JARING SARAF TIRUAN. oleh : Dicky Nova Wardana Pembimbing : Prof. Dr. Ir Mauridhi Hery P., M.Eng.

Transkripsi

1 DETEKSI HUBUNG SINGKAT PADA BELITAN STATOR MOTOR INDUKSI SATU FASA MENGGUNAKAN JARING SARAF TIRUAN oleh : Dicky Nova Wardana Pembimbing : Prof. Dr. Ir Mauridhi Hery P., M.Eng. Teknik Sistem Tenaga Jurusan Teknik Elektro - ITS Surabaya 2010

2 1 PENDAHULUAN 2 TEORI PENUNJANG 3 METODOLOGI 4 HASIL DAN ANALISIS 5 KESIMPULAN

3 LATAR BELAKANG Tahapan Kerusakan Motor Temporary Fault/ Periodic S Non-periodic Very Short Permanent Permanent Very Short Duration Duration High Low Current Low Current/ high Low Current/ high Current impedance impedance S T O P Normal Speed, Normal Torque Low Noise Decrease Speed, Torque High Noise Perform mance Latar belakang (1) Short circuit condition

4 LATAR BELAKANG Tahapan Kerusakan Motor Temporary Fault/ Periodic S Non-periodic Very Short Permanent Permanent Very Short Duration Duration High Low Current Low Current/ high Low Current/ high Current impedance impedance S T O P Detection Based on Fokus Penelitian : Identifikasi gejala hubung singkat Pattern of frequency content [1][2] High Frequency Signal pattern [3] Normal Fault Latar belakang (2) Normal Fault

5 Permasalahan 1. Bagaimana suatu bentuk gelombang arus dapat direpresentasikan menjadi masukkan jaring saraf tiruan sehingga dapat mewakili bentuk gelombang yang diolah. 2. Bagaimana performansi jaring saraf tiruan dalam mengidentifikasi kerusakan motor.

6 Batasan Masalah 1. Motor yang digunakan adalah motor induksi satu fasa 2. Gangguan yang dianalisis adalah hubung singkat pada belitan stator motor induksi satu fasa. 3. Jaring saraf tiruan menggunakan metoda pelatihan backpropagation

7 Tujuan 1. Menentukan representasi bentuk gelombang menjadi masukan jaring saraf tiruan, sehingga dapat diolah dengan menggunakan algoritma jaring saraf tiruan. 2. Menguji parameter-parameter jaring saraf tiruan sehingga diketahui performansi jaring saraf tiruan yang digunakan.

8 Relevansi 1. Menjadi referensi mengenai metoda baru yaitu kombinasi transformasi wavelet dan jaring saraf tiruan untuk mendeteksi hubung singkat pada motor 2. Menjadi alat bantu bagi perusahaan untuk mengidentifikasi keaadaan motor induksi.

9 1 PENDAHULUAN 2 TEORI PENUNJANG 3 METODOLOGI 4 HASIL DAN ANALISIS 5 KESIMPULAN

10 Jaring Saraf Tiruan Artificial neural network (ANN) adalah sebuah sistem pemroses informasi dengan karakteristik tertentu yang dibuat menyerupai suatu jaring saraf biologis. Proses belajar (learning) bagi ANN merupakan proses mengatur nilai bobot penimbangnya untuk mendapatkan nilai yang terbaik dengan melatih ANN menggunakan sekumpulan dt data, menurut unjuk kerja sistem yang dikehendaki [7].

11 Backpropagation Neural Network Algoritma pelatihan backpropagation neural network (BPNN) terdiri dari dua proses utama, yaitu feed forward dan backpropagation dari error-nya y [7]. Input layer Hidden layer Output layer Neuron

12 Discrete Wavelet Transform Transformasi wavelet dalam konteks pemrosesan sinyal adalah sebuah metode untuk mendekomposisi sinyal masukan yang diinginkan menjadi gelombang lain. Proses dekomposisi i Proses dekomposisi melibatkan dua filter, yaitu low pass filter dan high pass filter. Hasilyang diperoleh berupa sinyal aproksimasi ca dan sinyal detail cd.

13 1 PENDAHULUAN 2 TEORI PENUNJANG 3 METODOLOGI 4 HASIL DAN ANALISIS 5 KESIMPULAN

14 Diagram Alir Deteksi H.S.

15 Voltage Source Perangkat Percobaan Electromag-netic Break Induction Motor Short circuit simulator Variable Resistor Selector PC/Monitoring system Storage Oscilloscope Current to Voltage converter Microcontroller Analog to Digital Converter

16 Spesifikasi Motor Single Phase Induction Motor 220 volt 50 Hz 4 pole ¼ HP 1400 rpm

17 Wiring Diagram

18 Pengambilan Data Tampilan remote control program [9]

19 Pengolahan Data Data dikelompokkan menjadi dua bagian yaitu data pelatihan dan data pengujian atau validasi. i Masing-masing data kemudian diolah menggunakan transformasi wavelet diskrit dengan tiga tingkat dekomposisi. Dari ketika tingkat dekomposisi tersebut dipilih fitur-fitur sinyal yang dapat merepresentasikan gelombang arus sator motor. Fitur-fitur tersebut selanjutnya digunakan sebagai masukan untuk data pelatihan maupun data pengujian.

