Pengaruh Tipe Belitan Terhadap Unjuk Kerja Motor Induksi ...
Simulasi dan Analisa Hubung Singkat Pada Belitan Stator ... · merupakan mesin listrik yang sering...
Transcript of Simulasi dan Analisa Hubung Singkat Pada Belitan Stator ... · merupakan mesin listrik yang sering...
1
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6
Yelanda Novita Sari, Ardyono Priyadi, Dimas Anton Asfani. Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS)
Jl. Arief Rahman Hakim, Surabaya 60111
E-mail: [email protected]. [email protected]. [email protected]
Abstrak — Motor Induksi merupakan mesin listrik
yang sering digunakan dalam industry, oleh karena
itu performa, stabilitas dan efisiensi dari motor
induksi sangat diperhatikan untuk mengantisipasi
gangguan yang bisa menyebabkan penurunan umur
dari motor induksi. Motor Current Signature Analysis
(MCSA) adalah salah satu metode yang paling sering
digunakan untuk mendeteksi performa motor secara
on-line. Akan tetapi penggunaan MCSA ini tidak
memberikan hasil yang bagus ketika torsi beban yang
tidak konstan. Maka diperlukan metode baru untuk
mendeteksi gangguan pada belitan stator. Tugas akhir
ini membahas deteksi gangguan hubung singkat
motor induksi tiga fasa menggunakan Transformasi
Wavelet untuk mendeteksi magnitudo pada range
frekuensi tertentu dan Power Spectral Density
digunakan sebagai pengenalan pola sinyal yang
menunjukkan kondisi tidak normal pada belitan
stator yang disimulasikan pada software matlab. Hasil
simulasi ini yaitu berupa nilai, nilai PSD yang
didapatkan sebanding dengan jumlah belitan stator
yang terhubung singkat antar belitannya, semakin
banyak jumlah belitan yang terhubung singkat maka
nilai PSD nya akan semakin besar.
Kata Kunci — Motor Induksi, Transformasi Wavelet,
Power Spectral Density, Motor Current Signature
Analysis (MCSA).
I. PENDAHULUAN
AMPIR 60% industri menggunakan motor induksi
sebagai alat bantu produksi, hal ini disebabkan
karena beberapa alasan yaitu, kecepatan putar yang
dihasilkan konstan, motor induksi tidak memiliki sikat
sehingga rugi gesek dapat dikurangi, dan perawatannya
yang mudah. Karena beberapa alasan tersebut motor
induksi digunakan secara luas.
Motor- motor tersebut ditempatkan pada lingkungan
dan kondisi yang bervariasi yang dapat menimbulkan
kerusakan dibagian-bagian motor. Mekanisme kerusakan
pada mesin induksi yang paling umum dapat
dikategorikan menurut komponen utama mesin seperti
gangguan pada stator, rotor, dan bearing. Hampir 40%
ganggunan pada motor induksi terjadi pada stator, hal
ini bisa disebabkan karena hubung singkat pada belitan
stator [1].
Hubung singkat pada belitan menyebabkan
penurunan jumlah belitan equivalent pada motor, hal ini
menyebabkan penurunan kecepatan dan peningkatan
panas pada inti karena penambahan rugi-rugi.
Peningkatan panas membuat suhu belitan stator
meningkat sehingga berakibat pada perkiraan umur isolasi
belitan.
Untuk mengurangi kerusakan yang lebih karena
hubung singkat dan untuk memperpanjang usia motor,
maka diperlukan deteksi dini keadaan stator motor saat
motor beroperasi[2]. Banyak usaha yang telah dilakukan
untuk meminimalisir gangguan yang ada pada stator
motor, contohnya adalah dengan memonitoring keadaan
dari belitan stator motor. Teknik monitoring yang sering
dipakai untuk mendeteksi belitan motor adalah Motor-
Current-Signature Analysis (MCSA) tetapi pada saat
kecepatan dan torsi beban tidak konstan MCSA tidak
memberikan hasil monitoring yang bagus[3], hal ini
disebabkan karena estimasi awal MCSA yang
menggunakan Fast Fourier Transform (FFT) tidak
memberikan resolusi yang baik pada perubahan domain
waktu ke domain frekuensi[4].
