Proceeding Seminar Tugas Akhir Jurusan T (3)
DETEKSI HUBUNG SINGKAT PADA BELITAN STATOR MOTOR
INDUKSI SATU FASA MENGGUNAKAN
JARING SARAF TIRUAN
Dicky Nova Wardana – 2205 100 157
Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember
Kampus ITS, Keputih-Sukolilo, Surabaya - 60111
Abstrak : Motor induksi adalah salah satu
peralatan utama dalam industri. Kerusakan pada
bagian motor akan mempengaruhi proses produksi.
Oleh karena itu, deteksi dini kerusakan motor induksi
sangat dibutuhkan untuk menghindari kerusakan
yang lebih parah. Tugas akhir ini menyajikan metode
identifikasi untuk mendeteksi hubung singkat pada
stator motor induksi satu fasa. Metode yang diajukan
digunakan untuk mengidentifikasi hubung singkat
dengan durasi yang sangat singkat, impedansi tinggi,
dan gangguan non-periodik pada belitan stator.
Gabungan transformasi wavelet dan jaring saraf
tiruan digunakan sebagai metode pengidentifikasi
kerusakan. Variabel identifikasi yang digunakan pada
metode tersebut diambil dari sinyal arus stator. Untuk
mencapai tujuan yang diinginkan, data percobaan
arus hubung singkat 25%, 50%, dan 75% dari total
belitan digunakan sebagai studi kasus. Hasil simulasi
menunjukkan bahwa data pelatihan teridentifikasi
100% sedangkan data validasi teridentifikasi rata-rata
85% dalam menentukan keadaan belitan stator motor
induksi satu fasa.
Kata kunci : deteksi dini, hubung singkat, jaring saraf
tiruan, belitan stator, motor induksi.
I. PENDAHULUAN
Motor induksi ukuran kecil maupun sedang
digunakan secara luas pada industri dan peralatan
rumah tangga. Motor-motor 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(38%), gangguan pada
rotor(10%), gangguan pada bearing(40%) dan
gangguan lain(12%) [2,3].
Deteksi dini hubung singkat pada belitan saat
motor beroperasi akan mencegah kerusakan
berikutnya pada belitan yang saling berdekatan, 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 I2 R. Peningkatan
panas membuat suhu belitan stator meningkat
sehingga berakibat pada penurunan perkiraan umur
isolasi belitan. Kegagalan isolasi pada belitan stator
akan mengakibatkan tambahan hubung singkat pada
belitan, tambahan kenaikan temperature, dan
semakin memperpendek umur isolasi belitan.
Selanjutnya, akan menyebabkan kerusakan pada
belitan yang berdekatan bahkan menyebabkan
motor gagal beroperasi [5].
Pada penelitian sebelumnya simulasi hubung
singkat dilakukan dengan cara mensolder belitan
stator sehingga menyebabkan kenaikan arus yang
dikonsumsi motor [6]. Pada penelitian ini simulasi
hubung singkat hubung singkat dilakukan dengan
cara mengkondisikan belitan stator terhubung
singkat sesaat yang menggambarkan awal terjadinya
kerusakan isolasi belitan stator. Gejala kerusakan
belitan tersebut tidak dapat diamati dengan
mengukur besarnya arus yang mengalir karena
besarnya arus tidak mengalami kenaikan yang
signifikan.
Data yang dibutuhkan untuk melatih JST
dihasilkan di laboratorium menggunakan motor
induksi satu fasa yang didesain khusus untuk
mempermudah simulasi hubung singkat yang terjadi
pada belitan stator.
II. 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
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 [7].
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
Halaman 1 dari 6 halaman
2.2 Backpropagation Neural Network
Algoritma pelatihan BPNN terdiri dari dua
proses
utama, yaitu
feed forward
dan
backpropagation dari error-nya [7]. 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. Hasil yang
diperoleh berupa sinyal aproksimasi cA dan sinyal
detail cD.
Wavelet merupakan
persamaan matematis
yang memisahkan sinyal kedalam frekuensi yang
berbeda, dan selanjutnya menganalisis masingmasing komponen dangan resolusi yang disesuaikan
dengan skala. Pada pemrosesan sinyal, wavelet
merupakan suatu bentuk energi yang memplot
sesaat setiap bagian sinyal yang hendak dianalisis.
