DETEKSI KERUSAKAN ROTOR BAR MOTOR INDUKSI MENGGUNAKAN ANALISIS ARUS OUTPUT INVERTER BERBASIS WAVELET

Transkripsi

1 SEMINAR TUGAS AKHIR JUNI 2013 DETEKSI KERUSAKAN ROTOR BAR MOTOR INDUKSI MENGGUNAKAN ANALISIS ARUS OUTPUT INVERTER BERBASIS WAVELET Oleh: Rifaldy Swasetyasakti Dosen Pembimbing Prof. Ir. Mochamad Ashari, M.Eng., PhD. Ir. Teguh Yuwono Teknik Sistem Tenaga Jurusan Teknik Elektro ITS 1

2 Latar Belakang Hampir seluruh proses industri menggunakan MOTOR INDUKSI (rotor sangkar) KERUSAKAN ROTOR BAR akan menginisiasi kerusakan pada bagian-bagian lain motor induksi MONITORING harus mematikan kerja Motor TUGAS AKHIR ini berfokus pada perancangan sistem deteksi kerusakan rotor bar yang dapat diaplikasikan secara online untuk monitoring motor induksi Sistem DETEKSI KERUSAKAN ROTOR BAR BERBASIS WAVELET dinilai lebih unggul dari pada metode lain seperti FFT 2

3 Rumusan Masalah Kerusakan Rotor Bar menyebabkan masalah yang serius bagi industri sehingga memerlukan proses monitoring kondisi setiap saat Sistem deteksi kerusakan rotor bar berbasis FFT memiliki kelemahan dalam proses implementasi Hampir sebagian besar motor induksi menggunakan pengendali inverter Sistem deteksi kerusakan rotor bar secara online diperlukan untuk meminimalisir kerugian industri akibat proses maintenance yang tidak terjadwal 3

4 Batasan Masalah 1. Motor Induksi ROTOR SANGKAR 3 PHASA 2. Proses PENGAMBILAN DATA dan ANALISIS mengenai arus dilakukan pada motor induksi dalam keadaan STEADY STATE 3. Pengolahan sinyal berbasis pada DISCRETE WAVELET TRANSFORM (DWT) pada bagian Detail Coefficientnya 4. Analisis kerusakan dilakukan terhadap ARUS OUTPUT INVERTER 4

5 Alur Perancangan Sistem Eksperimen Pengolahan Data Analisa karakteristik KERUSAKAN ROTOR BAR Konfigurasi Peralatan Perancangan Pengolahan sinyal Analisis Hasil Pengujian Pengujian Sistem Deteksi Kerusakan Rotor Bar Perancangan Artificial Neural Network (ANN) 5

6 Karakteristik Kerusakan Rotor Bar Distribusi arus rotor tidak uniform Distribusi fluks tidak sinusoidal BACK EMF Induksi medan rotor - stator FREKUENSI TAMBAHAN pada arus stator yang lebih dan lebih kecil dari frekuensi fundamental Induksi balik dengan GGL yang terdistorsi Deteksi Kerusakan Rotor Bar yang lain: Vibrasi, Panas, dan Starting KURANG MAKSIMAL UNTUK MEMONITORING KERUSAKAN 6

7 Arus Output Inverter Arus output inverter pada dasarnya merupakan arus sinusoidal terdistorsi karena keterbatasan proses switching komponen power electronics pada INVERTER Arus (A) Arus (A) 1,5 1 0,5 0-0,5-1 -1, ,05 0,1 0,15 0,2 0,25 Waktu (s) 0 0,05 0,1 0,15 0,2 0,25 NORMAL 4 Kerusakan Rotor -2 Waktu (s) 7

8 Karakteristik Kerusakan Rotor Bar Hasil FFT pada Arus Output Inverter Normal 4 Kerusakan Rotor 8

9 Keseluruhan Sistem Deteksi Kerusakan Motor Induksi 3 Phasa Sumber 3 phasa Variable Speed Drive Pembebanan Mekanik 0,5 Nm 1,0 Nm 1,5 Nm Analog to Digital Converter Peralatan Pengukuran Sinyal Sinyal arus Transformasi Wavelet Power Detil Density (PDD) Artificial Neural Network (ANN) Diagnosa Kerusakan Wavelet Details File.xls File.xls 9