Dalam upaya untuk memecahkan masalah ini,
dikembangkan metode baru untuk diagnosis gangguan
pada stator, yaitu dengan metode dekomposisi wavelet.
Tugas akhir ini, membahas deteksi gangguan hubung
singkat motor induksi tiga fasa, menggunakan
Transformasi Wavelet untuk mendeteksi magnitudo pada
range frekuensi tertentu, dengan menggunakan wavelet
menu pada softwer matlab. Power Spectral Density (PSD)
digunakan sebagai pengenalan pola sinyal yang
menunjukkan kondisi tidak normal pada belitan stator.
Data yang akan diolah menggunakan Transformasi
Wavelet dan Power Spectral Density (PSD) didapat dari
hasil simulasi menggunakan softwer matlab simulink.
Dimana matlab simulink ini digunakan dalam pemodelan
motor induksi tiga fasa terhubung singkat pada belitan
stator.
II. METODE KLASIFIKASI GANGGUAN
Metode klasifikasi gangguan yang digunakan pada
tugas akhir ini adalah transformasi wavelet dan power
spectral density (PSD).
H
Simulasi dan Analisa Hubung Singkat Pada Belitan
Stator Motor Induksi Tiga Fasa Menggunakan Wavelet
Transform dan Power Spectral Density
2
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6
A. Transformasi Wavelet
Transformasi wavelet sama halnya seperti proses
filtering, dimana sinyal dalam domain waktu dilewatkan
ke dalam High Pass Filter dan Low Pass Filter, untuk
memisahkan komponen frekuensi tinggi dan frekuensi
rendah. Pada dasarnya, transformasi wavelet dapat
dibedakan menjadi dua tipe. Berdasarkan nilai parameter
translasi dan dilatasinya, yaitu Continue Wavelet
Transform (CWT) dan Discrete Wavelet Transform
(DWT.). Transformasi wavelet kontinu ditentukan oleh
nilai parameter dilatasi dan translasi yang bervariasi
secara kontinu. Parameter dilatasi dan translasi secara
kontinu ini menghasilkan data yang berlebihan
(redudansi). Oleh karena itu CWT ini sulit dalam hal
proses pemfilteran. Masalah redudansi ini dapat
diselesaikan dengan pemakaian transformasi Discrete
wavelet transform (DWT). DWT ini dalam
implementasinya lebih sederhana dibandingkan dengan
continue wavelet transform (CWT).
g[n]
h[n]
2
2
h[n] 2
g[n] 2 h[n] 2
g[n] 2
X[n]
Level 1 detail coefficients
Scale1J2
Level 2 detail coefficients
Scale2J2
Level 3 detail coefficients
Scale3J2
Gambar 1. Wavelet tree decomposition with three-detail
levels.
Pada gambar 1 awalnya sinyal dilewatkan di filter
high pass dan low pass, setengah dari masing-masing
hasilnya diambil untuk jadi sampel melalui operasi sub-
sampling. Proses ini disebut sebagai proses dekomposisi
satu tingkat. Keluaran dari filter low-pass digunakan
sebagai masukkan di proses dekomposisi tingkat
berikutnya. Proses ini diulang sampai tingkat proses
dekomposisi yang diinginkan. Gabungan dari keluaran-
keluaran filter high-pass dan satu keluaran filter low pass
yang terakhir, disebut koefisien wavelet, yang berisi
informasi sinyal hasil transformasi yang telah
terkompresi[1]. Dalam tugas akhir ini ada 2 fungsi
keluarga wavelet yaitu, daubechies dan meyer,
daubechies adalah salah satu nama dari keluarga wavelet
yang ditulis dengan dbN, dimana N adalah urutan dari db.
Dan meyer adalah nama keluarga wavelet yang paling
bagus dan detail dalam filter sinyal, karena filter
bandpassnya memiliki frekuensi cut-off yang tajam,
sehingga mampu mengklasifikasikan sinyal frequensi
tinggi[8].