Bentuk wavelet digambarkan sebagai sebuah
bentuk gelombang dengan durasi terbatas dan
memiliki nilai rata-rata sama dengan nol. Analisis
wavelet pada dasarnya merupakan pergeseran dan
penskalaan suatu bentuk energi terbatas yang
disebut wavelet induk (t) terhadap sinyal yang
diinginkan. Sehingga transformasi wavelet diskrit
dapat dituliskan sebagai berikut.
(2)
ψ jk (t ) = 2 j / 2ψ (2 j t − k )
motor induksi pada paper ini dapat dilihat pada
Gambar 2.
Gambar 2. Diagram alir deteksi hubung singkat
3.1 Perangkat Percobaan
Motor induksi satu fasa digunakan sebagai
obyek penelitian. Spesifikasi motor yang digunakan
adalah sebagai berikut: teganggan sumber 220 volt,
frekuensi 50 Hz, memiliki empat kutub, 1/4 HP, dan
kecepatan motor 1400 rpm.
Motor disadap masing-masing belitannya untuk
mensimulasikan hubung singkat yang terjadi pada
belitan stator motor. Hal ini dilakukan untuk
menggambarkan lokasi hubung singkat yang
mungkin terjadi pada motor. Foto motor yang telah
disadap dapat dilihat pada Gambar 3.
j adalah parameter perluasan (penskalaan) dan k
adalah parameter pergeseran [8].
III. 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 transformasi
wavelet diskrit hingga level tiga. 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
Gambar 3. Motor induksi satu fasa
Pada percobaan ini lokasi hubung singkat dibagi
menjadi tiga tingkatan yaitu 25%, 50%, dan 75%
dari total belitan stator. 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
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
Halaman 2 dari 6 halaman
lokasi hubung singkat dapat ditentukan berdasarkan
kedudukan selektor. Gambar selektor yang
digunakan dalam percobaan ini dapat dilihat pada
Gambar 4. Hambatan geser (rheostat) dipasang
untuk mensimulasikan impedansi hubung singkat.
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
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.
3.3 Pengambilan Data
Pada tahap ini diambil data bentuk gelombang
arus stator motor induksi normal maupun yang
mengalami gangguan. Pengambilan data bentuk
arus 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.
Pengambilan
data
ini
dilakukan
dengan
menggunakan time sample 50 ms/div dan 1 volt/div.
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 6. Tampilan remote control program [9]
Gambar 5. Diagram blok percobaan
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
Halaman 3 dari 6 halaman
3.4 Pengolahan Data
Dalam penelitian sebelumnya, penggunaan fitur
domain waktu saja hanya memberikan tingkat
akurasi identifikasi maksimal sebesar 57% [10].
Oleh karena itu dalam tugas akhir ini data-data
bentuk gelombang yang diperoleh dari proses
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. Fungsi aktivasi
• Hidden layer
• Output layer
4. Iterasi maksimal
5. Error minimal
6. Learning rate
: tansig(sigmoid bipolar)
: logsig(sigmoid biner)
: 200.000
: 10e-5
: 0,1
4.2 Data arus motor
Dari pengukuran terhadap motor induksi satu
fasa yang dilakukan di laboratorium diperoleh
bentuk gelombang arus stator seperti yang
ditunjukkan Gambar 7, 8, dan 9.
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.
Gambar 7. Normal
Tabel 1. Identifikasi keadaan motor
Keadaan motor
Keluaran JST
Normal
[1 0 0 0]
25%
[0 1 0 0]
50%
[0 0 1 0]
75%
[0 0 0 1]
IV. 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
: 22 neuron
• Hidden layer
: 1500 neuron
• Output layer
: 4 neuron
Gambar 8. Hubung singkat 25% total belitan
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
Halaman 4 dari 6 halaman
Tabel 4. Fitur arus hubung singkat 50% total belitan
50%
asli
D1
D2
D3
Fitur Sinyal
min
med
maks
-0.064
0
0
0
-0.094
0
0
0
Stdev
3.28
0.33
0.59
1.01
-3.38
-0.33
-0.59
-1.01
|Med
-dev|
2.33
0.19
0.36
0.7
|Meandev|
2.34
0.19
0.38
0.71
Tabel 5. Fitur arus hubung singkat 75% total belitan
75%
asli
D1
D2
D3
Gambar 9. Hubung singkat 50% total belitan
Gambar 10. Hubung singkat 75% total belitan
4.3 Feature Extraction
Dari hasil dekomposisi arus hingga level tiga
diperoleh fitur-fitur sinyal frekuensi tinggi seperti
ditunjukkan pada Tabel 2,3,4, dan 5.