10 Konfigurasi Peralatan 3 mm 3 mm Laminasi Rotor 3 mm Rotor Bar Laminasi Rotor Parameter Keterangan Normal Tanpa Kerusakan Rotor Bar 4 BRB Kerusakan 4 Rotor Bar Dipilih karena efek perubahan arus motor induksi yang paling besar: Perubahan Magnitude Arus fundamental Lubang dibuat sama

11 Konfigurasi Peralatan Oscilloscope GRS 6052 Sampling 5kS/s (20mv/div) 2kS/s(50mv/div) Amplifier Mensensing Arus, dan melindungi oscilloscope FREKUENSI SAMPLING merupakan parameter penting dalam proses PEMECAHAN dan REKONSTRUKSI sinyal 11

12 Perancangan Pengolahan Sinyal Terdiri dari 2 TAHAPAN pengolahan sinyal 1. DISCRETE WAVELET TRANSFORM (DWT) 2. POWER DETAIL DENSITY (PDD) METODE PENGOLAHAN sinyal digunakan untuk membentuk Sistem Deteksi Kerusakan yang Dapat Diaplikasikan secara online DWT akan memproses sinyal arus kedalam level dekomposisi yang memiliki band frekuensi tertentu Proses pengolahan sinyal DWT-PDD dinilai lebih unggul dibandingkan dengan FFT karena kemudahan dalam proses TRANSFORMASI serta NORMALISASI PENSKALAAN 12

13 Listing Pengolahan Sinyal Merupakan bentuk pengklasifikasian sinyal berdasarkan fungsi skala dan pergeseran (sampling) Spesifikasi DWT Jenis DWT Deubaches (db) Orde 29 Level Dekomposisi 9 Sampling frekuensi 2/ 5 ks/detik DEUBACHES Keunggulan dalam dekomposisi sinyal ASIMETRI ORDE WAVELET akan menentukan KARAKTERISTIK FILTER dan FUNGSI PENSKALAAN dipilih untuk meminimalisir adanya INTERPOLASI (irisan) antara dua level dekomposisi 13

14 Perancangan Pengolahan sinyal 250 data a[n] 2 a2 500 data 250 data PEMECAHAN a[n] 2 a1 d[n] 2 d data S 500 data d[n] 2 d1 TRANSFORMASI SINYAL SUMBER FUNGSI SKALA FUNGSI WAVELET REKRONSTRUKSI 14

15 Perancangan Pengolahan sinyal S PDD a9 d9 d8 d7 d6 d5 d4 d3 Magnitude d2 d d1 d2 d3 d4 d5 d6 d7 d8 d9 Dekomposisi DWT-PDD 15

16 Perancangan Pengolahan sinyal DWT START PDD START Input data sinyal hasil pengukuran Proses Dekomposisi Wavelet Rekronstruksi sinyal hasil pengukuran Memecah sinyal dengan fungsi Highpass dan Lowpass filter Transformasi Wavelet berdasarkan fungsi skala dan waktu Rekronstruksi sinyal pada tiap level dekomposisi Perhitungan PDD pada tiap level dekomposisi Penyimpanan data dalam format.xls Apakah level telah sesuai? Ya Rekronstruksi sinyal pada tiap level dekomposisi Tidak Representasi Grafik END END 16

17 ngan mbang Memband ungs Perancangan ANN Spesifikasi ANN START Fungsi Pembelajaran Trainlm dengan (backpropagation) t npu I i s a s i l rma No i s a s i l rma no i f Input Layer Hidden Layer Output Layer 9 Neuron 250 Neuron 2 Neuron, han ital pe i s a i s i n I l awa i a l i n, i pen i a l i n ngkan i r o r r e Iterasi Maksimal data r Er = r Er dak i t t i un u r ba i Penambahan s r e t Fitur Sinyal 80% untuk training 10% untuk validasi Reduks ya embuny t i un han i t a l Pe i embuny s r e t u r ba i r a j i dak i t r u ya t uk r t s i r a Menc ngil pa yang mumi nmi han i t a l Pe ngan i r a j i eduks r e t 10% untuk test END 17

