Rancang Bangun Alat Pendeteksi Penyebab Kerusakan Motor Sebagai Penggerak Mobil Listrik Menggunakan Current Analysis Dengan Artificial Neural Network

Sindu Muhammad Imam Taufik(1*), Era Purwanto(2), Ony Asrarul Qudsi(3)

(1) Politeknik Elektronika Negeri Surabaya
(2) Politeknik Elektronika Negeri Surabaya
(3) Politeknik Elektronika Negeri Surabaya
(*) Corresponding Author

Abstract


Seiring dengan kemajuan zaman, transportasi selalu mengalami perkembangan salah satunya yaitu mobil listrik. Motor induksi merupakan salah satu jenis penggerak yang paling umum untuk digunakan baik dalam kebutuhan industri, rumahan, sarana transportasi, dan lainnya. Motor jenis ini banyak digunakan karena memliki konstruksi yang kokoh, harga murah, pengoperasian mudah dan kecepatan motor relatif konstan. Saat ini, telah banyak alat-alat proteksi untuk motor induksi. Tetapi alat-alat tersebut hanya melindungi bagian instalasi saja. Maka dari itu, diciptakan deteksi dini kerusakan motor. Konsep kerja alat ini yaitu dengan mendeteksi arus yang dihasilkan oleh motor induksi 3 fasa 1,2 KW. Arus tersebut memiliki karakteristik gelombang arus yang nantinya diolah pada mikrokontroler yang dilakukan proses fast fourier transform (FFT) terlebih dahulu agar bisa dilihat spektrumnya, lalu di dihitung (∆dB) selisih frekuensi puncak dengan lower side band (gelombang sebelum puncak tertinggi). dB tersebut yang digunakan untuk karakteristik setiap kondisi dari motornya. Selanjutnya membandingkan hasil arus dengan data yang telah diinputkan pada data base mikrokontroler menggunakan metode artificial neural network (ANN). Kemudian menghasilkan analisa kondisi motor induksi. Pada pengujian ANN, perbandingan target dan output memiliki error sangat kecil yaitu rata-rata error 0,000667826.

Keywords


Mikrokontroler, Motor induksi, FFT, ANN

Article metrics

Abstract views : 70 | views : 1

Full Text:

PDF

References


D. O. Anggriawan, A. L. Satriawan, I. Sudiharto, E. Wahjono, E. Prasetyono, and A. Tjahjono, “Levenberg Marquardt Backpropagation Neural Network for Harmonic Detection,” in 2018 International Electronics Symposium on Engineering Technology and Applications, IES-ET, Bali: IEEE, 2019, pp. 129–132.

E. Navasari, D. A. Asfani, and M. Y. Negara, “Detection of Induction Motor Bearing Damage With Starting Current Analysis Using Wavelet Discrete Transform and Artificial Neural Network,” in 2018 10th International Conference on Information Technology and Electrical Engineering (ICITEE), Bali: IEEE, 2018, pp. 316–319.

S. Karmakar, S. Chattopadhyay, M. Mitra, and S. Sengupta, Induction Motor Fault Diagnosis. Singapore: Springer Nature, 2016. doi: 0.

A. Syaifuddin, “Fast Fourier Transform (FFT) Untuk Analisis Sinyal Suara Doppler Ultrasonik,” Youngster Phys. J., vol. 3, no. 3, pp. 181–188, 2014.

J. Nievergelt, “R69-13 Perceptrons: An Introduction to Computational Geometry,” IEEE Trans. Comput., vol. C–18, no. 7, pp. 572–572, 1969.

N. R. Firdhana, T. Sukmadi, and Karnoto, “Analisis Kerusakan Batang Rotor Pada Motor Induksi Tiga Fasa Menggunakan Metode Motor Current Signature Analysis,” Jurna Transm., vol. 19, no. 4, pp. 168–176, 2017.

M. Seera, C. P. Lim, D. Ishak, and H. Singh, “Fault detection and diagnosis of induction motors using motor current signature analysis and a hybrid FMM-CART Model,” IEEE Trans. Neural Networks Learn. Syst., vol. 23, no. 1, pp. 97–108, 2012.

X. Song, Z. Wang, and J. Hu, “Detection of Bearing Outer Race Fault in Induction Motors using Motor Current Signature Analysis,” in 2019 22nd International Conference on Electrical Machines and Systems, Harbin: IEEE, 2019, pp. 1–5.




DOI: https://doi.org/10.35314/ise.v4i1.2370

Refbacks

  • There are currently no refbacks.


Copyright (c) 2022 INOVTEK - Seri Elektro

View My Stats