Dev|
1.377
Domain
waktu
Dec5
Domain
waktu
Dec5
Domain
waktu
Dec5
-0.00316
-0.004561
1.969
0
0.0002
0
-0.0008
0.8985
1.875
-0.8985
-1.875
1.797
3.749
0.638
1.283
0.6084
1.263
0.5782
1.149
0
-0.004
0
-0.0027
0.8451
0.9606
-0.8451
-0.9606
1.69
1.922
0.5814
0.6495
0.5644
0.6398
0.5197
0.5826
0
0
0.4453
-0.4453
0.8907
0.3027
0.3138
0.2712
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
Halaman 5 dari 7 halaman
Tabel 7 fitur sinyal tegangan motor hubung singkat fasa-fasa
Fasa
Fasa R
Fasa S
Fasa T
Fitur Sinyal Tegangan
median
maks
min
sinyal
mean
Range
StDev
Domain
waktu
Dec5
Domain
waktu
Dec5
Domain
waktu
Dec5
0.7659
1.599
216.7
0
0.3104
0
0.4781
0
-3.993
0
162.9
|median
Dev|
172.7
|mean
Dev|
149.4
-216.7
433.5
116.2
216.6
-116.2
-216.6
232.4
-433.2
76.19
162.6
73.01
172.3
65.56
149
0
-3.167
115.6
227.1
-115.6
-227.1
-231.3
-454.1
74.61
165.9
71.96
174.5
64.51
151.9
0
118.3
-118.3
-236.6
76.19
67.85
65.6
|mean
Dev|
0.5608
Tabel 8 fitur sinyal arus motor hubung singkat Fasa-Ground
Fasa
Fasa R
Fasa S
Fasa T
sinyal
Domain
waktu
Dec5
Domain
waktu
Dec5
Domain
waktu
Dec5
Fitur Sinyal Arus
median
maks
min
mean
Range
StDev
-0.003
-0.0041
0.869
-0.869
1.738
0.6205
|median
Dev|
0.6264
0
-0.0056
0
-0.0106
0.4129
1.254
-0.4129
-1.254
0.8257
2.507
0.2847
0.8445
0.2765
0.8103
0.2539
0.7507
0
0.0066
0
0.0115
0.5281
0.7164
-0.5281
-0.7164
1.056
1.439
0.3877
0.5065
0.3869
0.5123
0.3523
0.4574
0
0
0.342
-0.342
0.684
0.2355
0.2389
0.2095
Tabel 9 fitur sinyal tegangan motor hubung singkat Fasa-ground
Fasa
Fasa R
Fasa S
Fasa T
sinyal
Domain
waktu
Dec5
Domain
waktu
Dec5
Domain
waktu
Dec5
Fitur Sinyal Tegangan
median
maks
min
mean
2.047
3.847
236.4
-236.4
472.8
175.6
|median
Dev|
185
0
-0.529
0
0.6189
123.6
201.4
-123.6
-201.4
247.3
402.8
82.04
151.4
78.87
160.5
70.97
138.7
0
-0.8932
0
-0.2983
107.9
220.1
-107.9
-220.1
215.9
440.2
69.32
165.3
70.9
175.7
59.79
151.1
0
0
116.8
-116.8
233.6
75.79
71.9
65.42
4.4 Pembelajaran JST
Pembelajaran JST dilakukan dengan empat pola
fitur arus motor yang terdiri dari fitur arus domain
waktu dan fitur arus domain frekuensi. Fitur
masukan yang digunakan dalam proses pelatihan
adalah 4 x 24 x 4 = 384 fitur. Pola tersebut
diperoleh dari fitur-fitur setiap pola arus motor
kecuali mean dan median pada fitur arus domain
frekuensi. Grafik keempat pola pelatihan dapat
dilihat seperti pada gambar 14.
StDev
|mean
Dev|
160.7
4.5 Evaluasi Performansi Sistem
Pengujian yang dilakukan terhadap data yang
telah diajarkan memberikan akurasi sebesar seratus
persen, dengan kata lain seluruh keadaan motor
dapat dikenali dengan baik. Hasil pengujian tersebut
dapat ditampilkan pada tabel seperti yang dapat
dilihat pada Tabel 10.
Tabel 10. Nilai keluaran tiap neuron
Keadaan
motor
Normal
HS Sefasa
HS Fasa-fasa
HS F-G
Gambar 14. Grafik pola data pelatihan JST
Range
Keluaran JST
Neuron1
Neuron2
Neuron3
Neuron4
0.997013
0.013915
0.006623
0
0.012383
0.966813
0.006861
0.014181
0.002273
0.002275
0.995042
0.006345
0.000306
0.007208
0.001577
0.993926
Setelah dilakukan pembelajaran terhadap ke-16
pola fitur sinyal arus dan tegangan dilakukan
pengujian dengan data yang belum pernah diajarkan
sebelumnya. Hal ini bertujuan untuk memberikan
validasi terhadap parameter yang digunakan.
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
Halaman 6 dari 7 halaman
Keluaran JST terhadap pengujian data validasi dapat
dilihat pada Tabel 11.