B. Power Spectral Density (PSD)[1]
Power Spectral Density (PSD) adalah, hasil bagi
antara energi dengan frekuensi masing-masing level
sinyal High pass filter. Energi itu sendiri adalah
penjumlahan kuadrat nilai-nilai data pada setiap level
frekuensi sinyal High pass filter. Dapat dipersentasikan
dengan model matematika berikut:
Energi = 𝑓(𝐻𝑃𝐹)𝑛2𝑑1
𝑑0 PSD =
𝐸𝑛𝑒𝑟𝑔𝑖
𝑓(𝐻𝑃𝐹 )𝑛 …. (1)
Dimana
𝑑1= range akhir dari jumlah data
𝑑0= range awal dari jumlah data
𝑓(𝐻𝑃𝐹)𝑛 = Frekuensi high pass filter atau sinyal detail
𝑛 = level sinyal detail
III. PERMODELAN
Parameter motor yang digunakan untuk pemodelan
dapat dilihat pada tabel 1. Tabel 1.
Data motor yang digunakan untuk simulasi
Parameter Motor
Daya rating 750 Watt
Jumlah kutub 4
Tegangan line to line 200 Volt
Arus rating 2.7 Ampere
Frekuensi 60 Hz
Power factor 0.8
Inersia rotor (J) 0.1kg/m2
Induktansi rotor 6.94 mH
Resistansi rotor 1.99 ohm
Resistansi stator 3.35 ohm
Pemodelan motor induksi tiga fasa terhubung
singkat pada belitan stator didapatkan dari hasil
penurunan persamaan matematika. Dari persamaan
matematika akan didapatkan pemodelan motor induksi,
yang selanjutnya akan di diagnosis dengan menggunakan
metode wavelet transform dan PSD.
Vag
Vbg
Vcg
Na
Nb
Nc
Supply
Wavelet transform
dan PSD
Transformasi
tiga fasa ke dua
fasa
Pemodelan
Motor
Kondisi
motor
Perhitungan
induktansi
dan
resistansi
Gambar 2. Model simulasi motor induksi.
Persamaan tegangan input motor induksi tiga
fasa adalah:
𝑣𝑎𝑔
= 𝑣𝑚 𝑐𝑜𝑠 𝑒 (2)
𝑣𝑏𝑔
= 𝑣𝑚 𝑐𝑜𝑠 𝑒 −2𝜋
3 (3)
𝑣𝑐𝑔
= 𝑣𝑚 𝑐𝑜𝑠 𝑒 +2𝜋
3 (4)
Dimana
𝒗𝒎 adalah tegangan sumber, 𝒁𝒃 adalah impedansi dasar,
𝒃 sama dengan 𝒆 adalah perputaran medan sinkron
stator (rps), 𝒓 adalah perputaran sudut rotor, 𝐯𝒒𝒔𝒉 adalah
tegangan short circuit pada q reference frame, 𝒒 𝒔𝒉
adalah
fluk stator terhubung singkat pada q reference frame,
𝒒 𝒓
adalah fluk rotor pada q reference frame, 𝐫𝒒𝒅𝟎𝒔 adalah
metrik resistansi stator pada abc reference frame, 𝒗𝒔𝒈
3
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6
adalah tegangan stator ke netral, 𝒗𝒂𝒈
adalah tegangan fasa
a, 𝒗𝒂𝒔 adalah tegangan stator fasa a, 𝒗𝒒
𝒔 adalah tegangan
stator fasa q, 𝒊𝒂𝒃𝒄𝒔 adalah vektor kolom arus stator pada
abc, 𝐓𝒒𝒅𝟎(𝜽) adalah transformasi qdo.
