DETEKSI HUBUNG SINGKAT PADA BELITAN STATOR MOTOR INDUKSI SATU FASA MENGGUNAKAN MOTOR INDUKSI SATU FASA MENGGUNAKAN JARING SARAF TIRUAN oleh : Dicky Nova Wardana 2205 100 157 Pembimbing : Prof. Dr. Ir Mauridhi Hery P., M.Eng. Teknik Sistem Tenaga Jurusan Teknik Elektro - ITS Surabaya Surabaya 2010
34
Embed
DETEKSI HUBUNG SINGKAT PADA BELITAN STATOR … · Identifikasi gejala hubung singkat Normal Fault LatarLatar belakang belakang (2) (2) Normal Fault. Permasalahan 1. BiBagaimana suattu
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
DETEKSI HUBUNG SINGKAT PADA BELITAN STATOR MOTOR INDUKSI SATU FASA MENGGUNAKAN MOTOR INDUKSI SATU FASA MENGGUNAKAN
JARING SARAF TIRUAN
oleh :Dicky Nova Wardana 2205 100 157
Pembimbing :Prof. Dr. Ir Mauridhi Hery P., M.Eng.
Teknik Sistem TenagaJurusan Teknik Elektro - ITS
SurabayaSurabaya2010
PENDAHULUANPENDAHULUAN11 PENDAHULUANPENDAHULUAN11
TEORI PENUNJANGTEORI PENUNJANG22
METODOLOGIMETODOLOGI33
HASIL DAN ANALISISHASIL DAN ANALISIS44
KESIMPULANKESIMPULAN55
LATAR BELAKANG
Tahapan Kerusakan Motor
STemporary Fault/ Periodic STOP
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
Pimpedance impedance
1 2 3 4 5
Normal Speed, Normal TorqueNormal Speed, Normal Torque DecreaseDecrease man
ce
Low NoiseLow NoiseDecrease Decrease
Speed, TorqueSpeed, TorqueHigh NoiseHigh Noise
Per
form
Short circuit conditionconditionLatarLatar belakangbelakang (1) (1)
LATAR BELAKANG
Tahapan Kerusakan Motor
STemporary Fault/ Periodic STOP
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
Pimpedance impedance
1 2 3 4 5
Detection Based on
Pattern of frequency content [1][2]
Hi h F Si l tt [3]Fokus Penelitian :
High Frequency Signal pattern [3]Identifikasi gejala hubung singkat
1 B i t b t k l b d t1. Bagaimana suatu bentuk gelombang arus dapatdirepresentasikan menjadi masukkan jaring saraf tiruansehingga dapat mewakili bentuk gelombang yang diolah.
1. Motor yang digunakan adalah motor induksi satu fasa
2 Gangguan yang dianalisis adalah hubung singkat pada2. Gangguan yang dianalisis adalah hubung singkat padabelitan stator motor induksi satu fasa.
3. Jaring saraf tiruan menggunakan metoda pelatihanbackpropagation
Tujuan
1. Menentukan representasi bentuk gelombang menjadi masukan jaring saraf tiruan, sehingga dapat diolah dengan menggunakan algoritma jaring saraf tiruandengan menggunakan algoritma jaring saraf tiruan.
2. Menguji parameter-parameter jaring saraf tiruan sehingga diketahui performansi jaring saraf tiruan yang digunakan.
Relevansi
1. Menjadi referensi mengenai metoda baru yaitu kombinasi transformasi wavelet dan jaring saraf tiruan untuk mendeteksi hubung singkat pada motoruntuk mendeteksi hubung singkat pada motor
2. Menjadi alat bantu bagi perusahaan untuk mengidentifikasi keaadaan motor induksi.
PENDAHULUANPENDAHULUAN11 PENDAHULUANPENDAHULUAN11
TEORI PENUNJANGTEORI PENUNJANG22
METODOLOGIMETODOLOGI33
HASIL DAN ANALISISHASIL DAN ANALISIS44
KESIMPULANKESIMPULAN55
Jaring Saraf Tiruan
Artificial neural network (ANN) adalah sebuah sistem pemrosesinformasi dengan karakteristik tertentu yang dibuat menyerupaisuatu jaring saraf biologis.
Proses belajar (learning) bagi ANN merupakan proses mengaturnilai bobot penimbangnya untuk mendapatkan nilai yang terbaikd l tih ANN k k l d t tdengan melatih ANN menggunakan sekumpulan data, menurutunjuk kerja sistem yang dikehendaki [7].