Table 2. Fitur arus normal
Fitur Sinyal
min
normal
med
maks
asli
D1
D2
D3
-0.064
0
0
0
-0.094
0
0
0
3.28
0.33
0.59
1.01
Stdev
-3.38
-0.33
-0.59
-1.01
|Med
-dev|
2.33
0.19
0.36
0.7
|Meandev|
2.34
0.19
0.38
0.71
Tabel 3. Fitur arus hubung singkat 25% total belitan
25%
asli
D1
D2
D3
med
maks
-0.064
0
0
0
-0.094
0
0
0
Fitur Sinyal
min
Stdev
3.28
0.33
0.59
1.01
-3.38
-0.33
-0.59
-1.01
|Meddev|
2.33
0.19
0.36
0.7
|Meandev|
2.34
0.19
0.38
0.71
Fitur Sinyal
min
med
maks
-0.064
0
0
0
-0.094
0
0
0
Stdev
3.28
0.33
0.59
1.01
-3.38
-0.33
-0.59
-1.01
|Med
-dev|
2.33
0.19
0.36
0.7
|Meandev|
2.34
0.19
0.38
0.71
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 22 = 88 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 11.
Gambar 11. Grafik pola data pelatihan JST
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 6.
Tabel 6. Nilai keluaran tiap neuron
Keadaan
motor
Normal
HS 25%
HS 50%
HS 75%
Keluaran JST
Neuron1
Neuron1
Neuron1
Neuron1
0.9949
0.0051
0.0016
0.0001
0.0055
0.9944
0.0019
0.0026
0.0018
0.0016
0.9974
0.0024
0.0013
0.0014
0.0022
0.9978
Setelah dilakukan pembelajaran terhadap
keempat pola fitur sinyal arus 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 5 dari 6 halaman
Keluaran JST terhadap pengujian data validasi dapat
dilihat pada Tabel 7.
Table 7. Keluaran JST
No.
Neuron 1
1
0.994864
2
3
Neuron 2
Neuron 3
Neuron 4
0.005530
0.001799
0.001276
0.801183
0.129709
0.001027
0.001213
0.994864
0.005530
0.001799
0.001276
4
0.800331
0.135143
0.001143
0.001192
5
0.829850
0.173739
0.870069
0.000432
6
0.008017
0.996121
0.001657
0.001583
7
0.708084
0.080634
0.010127
0.003153
8
0.014520
0.963161
0.001242
0.001382
9
0.828595
0.315684
0.000496
0.000665
10
0.072369
0.718821
0.000064
0.002364
11
0.001649
0.001941
0.997442
0.002239
12
0.004139
0.001214
0.996642
0.001510
13
0.001649
0.001941
0.997442
0.002239
14
0.004193
0.000991
0.996542
0.001971
15
0.004193
0.000991
0.996542
0.001971
16
0.000079
0.002643
0.002441
0.997770
17
0.000079
0.002643
0.002441
0.997770
18
0.000079
0.002643
0.002441
0.997770
19
0.000120
0.016349
0.005540
0.996751
20
0.000322
0.006802
0.000973
0.995164
Berdasarkan Tabel 7 hasil identifikasi JST
dapat dikelompokkan berdasarkan kondisi belitan
statornya. Hasil identifikasi JST berdasarkan
kondisi belitan stator dapat dilihat pada Tabel 8.
