DETEKSI HUBUNG SINGKAT PADA BELITAN STATOR MOTOR INDUKSI TIGA FASA TANPA BEBAN MENGGUNAKAN JARING SYARAF TIRUAN

Transkripsi

1 DETEKSI HUBUNG SINGKAT PADA BELITAN STATOR MOTOR INDUKSI TIGA FASA TANPA BEBAN MENGGUNAKAN JARING SYARAF TIRUAN Pre s e n ter : N a n a n g Ha r d i a n to ( ) Pemb i m b i n g : Pro f. Dr. Ir M a u ridhi Hery P., M. E n g. Vi ta Listyaningru m, S. T., M. S c. Teknik Sistem Tenaga Jurusan Teknik Elektro - ITS Surabaya 2010 monday, june 14 TH 2010

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

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

4 Latar Belakang (2) Tahapan Kerusakan Motor Temporary Fault/ Non-periodic Very Short Duration Low Current/ high impedance Periodic Very Short Duration Low Current/ high impedance Permanent Low Current Permanent High Current 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 Normal Fault

5 Permasalahan 1. Bagaimana suatu bentuk gelombang arus dan tegangan 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 tiga fasa dengan kondisi tanpa beban 2. Gangguan yang dianalisis adalah hubung singkat sefasa, fasa-fasa dan fasa-ground pada belitan stator motor induksi tiga 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 keadaan motor induksi tiga fasa

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

10 Jaring Syaraf 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 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 [7].

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

13 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. LPF

14 1 PENDAHULUAN 2 TEORI PENUNJANG 3 METODOLOGI 4 HASIL DAN ANALISIS 5 KESIMPULAN

15 Diagram Alir Deteksi H.S.

16 Perangkat Percobaan

17 Spesifikasi Motor Three Phase Induction Motor 220/380 volt 50 Hz cos Ф = kwatt 1.42/0.82 A 4 kutub

18 Wiring Diagram

19 Pengambilan Data Tampilan remote control program [9]

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

21 Sistem Identifikasi JST sebagai Metode Pendeteksi Kerusakan Belitan Stator Input JST 24 neuron 70 neuron 4 neuron Output JST

22 Identifikasi keadaan motor Keadaan motor Keluaran JST Normal [ ] H.S Sefasa [ ] H.S Fasa-fasa [ ] H.S Fasa-Ground [ ]

23 1 PENDAHULUAN 2 TEORI PENUNJANG 3 METODOLOGI 4 HASIL DAN ANALISIS 5 KESIMPULAN

24 Data Arus dan Tegangan Stator Motor (a) Gambar (a) Arus normal; (b) Tegangan normal (b)

25 Dekomposisi Wavelet Dekomposisi Arus Normal Dekomposisi Tegangan Normal

26 Feature Extraction Tabel fitur siyal arus motor normal Fitur sinyal sinyal mean median maks min Range StDev median Dev mean Dev Domain waktu Dec Dec Dec Dec Dec Tabel fitur sinyal tegangan motor normal Fitur sinyal sinyal mean median maks min Range StDev median Dev mean Dev Domain waktu Dec Dec Dec Dec Dec

27 Koefisien fitur Data Pelatihan Data ke-n

28 Parameter JST Fungsi pembelajaran : traingd (Gradient descent - back propagation) Jumlah layer Input layer : 24 neuron Hidden layer : 70 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-4 Learning rate : 2,5

29 Hasil Analisis (1) Keadaan motor Nilai keluaran tiap neuron Keluaran JST Output 1 Output 2 Output 3 Output 4 Normal Hubung singkat Sefasa Hubung singkat Fasa-fasa Hubung singkat Fasa-Ground

30 Hasil Analisis (2) Keluaran JST Keadaan Motor Keluaran JST Keadaan Motor Keluaran JST Normal HS fasa-fasa

31 Hasil Analisis (3) Keluaran JST Keadaan Motor Keluaran JST Keadaan Motor Keluaran JST HS sefasa HS fasaground

32 Identifikasi JST Kondisi motor Identifikasi JST (%) Normal Sefasa Fasa-fasa Fasa- Ground Normal HS sefasa HS fasa-fasa HS fasa-ground

33 Kesimpulan 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.

34 Daftar 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 , 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, 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.