18 Diagnosa Otomatis dengan ANN TARGET ANN OUTPUT ANN Nilai Target 10 5 Nilai Target Data ke- -30 Data ke- 30 ERROR Nilai Error Data ke

19 Pengujian 1: Sistem Secara Keseluruhan Magnitudo Normal 4 brb d1 d2 d3 d4 d5 d6 d7 d8 d9 Dekomposisi DWT-PDD 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 Sistem mampu mendeteksi KERUSAKAN ROTOR BAR dengan menunjukkan selisih antara kondisi NORMAL dan RUSAK pada Arus output inverter 19

20 Pengujian 2: Frekuensi Sampling Berbeda 300 Detail Dekomposisi DWT 2000 S/detik 5000 S/detik Level Hz Hz Level Hz Hz Level Hz Hz Level Hz Hz Level Hz Hz Level Hz Hz Level Hz Hz Level Hz 2,5-23 Hz Level Hz 0 14 Hz 300 Magnitudo DWT-PDD Normal 4 brb Magnitudo DWT-PDD d1 d2 d3 d4 d5 d6 d7 d8 d9 d1 d2 d3 d4 d5 d6 d7 d8 d9 Dekomposisi DWT-PDD pada 2kS/detik Dekomposisi DWT-PDD pada 5kS/detik 20

21 Pengujian 3: Pembebanan Bervariasi 0,5 Nm 1,0 Nm 1,5 Nm Magnitudo DWT-PDD Magnitudo DWT-PDD Magnitudo DWT-PDD d1 d2 d3 d4 d5 d6 d7 d8 d9 Dekomposisi DWT-PDD d1 d2 d3 d4 d5 d6 d7 d8 d9 Dekomposisi DWT-PDD d1 d2 d3 d4 d5 d6 d7 d8 d9 Dekomposisi DWT-PDD Normal 4 BRB Normal 4 BRB Normal 4 BRB 21

22 Pengujian 4: Perbandingan Teori - Pengujian Hasil Perhitungan Kondisi slip saat 0 Nm f.brb 0 Nm slip saat 0,5 Nm f.brb 0,5 Nm 4 BRB 0,01 49,27 50,73 0,03 47,33 52,67 Kondisi slip saat 1,0 Nm f.brb 1,0 Nm slip saat 1,5 Nm f.brb 1,5 Nm 4 BRB 0,06 44,33 55,67 0,09 40,53 59,47 Hasil Pengujian Magnitudo DWT-PDD Magnitudo DWT-PDD d1 d2 d3 d4 d5 d6 d7 d8 d9 Dekomposisi DWT-PDD pada 5kS/detik 00 d1 d2 d3 d4 d5 d6 d7 d8 d9 Dekomposisi DWT-PDD pada 2kS/detik Normal 4 brb 22

23 Pengujian Sistem dan Analisa Sinyal pengujian ke- Kondisi sebenarnya Target ANN Output ANN Error Diagnosa 1 4 brb brb 2 4 brb Normal 3 4 brb brb 4 4 brb brb 5 4 brb brb 6 4 brb brb 7 4 brb brb 8 4 brb brb 9 4 brb brb 10 4 brb Normal 11 Normal Normal 12 Normal Normal 13 Normal brb 14 Normal Normal 15 Normal Normal 16 Normal Normal 17 Normal Normal 18 Normal Normal 19 Normal brb 20 Normal Normal 23

24 KESIMPULAN PDD-DWT MAMPU MENDETEKSI KERUSAKAN ROTOR BAR motor induksi dengan mengklasifikasikan sinyal arus menjadi beberapa band frekuensi Frekuensi sampling hanya akan mempengaruhi band klasifikasi frekuensi DWT dan tidak merusak proses rekronstruksi magnitudo spektrum, VARIASI PEMBEBANAN akan mempengaruhi besar magnitudo sinyal arus namun TIDAK MEMPENGARUHI PDD-DWT PENAMBAHAN PERANGKAT ANN mampu mendiagnosa kerusakan dengan 20% kesalahan melalui proses pengujian yang melibatkan 20 sample sinyal. 24

25 PENUTUP SEKIAN DAN TERIMA KASIH 25