Table 8. Hasil identifikasi JST
Keadaan
motor
Normal
HS 25%
HS 50%
HS 75%
Keluaran JST
normal
25%
50%
75%
80%
40%
0%
0%
0%
60%
0%
0%
0%
0%
100%
0%
0%
0%
0%
100%
V. KESIMPULAN
Berdasarkan analisis yang telah dilakukan dapat
diambil kesimpulan sebagai berikut:
1. Sinyal domain frekuensi hasil pengolaan discrete
wavelet transform
dapat merepresentasikan
bentuk gelombang yang dianalisis sehingga
dapat digunakan sebagai masukan JST
2. Data pelatihan teridentifikasi 100% dan data
validasi teridentifikasi rata-rata 85% dalam
menentukan keadaan belitan stator motor induksi
satu fasa.
3. Kombinasi transformasi wavelet yang digunakan
untuk menganalisis sinyal diskontinyu dan
metode JST dapat digunakan untuk menganalisis
dan mengidentifikasi jenis gangguan.
PENGEMBANGAN
Sistem ini hanya bisa digunakan untuk
mendeteksi hubung singkat pada belitan stator pada
motor induksi dalam keadaan tanpa beban, kedepan
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. 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] IAS motor reliability working group, “report of large motor
reliability survey of industrial and commercial installation
part1”, IEEE trans. On Ind. Appl., vol. 21 jul/aug. 1985, pp.
853-864.M. Young, The Technical Writer's Handbook. Mill
Valley, CA: University Science, 1989.
[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 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 FMIPAITS, Surabaya 2008.
[9] GW Instek, “GRS60x2 PC Remote Contrl Program”, User
Manual, 2002.
[10] 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
Dicky Nova Wardana dilahirkan di Sidoarjo, 10 November 1986.
Penulis adalah putra terakhir dari tiga
bersaudara pasangan Sadili dan Sriwati.
Penulis memulai jenjang pendidikannya di
SDN Candinegoro, SLTPN 1 Krian, serta
SMAN 1 Sidoarjo hingga lulus tahun
2005. Pada tahun yang sama, penulis
melanjutkan studi di Jurusan Teknik
Elektro FTI-ITS lewat jalur SPMB dan
mengambil bidang studi Teknik Sistem
Tenaga. Penulis dapat dihubungi pada
alamat e-mail: dinowardana@yahoo.com.
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
Halaman 6 dari 6 halaman
INDUKSI SATU FASA MENGGUNAKAN
JARING SARAF TIRUAN
Dicky Nova Wardana – 2205 100 157
Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember
Kampus ITS, Keputih-Sukolilo, Surabaya - 60111
Abstrak : Motor induksi adalah salah satu
peralatan utama dalam industri. Kerusakan pada
bagian motor akan mempengaruhi proses produksi.
Oleh karena itu, deteksi dini kerusakan motor induksi
sangat dibutuhkan untuk menghindari kerusakan
yang lebih parah. Tugas akhir ini menyajikan metode
identifikasi untuk mendeteksi hubung singkat pada
stator motor induksi satu fasa. Metode yang diajukan
digunakan untuk mengidentifikasi hubung singkat
dengan durasi yang sangat singkat, impedansi tinggi,
dan gangguan non-periodik pada belitan stator.
Gabungan transformasi wavelet dan jaring saraf
tiruan digunakan sebagai metode pengidentifikasi
kerusakan. Variabel identifikasi yang digunakan pada
metode tersebut diambil dari sinyal arus stator. Untuk
mencapai tujuan yang diinginkan, data percobaan
arus hubung singkat 25%, 50%, dan 75% dari total
belitan digunakan sebagai studi kasus. Hasil simulasi
menunjukkan bahwa data pelatihan teridentifikasi
100% sedangkan data validasi teridentifikasi rata-rata
85% dalam menentukan keadaan belitan stator motor
induksi satu fasa.
Kata kunci : deteksi dini, hubung singkat, jaring saraf
tiruan, belitan stator, motor induksi.
I. PENDAHULUAN
Motor induksi ukuran kecil maupun sedang
digunakan secara luas pada industri dan peralatan
rumah tangga. Motor-motor 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(38%), gangguan pada
rotor(10%), gangguan pada bearing(40%) dan
gangguan lain(12%) [2,3].