Karena memiliki banyak keterbatasan, maka motor
induksi tiga fasa di transformasikan ke dalam bentuk dua
fasa. Pemodelan dua fasa yang digunakan adalah qd0
stationary reference frame. Model matematika
transformasi tiga fasa ke dua fasa adalah[5]:
𝑓𝑞𝑓𝑑𝑓0
= 𝐓𝑞𝑑0(𝜃)
𝑓𝑎𝑓𝑏𝑓𝑐
(5)
Dari persamaan 4 dapat ditulis:
𝑓𝑞𝑑0 = 𝐓𝑞𝑑0(𝜃) 𝑓𝑎𝑏𝑐 (6)
𝐓𝑞𝑑0 (𝜃) =2
3
cos 𝜃 cos 𝜃 −
2𝜋
3 cos 𝜃 +
2𝜋
3
sin 𝜃 sin 𝜃 −2𝜋
3 sin 𝜃 +
2𝜋
3
1
2
1
2
1
2
Dimana = 0 dan 𝜃 = 0 maka
𝐓𝑞𝑑0 (𝜃) =2
3
1 −
1
2−
1
2
0 − 3
2
3
21
2
1
2
1
2
(7)
Tegangan perfasa stator adalah
𝑣𝑞𝑠 =
2
3 𝑣𝑎
𝑠 −1
2 𝑣𝑏
𝑠 + 𝑣𝑐𝑠 =
2
3 𝑣𝑎
𝑔−
1
2 𝑣𝑏
𝑔+ 𝑣𝑐
𝑔 (8)
𝑣𝑑𝑠 =
1
3 −𝑣𝑏
𝑠 + 𝑣𝑐𝑠 =
1
3 −𝑣𝑏
𝑔+ 𝑣𝑐
𝑔 (9)
Karena adanya ketidakseimbangan arus pada fasa 0 maka
tegangan pada titik netral atau fasa 0 adalah:
𝑣0𝑠 =
1
3 𝑣𝑎
𝑔+ 𝑣𝑏
𝑔+ 𝑣𝑐
𝑔 − 𝑣𝑠
𝑔 (10)
Dimana
𝑣𝑠𝑔
=1
𝐶𝑠𝑔 (𝑖𝑎
𝑠 + 𝑖𝑏𝑠 + 𝑖𝑐
𝑠) 𝑑𝑡 (11)
1
𝐶𝑠𝑔 = 50 × 𝑍𝑏𝑏 (12)
Hubungan antara q-axis sator dan rotor serta d-
axis stator dan rotor bisa dilihat pada gambar 2.
rext
sh
qv-
-
--
-
+
+
+
+
+s
qv
r
qvr
dv
s
qv
Gambar 3. Rangkaian motor terhubung singkat pada
stator
Pada gambar 2 tidak terlihat adannya hubungan
antara fasa 0 stator dan fasa 0 rotor hal ini disebabkan
karena mesin induksi terhubung three-wire koneksi, maka
urutan nol diangap tidak ada[6]. Pada gambar diatas
karena adannya pengaruh tegangan short circuit (𝐯𝑞𝑠 ) di
fasa q-axis stator maka didapatkan model matematika
untuk tegangan distator fasa q dalam keadaan terhubung
singkat adalah:
𝐯𝑞𝑠 = 𝐯𝑞
𝑠 + 𝑝𝑞
𝑠+ r𝑞
𝒔 i𝒒𝒔 (13)
Dimana
𝐯𝑞𝑠 = 𝑝
𝑞 𝑠 − 𝐫𝑞
𝑠 𝐢𝑞𝑠 (14)
Maka
𝑞 𝑠 = 𝐯𝑞
𝑠 − 𝐫𝑞𝑠 𝐢𝑞
𝑠 𝑑𝑡 (15)
r𝑞𝑑0𝒔 =
𝑟11𝑠 𝑟12
𝑠 𝑟13𝑠
𝑟21𝑠 𝑟22
𝑠 𝑟23𝑠
𝑟31𝑠 𝑟32
𝑠 𝑟33𝑠 (16)
Jadi persamaan untuk fluks q-axis stator dan rotor adalah:
𝑞 𝑠 = 𝐯𝑞
𝑠 − 𝐯𝑞𝑠 − r11
𝒔 i𝒒𝒔 − r12
𝒔 i𝑑𝒔 𝑑𝑡 (17)
𝑞 𝑟 = 𝑟𝑑
𝑟 − r𝑟𝑟 𝐢𝑞
𝑟 𝑑𝑡 (18)
Persamaan fluks d-qxis stator dan rotor adalah:
𝑑 𝑠 = 𝐯𝑑
𝑠 − r21𝒔 i𝒒
𝒔 − r22𝒔 i𝑑
𝒔 𝑑𝑡 (19)
𝑑 𝑟 = − 𝑟𝑞
𝑟 + r𝑟𝑟 𝐢𝑑
𝑟 𝑑𝑡 (20)
Sedangkan untuk persamaan torsi adalah
𝐓𝑒𝑚 =3
2
𝑷
2 𝑑
𝑠 𝐢𝑞𝑠 − 𝑞
𝑠 𝐢𝑑𝑠 (21)
2𝑱𝑏
𝐏
𝑑 𝑟𝑏
𝑑𝑡= 𝐓𝑒𝑚 + 𝐓𝑚𝑒𝑐 + 𝐓𝑑𝑎𝑚𝑝 (22)
Jadi 𝑟
𝑏= 𝐓𝑒𝑚 + 𝐓𝑚𝑒𝑐 + 𝐓𝑑𝑎𝑚𝑝 .