20 Sistem Identifikasi JST sebagai Metode Pendeteksi Kerusakan Belitan Stator Input JST 22 neuron 1500 neuron 4 neuron Output JST

21 Identifikasi i keadaan motor Keadaan motor Keluaran JST Normal [ ] 25% [ ] 50% [ ] 75% [0001] 0 0

22 1 PENDAHULUAN 2 TEORI PENUNJANG 3 METODOLOGI 4 HASIL DAN ANALISIS 5 KESIMPULAN

23 Feature Extraction Fitur sinyal normal mean median maks min StDev median Dev mean Dev Domain waktu Arus normal Dec Dec Dec Fitur sinyal 25% mean median maks min StDev median Dev mean Dev Arus hubung singkat 25% total belitan Domain waktu Dec Dec Dec

24 Feature Extraction Fitur sinyal 50% mean median maks min StDev median Dev mean Dev Domain waktu Arus hubung singkat 50% total belitan D D D Fitur sinyal 75% mean median maks min StDev median Dev mean Dev Domain Arus hubung singkat waktu 75% total belitan D D D

25 Data Pelatihan Data ke-n Ko oefisien f itur

26 Parameter JST Fungsi pembelajaran : traingd (Gradient descent back propagation) Jumlah layer Input layer : 22 neuron Hidden layer : 1500 neuron Output layer : 4 neuron Fungsi aktivasi Hidden layer : tansig (fungsi sigmoid bipolar) Output layer : logsig(fungsi sigmoid biner) Iterasi maksimal : epochs Error minimal : 10e-5 Learning rate : 0,1

27 Nilai keluaran tiap neuron Keadaan motor Keluaran JST Output Output Output Output Normal Hubung 25 % Hubung 50 % Hubung 75 % singkat singkat singkat

28 Keluaran JST No. Neuron 1 Neuron 2 Neuron 3 Neuron

29 Identifikasi JST Kondisi motor Identifikasi JST normal 25% 50% 75% Normal 80% Hubung singkat 40% 60% % Hubung singkat % 0 50% Hubung singkat % 75%

30 Kesimpulan 1. Penggunaan sinyal domain waktu dan sinyal domain frekuensi dapat merepresentasikan bentuk gelombang yang dianalisis. 2. Hasil identifikasi terendah berada pada data hubung singkat 25% total belitan yaitu 40% data dikenali sebagai motor normal sisanya dikenali dengan baik sebagai hubung singkat 25% total belitan. Sedangkan pada data 50% dan 100% total belitan, seluruh data dapat dikenali dengan baik atau dikenali 100%. 3. Kombinasi transformasi wavelet yang digunakan untuk menganalisis sinyal diskontinyu dan metode JST dapat digunakan untuk menganalisis dan mengidentifikasi jenis gangguan.

31 PENGEMBANGAN ANALOG TO DIGITAL CONVERTER WAVELET TRANSFORM FEATURE EXTRACTION

32 Terima Kasih SEKIAN

33 Dafar Pustaka 1. Jee-Hoon Jung, Jong-Jae Lee, and Bong-Hwan Kwon, Online Diagnosis of Induction Motors Using MCSA, IEEE Trans. Industrial Electronics., vol. 53, no. 6, December Hugh Douglas, Pragasen Pillay, and Alireza K. Ziarani, A New Algorithm for Transient Motor Current Signature Analysis Using Wavelets, IEEE Trans. Industry Applications., vol. 40, no. 5, September/October M.A.S.K. Khan, T.S. Radwan, and M.A. Rahman, Diagnosis and Protection of IPM Motors Using Wavelet Packet Transform, Industry Applications Conference, st IAS Annual Meeting. Conference Record of the 2006 IEEE. 4. K. Kim and A. G. Parlos, Induction Motor ault Diagnosis Based on Neuropredictors and Wavelet signal processing, IEEE/ASME Trans. On Mechatronics, vol. 7, no. 2, June S.A. Nasar, Hanbook of electric Machines, New York: Mc Graw Hill, Chapter 3 dan 4, M. Benbouzid, A review of induction motors signature analysis as a medium for faults detection, IEEE Trans. Ind. Electron., vol 47, pp , 993 Oct Mauridhi Hery P. dan Agus Kurniawan, Supervised Neural Networks dan Aplikasinya, Graha Ilmu, Yogyakarta, Ika Damayanti, Metode Wavelet Untuk Peramalan Time SeriesYang Non Stasioner, Tesis Jurusan Statistika FMIPA-ITS, ITS Surabaya GW Instek, GRS60x2 PC Remote Contrl Program, User Manual, Jong Jek S., Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab, Andi, Yogyakarta, 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.

34 Forward propagation Z _ in j j = V Z = oj + n i= 1 X f ( Z _ in j ) Backward propagation W jk δ W W k kj i V = ( t k Y k ) f '( Y _ in k ) = α. Z + W. η ij. k j kj k0. k k0 = α + W. η jk jk Y _ in k Y = k = W ok + p j= 1 Z f ( Y _ ink ) m _ in j = δ W j k = 1 k δ = δ _ in V V j ij j jk f '( j W jk Z _ in = αδ X + V. η j i ij = αδ + V. η 0 j j 0 j ( baru ) = W ( lama ) + W V baru ) = V ( lama ) + V ) ij ( ij ij j )