Deteksi dini hubung singkat pada belitan saat
motor beroperasi akan mencegah kerusakan
berikutnya pada belitan yang saling berdekatan, 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 I2 R. Peningkatan
panas membuat suhu belitan stator meningkat
sehingga berakibat pada penurunan perkiraan umur
isolasi belitan. Kegagalan isolasi pada belitan stator
akan mengakibatkan tambahan hubung singkat pada
belitan, tambahan kenaikan temperature, dan
semakin memperpendek umur isolasi belitan.
Selanjutnya, akan menyebabkan kerusakan pada
belitan yang berdekatan bahkan menyebabkan
motor gagal beroperasi [5].
Pada penelitian sebelumnya simulasi hubung
singkat dilakukan dengan cara mensolder belitan
stator sehingga menyebabkan kenaikan arus yang
dikonsumsi motor [6]. Pada penelitian ini simulasi
hubung singkat hubung singkat dilakukan dengan
cara mengkondisikan belitan stator terhubung
singkat sesaat yang menggambarkan awal terjadinya
kerusakan isolasi belitan stator. Gejala kerusakan
belitan tersebut tidak dapat diamati dengan
mengukur besarnya arus yang mengalir karena
besarnya arus tidak mengalami kenaikan yang
signifikan.
Data yang dibutuhkan untuk melatih JST
dihasilkan di laboratorium menggunakan motor
induksi satu fasa yang didesain khusus untuk
mempermudah simulasi hubung singkat yang terjadi
pada belitan stator.
II. 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
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 [7].
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
Halaman 1 dari 6 halaman
2.2 Backpropagation Neural Network
Algoritma pelatihan BPNN terdiri dari dua
proses
utama, yaitu
feed forward
dan
backpropagation dari error-nya [7]. 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. Hasil yang
diperoleh berupa sinyal aproksimasi cA dan sinyal
detail cD.
Wavelet merupakan
persamaan matematis
yang memisahkan sinyal kedalam frekuensi yang
berbeda, dan selanjutnya menganalisis masingmasing komponen dangan resolusi yang disesuaikan
dengan skala. Pada pemrosesan sinyal, wavelet
merupakan suatu bentuk energi yang memplot
sesaat setiap bagian sinyal yang hendak dianalisis.
Bentuk wavelet digambarkan sebagai sebuah
bentuk gelombang dengan durasi terbatas dan
memiliki nilai rata-rata sama dengan nol. Analisis
wavelet pada dasarnya merupakan pergeseran dan
penskalaan suatu bentuk energi terbatas yang
disebut wavelet induk (t) terhadap sinyal yang
diinginkan. Sehingga transformasi wavelet diskrit
dapat dituliskan sebagai berikut.
(2)
ψ jk (t ) = 2 j / 2ψ (2 j t − k )
motor induksi pada paper ini dapat dilihat pada
Gambar 2.
Gambar 2. Diagram alir deteksi hubung singkat
3.1 Perangkat Percobaan
Motor induksi satu fasa digunakan sebagai
obyek penelitian. Spesifikasi motor yang digunakan
adalah sebagai berikut: teganggan sumber 220 volt,
frekuensi 50 Hz, memiliki empat kutub, 1/4 HP, dan
kecepatan motor 1400 rpm.
Motor disadap masing-masing belitannya untuk
mensimulasikan hubung singkat yang terjadi pada
belitan stator motor. Hal ini dilakukan untuk
menggambarkan lokasi hubung singkat yang
mungkin terjadi pada motor. Foto motor yang telah
disadap dapat dilihat pada Gambar 3.
j adalah parameter perluasan (penskalaan) dan k
adalah parameter pergeseran [8].
III. 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 transformasi
wavelet diskrit hingga level tiga. 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
Gambar 3. Motor induksi satu fasa
Pada percobaan ini lokasi hubung singkat dibagi
menjadi tiga tingkatan yaitu 25%, 50%, dan 75%
dari total belitan stator. 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
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
Halaman 2 dari 6 halaman
lokasi hubung singkat dapat ditentukan berdasarkan
kedudukan selektor. Gambar selektor yang
digunakan dalam percobaan ini dapat dilihat pada
Gambar 4. Hambatan geser (rheostat) dipasang
untuk mensimulasikan impedansi hubung singkat.
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
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.