1
2𝐇 dt (23)
Dimana 𝑏 = 𝑒 = 2𝜋𝑓𝑒 , 𝐓𝑒𝑚 = Torsi elektromagnetik,
P adalah jumlah pole, H adalah Inersia rotor konstan
(detik), 𝐓𝑑𝑎𝑚𝑝 adalah Torsi damping, 𝐓𝑚𝑒𝑐 adalah Torsi
mekanik. Untuk mendapatkan arus tiga fasa maka output
dari arus 𝐢𝑞𝑠 , 𝐢𝑑 ,
𝑠 dan 𝐢0𝑠 ditransformasikan ke bentuk tiga
fasa abc sebagai berikut.
𝑓𝑎𝑏𝑐 = 𝐓𝑞𝑑0(𝜃) −1
𝑓𝑞𝑑0
Maka untuk merubah arus dua fasa ke tiga fasa adalah
𝐢𝑎𝑏𝑐 = 𝐓𝑞𝑑0(𝜃) −1
𝒊𝑞𝑑0 (24)
𝐓𝑞𝑑0 (𝜃) −1
=
cos θ sinθ 1
cos θ −2π
3 sin θ −
2π
3 1
cos θ +2π
3 sin θ +
2π
3 1
Dimana = 0 dan 𝜃 = 0 maka arus untuk fasa abc
adalah
𝐢𝑎𝑠
𝐢𝑏𝑠
𝐢𝑐𝑠 =
1 0 1
−1
2−
3
21
−1
2
3
21
𝐢𝑞𝑠
𝐢𝑑𝑠
𝐢0𝑠
(25)
𝐢𝑎𝑠 = 𝐢𝑞
𝑠 + 𝐢0𝑠 (26)
𝐢𝑏𝑠 = −
1
2𝐢𝑞𝑠 −
3
2𝐢𝑑𝑠 + 𝐢0
𝑠 = − 𝐢𝑞𝑠 + 3 𝐢𝑑
𝑠
2 + 𝐢0
𝑠 (27)
𝐢𝑐𝑠 = −
1
2𝐢𝑞𝑠 +
3
2𝐢𝑑𝑠 + 𝐢0
𝑠 = − 𝐢𝑞𝑠 − 3 𝐢𝑑
𝑠
2 + 𝐢0
𝑠 (28)
4
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6
1
0
(a)
Pemodelan motor induksi tiga fasa bisa dilihat pada gambar 4.
Pers. (3.1)
Pers. (3.2)
Pers. (3.3)
Roto
r
o
+ + +
abc2
qd0
Q-
axis
D-
axis
0-
axis
qd02
abc
Plot
characteristic
1
Sc Switch
0
Gambar 4. Model Simulasi state-space motor induksi tiga fasa.
IV. DETEKSI HUBUNG SINGKAT MENGGUNAKAN
TRANSFORMASI WAVELET DAN PSD
Gambar 5 merupakan hasil simulasi torsi
elektromagnetik dan kecepaatan. Torsi beban dimana
motor dalam keadaan normal dan tanpa beban adalah 0
sedangkan kecepatan adalah 1.
Gambar 5. Hasil simulasi torsi dan kecepatan, motor
dalam keadan normal.
Gambar 6. Hasil simulasi torsi dan kecepatan dengan
shorted turns 50 dan 70% pembebanan.
Berbeda dengan motor dalam keadaan normal,
motor dalam keadaan shorted turns 50 dan 70%
pembebanan, hasil simulasi torsi dan kecepatannya
mengalami osilasi.
A. Transformasi Wavelet
Range frekuensi bands pada simulasi ini terlihat
pada tabel 2.
Tabel 2.