Table 11. Keluaran JST
Keadaan
Motor
Normal
HS
sefasa
HS fasafasa
HS fasaground
0.992382
0.98386
0.981969
0.973418
0.982292
0.989765
0.979231
0.989408
0.010037
0.01174
0.010024
0.010147
0.011269
0.019942
0.00836
0.011151
0.005733
0.005442
0.005276
0.00648
0.00511
0.007236
0.005143
0.005762
0
0
0
0
0
0
0
0
Keluaran JST
0.012066
0.006709
0.023737
0.004683
0.033396
0.00571
0.036159
0.005979
0.150806
0
0.017226
0.004807
0.023285
0.006255
0.024351
0.003999
0.981326
0.001522
0.977567
0.001287
0.981208
0.001641
0.981045
0.001221
0.976153
0.001444
0.962565
0.00212
0.980164
0.0021
0.976703
0.001902
0.007859
0.994422
0.007626
0.993368
0.007397
0.993353
0.006749
0.995129
0.007752
0.99317
0.005996
0.995363
0.009419
0.993733
0.007341
0.993808
0.019961
0.005909
0.00766
0.007759
0.021208
0.004827
0.020293
0.005941
0.01288
0.007325
0.014859
0.006965
0.013521
0.006721
0.021718
0.005088
0.000119
0.000175
0.000204
0.000249
0.986548
0.000131
0.00025
0
0.007441
0.007358
0.008116
0.007987
0.007151
0.004454
0.008701
0.006938
0.001516
0.001874
0.002241
0.001637
0.00215
0.001633
0.001165
0.001538
0.992208
0.994423
0.986222
0.992376
0.993785
0.993288
0.993487
0.983467
Berdasarkan Tabel 11 hasil identifikasi JST
dapat dikelompokkan berdasarkan kondisi belitan
statornya. Hasil identifikasi JST berdasarkan
kondisi belitan stator dapat dilihat pada Tabel 12.
Table 12. Hasil identifikasi JST
Kondisi motor
Normal
Normal
HS sefasa
HS fasa-fasa
HS fasa-ground
87.5
0
0
0
Identifikasi JST (%)
Sefasa
FasaFasafasa
Ground
0
0
12.5
100
0
0
0
100
0
0
0
100
KESIMPULAN
Berdasarkan analisis yang telah dilakukan dapat
diambil kesimpulan sebagai berikut:
1. Sinyal arus dan tegangan domain frekuensi hasil
pengolahan discrete wavelete transform dapat
merepresentasikan bentuk gelombang yang
dianalisis sehingga dapat digunakan sebagai
masukan JST.
2. Kombinasi transformasi wavelet dan JST yang
digunakan
untuk
menganalisis
dan
mengidentifikasi jenis gangguan pada motor
induksi tiga fasa tanpa beban sesuai penelitian
ini dapat mengidentifikasi 100% data pelatihan
dan mengidentifikasi 95% data validasi.
PENGEMBANGAN
Sistem ini hanya bisa digunakan untuk
mendeteksi hubung singkat pada belitan stator pada
motor induksi dalam keadaan tanpa beban, ke depan
dapat dikembangankan untuk mendeteksi kerusakan
belitan motor pada berbagai macam kondisi
pembebanan, maupun jenis kerusakan lain yang
umum terjadi pada motor.
UCAPAN TERIMAKASIH
Penulis mengucapkan terimakasih kepada bapak
Mauridhi H. P., Ibu Vita Listyaningrum dan Bapak
Dimas Anton A. selaku dosen pembimbing yang
telah membantu penyelesaian tugas akhir ini.
DAFTAR PUSTAKA
[1]
M. Y. Chow, “Methodologies of using neural network and
fuzzy logic technologies for motor incipient fault
detection”, World Scientific Publishing Co. Pte. Ltd,
Singapore, 1997.
[2] O.V. Thorsen and M. dalva, “failure identification and
analysis for HV induction motors in the petrochemical
industry”, IEEE trans. On Ind. Appl., vol. 35, no. 4, jul/aug.
1999, pp. 810-818.
[3] K. Kim and A. G. Parlos, “Induction Motor ault Diagnosis
Based on Neuropredictors and Wavelet signal processing”,
IEEE/ASME Trans. On Mechatronics, vol. 7, no. 2, June
2002.
[4] S.A. Nasar, “Hanbook of electric Machines”, New York:
Mc Graw Hill, Chapter 3 dan 4, 1987.
[5] M. Benbouzid, “A review of induction motors signature
analysis as a medium for faults detection”, IEEE Trans.
Ind. Electron., vol 47, pp. 984-993, Oct. 2000.
[6] Mauridhi Hery P. dan Agus Kurniawan, “Supervised
Neural Networks dan Aplikasinya”, Graha Ilmu,
Yogyakarta, 2006.
[7] Ika Damayanti, Metode Wavelet Untuk Peramalan Time
SeriesYang Non Stasioner, Tesis Jurusan Statistika FMIPAITS, Surabaya 2008.
[8] Antoniou, Andreas. Digital Filters: Analysis, Design, and
Applications Singapore: McGraw-Hill Inc. 1993.
[9] Soliman, Samir S. dan Mandyam D. Srinath. Continuous
and Discrete Signals and Systems. New Jersey, USA:
Prentice-Hall Inc. 1990.
[10] Irda Winarsih, dkk. Implementasi Filter Digital IIR
Butterworth. Jakarta: JETri, Volume 2, Nomor 2, Februari
2003.
[11] GW Instek, “GRS60x2 PC Remote Contrl Program”, User
Manual, 2002.
[12] Dicky N. Wardana, Dimas Anton A., dan Mauridhi Hery
P.,”Early Detection for Short Circuit Symptom at Single
Phase Induction Motor Winding Using Neural Networks”,
Proceedings of National Seminar on Applied Technology,
Science, and Arts, pp. 35, Surabaya, Desember 2009.
DAFTAR RIWAYAT HIDUP
Lahir di Magetan, 25 Juni 1986,
Nanang
Hardianto
memulai
jenjang pendidikannya di SDN
Kepanjen Lor V Blitar, SLTPN 1
Blitar, serta SMAN 1 Blitar hingga
lulus tahun 2005. Pada tahun yang
sama, penulis masuk ke Jurusan
Teknik Elektro FTI-ITS lewat jalur SPMB dan
mengambil bidang studi Teknik Sistem Tenaga.
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
Halaman 7 dari 7 halaman