3.3 Pengambilan Data
Pada tahap ini diambil data bentuk gelombang
arus stator motor induksi normal maupun yang
mengalami gangguan. Pengambilan data bentuk
arus 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.
Pengambilan
data
ini
dilakukan
dengan
menggunakan time sample 50 ms/div dan 1 volt/div.
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 6. Tampilan remote control program [9]
Gambar 5. Diagram blok percobaan
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
Halaman 3 dari 6 halaman
3.4 Pengolahan Data
Dalam penelitian sebelumnya, penggunaan fitur
domain waktu saja hanya memberikan tingkat
akurasi identifikasi maksimal sebesar 57% [10].
Oleh karena itu dalam tugas akhir ini data-data
bentuk gelombang yang diperoleh dari proses
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. Fungsi aktivasi
• Hidden layer
• Output layer
4. Iterasi maksimal
5. Error minimal
6. Learning rate
: tansig(sigmoid bipolar)
: logsig(sigmoid biner)
: 200.000
: 10e-5
: 0,1
4.2 Data arus motor
Dari pengukuran terhadap motor induksi satu
fasa yang dilakukan di laboratorium diperoleh
bentuk gelombang arus stator seperti yang
ditunjukkan Gambar 7, 8, dan 9.
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.
Gambar 7. Normal
Tabel 1. Identifikasi keadaan motor
Keadaan motor
Keluaran JST
Normal
[1 0 0 0]
25%
[0 1 0 0]
50%
[0 0 1 0]
75%
[0 0 0 1]
IV. 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
: 22 neuron
• Hidden layer
: 1500 neuron
• Output layer
: 4 neuron
Gambar 8. Hubung singkat 25% total belitan
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
Halaman 4 dari 6 halaman
Tabel 4. Fitur arus hubung singkat 50% total belitan
50%
asli
D1
D2
D3
Fitur Sinyal
min
med
maks
-0.064
0
0
0
-0.094
0
0
0
Stdev
3.28
0.33
0.59
1.01
-3.38
-0.33
-0.59
-1.01
|Med
-dev|
2.33
0.19
0.36
0.7
|Meandev|
2.34
0.19
0.38
0.71
Tabel 5. Fitur arus hubung singkat 75% total belitan
75%
asli
D1
D2
D3
Gambar 9. Hubung singkat 50% total belitan
Gambar 10. Hubung singkat 75% total belitan
4.3 Feature Extraction
Dari hasil dekomposisi arus hingga level tiga
diperoleh fitur-fitur sinyal frekuensi tinggi seperti
ditunjukkan pada Tabel 2,3,4, dan 5.
Table 2. Fitur arus normal
Fitur Sinyal
min
normal
med
maks
asli
D1
D2
D3
-0.064
0
0
0
-0.094
0
0
0
3.28
0.33
0.59
1.01
Stdev
-3.38
-0.33
-0.59
-1.01
|Med
-dev|
2.33
0.19
0.36
0.7
|Meandev|
2.34
0.19
0.38
0.71
Tabel 3. Fitur arus hubung singkat 25% total belitan
25%
asli
D1
D2
D3
med
maks
-0.064
0
0
0
-0.094
0
0
0
Fitur Sinyal
min
Stdev
3.28
0.33
0.59
1.01
-3.38
-0.33
-0.59
-1.01
|Meddev|
2.33
0.19
0.36
0.7
|Meandev|
2.34
0.19
0.38
0.71
Fitur Sinyal
min
med
maks
-0.064
0
0
0
-0.094
0
0
0
Stdev
3.28
0.33
0.59
1.01
-3.38
-0.33
-0.59
-1.01
|Med
-dev|
2.33
0.19
0.36
0.7
|Meandev|
2.34
0.19
0.38
0.71
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 22 = 88 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 11.
Gambar 11. Grafik pola data pelatihan JST
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 6.
Tabel 6. Nilai keluaran tiap neuron
Keadaan
motor
Normal
HS 25%
HS 50%
HS 75%
Keluaran JST
Neuron1
Neuron1
Neuron1
Neuron1
0.9949
0.0051
0.0016
0.0001
0.0055
0.9944
0.0019
0.0026
0.0018
0.0016
0.9974
0.0024
0.0013
0.0014
0.0022
0.9978
Setelah dilakukan pembelajaran terhadap
keempat pola fitur sinyal arus 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 5 dari 6 halaman
Keluaran JST terhadap pengujian data validasi dapat
dilihat pada Tabel 7.