Range frekuensi bands
Decomposition Detail Frekuensi Band (Hz)
Detail level 1 3000 – 1500
Detail level 2 1500 – 750
Detail level 3 750 – 375
Detail level 4 375 – 187.5
Detail level 5 187.5 – 92.75
Detail level 6 92.75 – 46.37
Detail level 7 46.37 – 23.18
Range frekuensi band sinyal detail level 1
didapatkan dari fs/2, sedangkan range frekuensi band
sinyal detail level 2 didapat dari fs/4 dan seterusnya
sampai detail level 7. Pada tugas akhir ini, klasifikasi
gangguan pada motor dilihat pada saat motor beroperasi
steady state.
5
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6
(b)
(c)
(d)
Gambar 7. Sinyal dekomposisi wavelet arus fasa a motor
dalam keadaan shorted turns 50 dan 70% pembebanan.
(a) wavelet meyer, (b) wavelet dB10, (c)wavelet dB8, (d)
wavelet dB6
Dari gambar 7 diatas, khususnya pada sinyal
sampling, nilai arus yang terbaca mencapai 5A (peak to
peak) atau 3.5A (rms). frekuensi sampling 6000 Hz dan
jumlah data N = 65000. Pada gambar 7 (a) yaitu
transformasi wavelet meyer, khususnya sinyal detail 6
kerapatan energi dan bentuk sinyalnya sama dengan
kerapatan energi dan bentuk sinyal samplingnya. Hal ini
karena dalam pengambilan nilai absolute, wavelet meyer
lebih detail dari pada wavelet lain. Oleh karena itu
wavelet meyer yang paling bagus digunakan sebagai
langkah awal untuk mendapatkan nilai PSD. Nilai PSD
ini nantinya digunakan sebagai acuan untuk mendeteksi
shorterd turns.
B. Power Spectral Density (PSD)
Karena efek perubahan dari jumlah shorted turns
dengan menggunakan metode transformasi wavelet
sulit dianalisa, maka hasil dari sinyal output yang
disimpan dalam workspace Matlab selain berupa sinyal,
juga berupa hasil penjumlahan kuadrat nilai-nilai data
pada setiap level frekuensi High pass filter yang disebut
juga dengan energi. Energi ini akan dibagi dengan
frekuensi masing-masing level sinyal High pass filter,
hasil bagi ini yang disebut dengan power spectral density
(PSD). Pada tabel 3 akan ditunjukan hasil PSD dari detail
1 sampai 7.
Tabel 3.
Power Spectral Density (PSD) menggunakan wavelet meyer.
Normal Pembebanan D1 D2 D3 D4 D5 D6 D7
PSD PSD PSD PSD PSD PSD PSD
0 0 1.9E-5 1.6E-5 0.00021 0.0077 0.78 192.6 0.32
0 70% 2E-5 1.8E-5 0.00018 0.0065 0.6 212.5 0.27
0 75% 2.1E-5 2E-5 0.00018 0.0065 0.6 222.6 0.28
0 100% 2.2E-5 2E-5 0.0002 0.006 0.6 222.8 0.31
Shorted Pembebanan
D1 D2 D3 D4 D5 D6 D7
PSD PSD PSD PSD PSD PSD PSD
5 0 2.3E-5 2.2E-5 0.00024 0.0087 0.9 231.6 0.35
5 100% 3.1E-5 2.8E-5 0.00019 0.0065 0.6 343.2 0.34
Shorted Pembebanan
D1 D2 D3 D4 D5 D6 D7
PSD PSD PSD PSD PSD PSD PSD
10 0 2.5E-5 2.4E-5 0.000263 0.0089 0.9 242.0 0.37
10 100% 3.7E-5 3.1E-5 0.0002 0.0072 0.7 388.6 0.33
Shorted Pembebanan
D1 D2 D3 D4 D5 D6 D7
PSD PSD PSD PSD PSD PSD PSD
20 0 3.2E-5 2.9E-5 0.000297 0.0108 1.1 317.0 0.44
20 100% 4.9E-5 4E-5 0.000268 0.0101 0.9 496 0.5
Shorted Pembebanan
D1 D2 D3 D4 D5 D6 D7
PSD PSD PSD PSD PSD PSD PSD
40 0 5.7E-5 5.1E-5 0.000468 0.0166 1.71 572.0 0.69
40 100% 7.7E-5 6E-5 0.000365 0.0134 1.3 807.2 0.8
Shorted Pembebanan D1 D2 D3 D4 D5 D6 D7
PSD PSD PSD PSD PSD PSD PSD
50 0 7.7E-5 6.5E-5 0.000545 0.0211 2.1 768.2 0.88
50 100% 0.0001 8.4E-5 0.000505 0.017 1.7 1029 1
Tabel 4.