Backpropagation Neural Network
Algoritma pelatihan backpropagation neural network (BPNN)terdiri dari dua proses utama, yaitu feed forward dan backpropagationdari error-nya [7].y [ ]
Input layer
Hidden layer
Output layer
Neuron
Discrete Wavelet Transform
Transformasi wavelet dalam konteks pemrosesan sinyal adalah sebuah metode untuk mendekomposisi sinyal masukan yang diinginkan menjadi gelombang lain.
P d k i i
Proses dekomposisi melibatkan dua filter, yaitu low pass filter danhigh pass filter. Hasil yang diperoleh berupa sinyal aproksimasi cA
Proses dekomposisi
g p y g p p y pdan sinyal detail cD.
PENDAHULUANPENDAHULUAN11 PENDAHULUANPENDAHULUAN11
TEORI PENUNJANGTEORI PENUNJANG22
METODOLOGIMETODOLOGI33
HASIL DAN ANALISISHASIL DAN ANALISIS44
KESIMPULANKESIMPULAN55
Diagram Alir Deteksi H.S.
Short circuitShort circuit
Perangkat PercobaanShort circuit Short circuit
simulatorsimulatorVoltage Voltage SourceSource
ElectromagElectromag--neticneticBreakBreak
Induction MotorInduction Motor
Variable ResistorVariable Resistor
Current to Voltage Current to Voltage Storage Storage PC/Monitoring PC/Monitoring
SelectorSelector
Mi llMi ll
ggconverterconverter
ggOscilloscopeOscilloscopesystemsystem
MicrocontrollerMicrocontroller
Analog to Digital ConverterAnalog to Digital Converter
Spesifikasi Motor
Single Phase Single Phase Induction MotorInduction Motor
TampilanTampilan remote control programremote control program [9][9]Tampilan Tampilan remote control programremote control program [9][9]
Pengolahan Data
•• Data dikelompokkan menjadi dua bagian yaitu datal tih d d t ji t lid ipelatihan dan data pengujian atau validasi.
•• Masing-masing data kemudian diolah menggunakantransformasi wavelet diskrit dengan tiga tingkattransformasi wavelet diskrit dengan tiga tingkatdekomposisi.
•Dari ketika tingkat dekomposisi tersebut dipilih fitur-fiturDari ketika tingkat dekomposisi tersebut dipilih fitur fitursinyal yang dapat merepresentasikan gelombang arus satormotor.
•Fitur-fitur tersebut selanjutnya digunakan sebagai masukanuntuk data pelatihan maupun data pengujian.
1. Penggunaan sinyal domain waktu dan sinyal domainfrekuensi dapat merepresentasikan bentuk gelombang
d lyang dianalisis.
2. Hasil identifikasi terendah berada pada data hubungsingkat 25% total belitan yaitu 40% data dikenali sebagaimotor normal sisanya dikenali dengan baik sebagai hubungsingkat 25% total belitan. Sedangkan pada data 50% dan100% total belitan, seluruh data dapat dikenali denganbaik atau dikenali 100%.
3. Kombinasi transformasi wavelet yang digunakan untukmenganalisis sinyal diskontinyu dan metode JST dapatdigunakan untuk menganalisis dan mengidentifikasi jenisg g g jgangguan.
PENGEMBANGAN
ANALOG TO DIGITAL CONVERTERANALOG TO DIGITAL CONVERTER
WAVELET TRANSFORM
FEATURE EXTRACTIONFEATURE EXTRACTION
SEKIANSEKIAN
Terima Kasih
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 2006.
2. 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 5Signature Analysis Using Wavelets , IEEE Trans. Industry Applications., vol. 40, no. 5, September/October 2004.
3. 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, 2006. 41st 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 2002.
5. S.A. Nasar, “Hanbook of electric Machines”, New York: Mc Graw Hill, Chapter 3 dan 4, 1987.6. M. Benbouzid, “A review of induction motors signature analysis as a medium for faults detection”,
IEEE T I d El l 47 984 993 O 2000IEEE Trans. Ind. Electron., vol 47, pp. 984-993, Oct. 2000.7. Mauridhi Hery P. dan Agus Kurniawan, “Supervised Neural Networks dan Aplikasinya”, Graha Ilmu,
Yogyakarta, 2006.8. Ika Damayanti, Metode Wavelet Untuk Peramalan Time SeriesYang Non Stasioner, Tesis Jurusan
Statistika FMIPA ITS Surabaya 2008Statistika FMIPA-ITS, Surabaya 2008.9. GW Instek, “GRS60x2 PC Remote Contrl Program”, User Manual, 2002.10. Jong Jek S., “Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab”, Andi, Yogyakarta,
2006.11 Dicky N Wardana Dimas Anton A dan Mauridhi Hery P ”Early Detection for Short Circuit Symptom11. 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.