Table 7. Keluaran JST
No.
Neuron 1
1
0.994864
2
3
Neuron 2
Neuron 3
Neuron 4
0.005530
0.001799
0.001276
0.801183
0.129709
0.001027
0.001213
0.994864
0.005530
0.001799
0.001276
4
0.800331
0.135143
0.001143
0.001192
5
0.829850
0.173739
0.870069
0.000432
6
0.008017
0.996121
0.001657
0.001583
7
0.708084
0.080634
0.010127
0.003153
8
0.014520
0.963161
0.001242
0.001382
9
0.828595
0.315684
0.000496
0.000665
10
0.072369
0.718821
0.000064
0.002364
11
0.001649
0.001941
0.997442
0.002239
12
0.004139
0.001214
0.996642
0.001510
13
0.001649
0.001941
0.997442
0.002239
14
0.004193
0.000991
0.996542
0.001971
15
0.004193
0.000991
0.996542
0.001971
16
0.000079
0.002643
0.002441
0.997770
17
0.000079
0.002643
0.002441
0.997770
18
0.000079
0.002643
0.002441
0.997770
19
0.000120
0.016349
0.005540
0.996751
20
0.000322
0.006802
0.000973
0.995164
Berdasarkan Tabel 7 hasil identifikasi JST
dapat dikelompokkan berdasarkan kondisi belitan
statornya. Hasil identifikasi JST berdasarkan
kondisi belitan stator dapat dilihat pada Tabel 8.
Table 8. Hasil identifikasi JST
Keadaan
motor
Normal
HS 25%
HS 50%
HS 75%
Keluaran JST
normal
25%
50%
75%
80%
40%
0%
0%
0%
60%
0%
0%
0%
0%
100%
0%
0%
0%
0%
100%
V. KESIMPULAN
Berdasarkan analisis yang telah dilakukan dapat
diambil kesimpulan sebagai berikut:
1. Sinyal domain frekuensi hasil pengolaan discrete
wavelet transform
dapat merepresentasikan
bentuk gelombang yang dianalisis sehingga
dapat digunakan sebagai masukan JST
2. Data pelatihan teridentifikasi 100% dan data
validasi teridentifikasi rata-rata 85% dalam
menentukan keadaan belitan stator motor induksi
satu fasa.
3. Kombinasi transformasi wavelet yang digunakan
untuk menganalisis sinyal diskontinyu dan
metode JST dapat digunakan untuk menganalisis
dan mengidentifikasi jenis gangguan.
PENGEMBANGAN
Sistem ini hanya bisa digunakan untuk
mendeteksi hubung singkat pada belitan stator pada
motor induksi dalam keadaan tanpa beban, kedepan
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. 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] IAS motor reliability working group, “report of large motor
reliability survey of industrial and commercial installation
part1”, IEEE trans. On Ind. Appl., vol. 21 jul/aug. 1985, pp.
853-864.M. Young, The Technical Writer's Handbook. Mill
Valley, CA: University Science, 1989.
[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 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 FMIPAITS, Surabaya 2008.
[9] GW Instek, “GRS60x2 PC Remote Contrl Program”, User
Manual, 2002.
[10] 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
Dicky Nova Wardana dilahirkan di Sidoarjo, 10 November 1986.
Penulis adalah putra terakhir dari tiga
bersaudara pasangan Sadili dan Sriwati.
Penulis memulai jenjang pendidikannya di
SDN Candinegoro, SLTPN 1 Krian, serta
SMAN 1 Sidoarjo hingga lulus tahun
2005. Pada tahun yang sama, penulis
melanjutkan studi di Jurusan Teknik
Elektro FTI-ITS lewat jalur SPMB dan
mengambil bidang studi Teknik Sistem
Tenaga. Penulis dapat dihubungi pada
alamat e-mail: dinowardana@yahoo.com.
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
Halaman 6 dari 6 halaman