Power Spectral Density (PSD) menggunakan wavelet db6
Normal Pembebanan D1 D2 D3 D4 D5 D6 D7
PSD PSD PSD PSD PSD PSD PSD
0 0 2.4E-5 1.4E-5 8.82E-05 0.003 4.5 191.2 7.5
0 70% 2.2E-5 1.5E-5 6.25E-05 0.003 4.8 207.6 8.3
0 75% 2.5E-5 1.7E-5 6.27E-05 0.003 5 233.5 9.5
0 100% 3.1E-5 2.1E-5 5.66E-5 0,0037 6.8 291.4 12.8
Shorted Pembebanan
D1 D2 D3 D4 D5 D6 D7
PSD PSD PSD PSD PSD PSD PSD
5 0 2.3E-5 1.6E-5 0.000124 0.004 5 212.4 8.3
5 100% 3.5E-5 2.3E-5 0.000064 0.0042 7.7 329.9 14
Shorted Pembebanan
D1 D2 D3 D4 D5 D6 D7
PSD PSD PSD PSD PSD PSD PSD
10 0 2.5E-5 1.7E-5 0.000126 0.004 5 239 9.4
10 100% 4E-5 2.5E-5 7.5E-5 0.0047 8.7 371.8 16
Shorted Pembebanan
D1 D2 D3 D4 D5 D6 D7
PSD PSD PSD PSD PSD PSD PSD
20 0 3.3E-5 2.2E-5 8.77E-05 0.004 7 312 12.5
20 100% 5E-05 3E-05 9.59E-05 0.006 11 475 20
Shorted Pembebanan
D1 D2 D3 D4 D5 D6 D7
PSD PSD PSD PSD PSD PSD PSD
40 0 5.9E-5 3.9E-5 0.000159 0.007 13 557 22.6
40 100% 8 E-5 5.4E-5 0.000134 0.009 18 773 33
Shorted
Pembebanan
D1 D2 D3 D4 D5 D6 D7
PSD PSD PSD PSD PSD PSD PSD
50 0 1E-4 7E-05 0.000172 0.012 23.1 981 42
50 100% 8E-5 5.2E-5 0.000189 0.010 17.6 746 30.8
6
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-6
Pada tabel nilai PSD dengan wavelet meyer, dB10,
dB8 dan dB6 nilai PSD akan naik seiring penambahan
jumlah shorted turns dan kenaikan beban. Tetapi ada
beberapa nilai PSD yang mengalami penurunan. Sama
halnya dengan sinyal dekomposisi wavelet, pada PSD
wavelet meyer yang paling bagus digunakan sebagai
acuan untuk mendeteksi motor. Apabila menggunakan
wavelet dB6, dB8 dan dB10 ada beberapa kekurangan,
seperti pada dB6 nilai detail 1, 2, 4, 5, 6, dan 7 pada
motor dalam keadaan shorted turns 5 beban 0 dan shorted
turns 5 dengan 70% pembebanan mengalami kenaikan.
Sedangkan pada PSD detail 3 mengalami penurunan. Hal
ini juga terjadi pada motor dengan shortd turns 10 sampai
40. Tetapi keadaan ini berbanding terbalik dengan motor
dalam keadaan shorted turns 50, pada nilai detail 1, 2, 4,
5, 6, dan 7 mengalami penurunan dan nilai detail 3
mengalami kenaikan. Jadi tidak ada satupun sinyal detail
yang bisa dijadikan acuan untuk mendeteksi pengaruh
perubahan beban dan shorted turns terhadap motor.
Untuk wavelet meyer baik motor dalam keadaan
normal berbeban maupun motor mengalami shorted turns
berbeban pada nilai PSD detail 1, 2, dan 6 mengalami
kenaikan dan sinyal detail yang lain mengalami
penurunan. Jadi yang bisa digunakan sebagai acuan untuk
memonitoring dampak perubahan beban dan shorted turns
terhadap motor adalah wavelet meyer pada detail 1,2 dan
6. Gambar 8 adalah perbandingan nilai PSD dengan
jumlah shorted turns pada wavelet meyer detail 2.
Dimana motor dalam keadaan normal berbeban nilainya
dibawah nilai threshold, sedangkan motor dalam keadaan
shorted turns nilai PSD nya lebih tinggi dari nilai
threshold.
Gambar 8. Grafik nilai PSD pada wavelet meyer detail 2.
Selain pengaruh hubung singkat tabel PSD juga bisa
digunakan untuk melihat frekuensi harmonik. Harmonisa
pertama 60Hz terjadi pada range sinyal detail enam
dimana range frekuensi bansnya 47Hz – 92Hz, oleh sebab
itu sinyal detail enam memiliki energy yang besar dari
yang lainnya, sehingga nilai PSD nya juga lebih tinggi.
Sedangkan harmonisa ketiga terjadi pada level sinyal
detail 5 dan harmonisa ke lima terjadi pada sinyal detail 4.
IV. KESIMPULAN
Dari hasil simulasi dapat diambil kesimpulan,
Semakin banyak jumlah belitan yang terhubung singkat,
maka arus, energy dan nilai Power Spectral density yang
terbaca semakin besar. Hal ini disebabkan karena
penurunan jumlah ekivalen belitan pada stator. Untuk
memonitoring pengaruh perubahan beban dan shorted
turns pada motor, wavelet meyer lebih baik dari pada
wavelet lain. Karena pembacaan nilai absolute pada sinyal
high pass filternya, wavelet meyer lebih detail dari pada
wavelet daubechies. Nilai PSD pada motor dalam
keadaan berbeban, lebih tinggi dari motor dalam
keadaan tanpa beban. Karena motor memerlukan daya
yang besar untuk memikul beban mekanik. Selain unuk
mendeteksi pegaruh beban dan jumlah shorted turns
terhadap motor. Sinyal wavelet dan nilai PSD juga bisa
melihat adanya frekuensi harmonik. Terbukti nilai pada
sinyal detail level enam, lebih tinggi dari pada sinyal
level lainnya. Hal ini disebabkan karena pada range
frekuensi band sinyal detail enam yaitu 92.75 – 46.37 Hz
terdapat frekuensi fundamental 60 Hz.
DAFTAR PUSTAKA
[1] Cusido Jordi and Romeral Luis, “Fault Detection
in Induction Machines Using Power Spectral
Density in Wavelet Decomposition”, IEEE Trans.
On Industrial Electronics, vol. 55, no. 2, February
2008.
[2] Stephen J. Chapman, “Electric Machinery
Fundamentals. Fourth Edition”. Mc Graw Hill.
BAE SYSTEMS Australia. 2005.
[3] Ong-Chee mun. “Dynamic Simulation of Electric
Machenery”. Prentice Hall International. New
jersey. 1998.
[4] Arkan.M, Kostic-Perovic.D, Unsworth P.J,
“Modelling and simulation of induction motors
with inter-turn faults for diagnostics” ,
ELSEVIER. On Electric Power Systems Research
75 (2005) 57–66, May 2005.
[5] Heru Isnanto P. “Analisis Motor Induksi 3 Fasa
Dengan Metode Kerangka Referensi” , Makalah
Seminar Tugas Akhir Jurusan Teknik Elektro
Fakultas Teknik Universitas Diponegoro.
[6] Nova Dicky W. “Deteksi Hubung Singkat Pada
Belitan Stator Motor Induksi Satu Fasa
Menggunakan Jaring Saraf Tiruan”. Jurusan
Teknik Elektro-FTI, Institut Teknologi Sepuluh
Nopember.
[7] Misiti.Michel,Misiti.Yves, Oppenheim.Georges,
Poggi Michel-Jean, “Wavelet Toolbox. For Use
with MATLAB”. Part I. The MathWorks, Inc.
[8] F. H. Magnago and A. Abur, “Fault location using
wavelets,” IEEE Trans. Power Del., vol. 13, no. 4,
pp. 1475–1480, Oktober. 1998.
0 2 4 6 8 10 12 14 16
10-4.8
10-4.6
10-4.4
10-4.2
Case number
Va
ria
ble
de
tectio
n
Normal Operation
Short Circuit Fault at No Load
Short Circuit Fault at 75% Load
5 turn S.C10 turn S.C
20 turn S.C
30 turn S.C
40 turn S.C50 turn S.C
Threshold