Prosiding SENTIA 2015 – Politeknik Negeri Malang Volume 7 – ISSN: 2085-2347

Deteksi dan Diagnosis Kegagalan Bearing Motor Induksi :

(Pendekatan Park Transform) Berbasis Fuzzy Logic Tipe-2

Mei Adetya Praja 1), Soedibyo 2), Dimas Anton Asfani3)

Teknik Elektro, Institut Teknologi Sepuluh Nopember
Jln. Asempayung 1 Kota Surabaya, 60111
Telp: 0853 6729 7589
Email: pmeiadetya@gmail.com

Abstrak

Motor listrik merupakan sebuah perangkat konversi elektromekanis yang mengubah energi listrik menjadi
energi mekanik. Motor listrik merupakan beban listrik sekitar 70% dari total beban listrik di industri. Motor
listrik yang paling banyak digunakan adalah jenis motor induksi. Paper ini berkaitan dengan masalah deteksi dan
diagnosis kegagalan bearing pada motor induksi. Kegagalan bearing yang sering terjadi sekarang penyebab
utamanya adalah arus dari rotor pada motor induksi. Deteksi kegagalan dan teknik diagnosis yang digunakan,
yaitu melalui pendekatan Park Transform , lalu hasil arus pada bearing dianalisis dengan menggunakan metode
Artificial Intelegent (AI) yaitu Fuzzy Logic Tipe-2. Nilai perhitungan Clarke Transform menggunakan Fuzzy
Tipe-2 yaitu = 3.5 , = 0.5 , = 2.3 , = 0.3, = 0.36 . Nilai perhitungan Park Transform
menggunakan Fuzzy Tipe-2 yaitu =3, =3, =2, = 0.3 , =0, = 0.9.

Kata Kunci: Diagnostic Electric Machine, Induction motor, Fuzzy Logic Tipe-2, Park Transform.

1. Pendahuluan telah berhasil diterapkan untuk deteksi dan diagnosis

kegagalan stator [21].
Faktor utama di balik kerusakan pada bearing
adalah debu dan korosi. Motor induksi sering 2. Dasar Teori
dioperasikan dalam kondisi yang sulit. Itulah
sebabnya benda asing seperti air, asam dan Diagnosis dan deteksi arus kegagalan bearing
kelembaban menjadi alasan utama kerusakan pada pada motor induksi yang digunakan, yaitu melalui
bearing. Ada banyak metode pemantauan kondisi pendekatan Park Transform, dengan menggunakan
digunakan untuk deteksi dan diagnosis kerusakan metode Artificial Intelegent (AI) yaitu Fuzzy Logic
pada bearing misalnya: pengukuran getaran, Tipe-2.
pengukuran suhu, metode shock pulse (SPM), dan
emisi akustik (AE). Di antaranya, pengukuran 2.1 Logika Fuzzy Tipe 2
getaran yang paling banyak digunakan [1]. Tinjauan
getaran dan metode akustik yang berbeda, seperti
pengukuran getaran dalam waktu dan domain  Hubungan Input dan Output
frekuensi, pengukuran suara, SPM, dan teknik AE
untuk pemantauan kondisi kerusakan bearing
diberikan dalam [2]-[4]. Memang, frekuensi
karakteristik kerusakan bearing sering digunakan
untuk memonitor komponen frekuensi tertentu [5]-
[15]. Contoh teknik yang telah diterapkan untuk
deteksi frekuensi kesalahan karakteristik termasuk
analisis frekuensi domain [6]-[9], metode statistik Gambar 2.1 Triangle-Lower MF Simetrikal tentang
[10], spektral model [11], wavelet [12]-[14] , x = 0, Upper MF non simetrikal Triangle
jaringan saraf tiruan [12]-[15] dan logika fuzzy [16].
Beberapa teknik yang diterapkan harus didasarkan
= (1)
pada pengolahan pola arus stator. Teknik ini
didasarkan pada Park Transform atau Concordia = (2)
Transform. Penerapan pendekatan Park telah = (3)
dibuktikan untuk menentukan kegagalan stator
= (4)
motor induksi [17]-[20]. Pendekatan Concordia juga
= (5)
B-7
 Prosiding SENTIA 2015 – Politeknik Negeri Malang Volume 7 – ISSN: 2085-2347

= (6)
= (7)
= (8)

= (9)
= (10)
= (11)
= (12)
Dimana,
FOU adalah footprints of uncertainty
UMF adalah upper membership function
LMF adalah lower membership function
RH adalah bagian sisi kanan
LH adalah bagian sisi kiri
C adalah FOU pada sisi tengah
Cl adalah Batas dalam minimum
Cr adalah Batas luar maksimum

3. Simulasi Clarke-Park Transform

Penelitian ini mengkaji tentang evaluasi arus
motor induksi 3 fasa berdasarkan referensi IEEE 112
standard. Observasi dan pengambilan data dilakukan
dengan mensimulasikan serta menganalisa motor
induksi 3 fasa untuk mendapatkan arus (Isa, Isb dan
Isc) dan penulis juga mengevaluasi menggunakan
fuzzy tipe-2 di lab konversi energi-FTI JTE-ITS .
Gambar 2.2 Simulasi Clarke-Park Transform motor
Tabel 3.1 Data untuk De Lorenzo induction Motor induksi 3 fasa
Tipe DL 30115
De Lorenzo Motor, model DL 30115 ; IP55

Voltage 220 V / 380 V

Power 370 W
Rpm 3350
Power factor 0.85
Frequency 60 Hz

Tabel 3.2 Parameters dari de Lorenzo induction

motor Tipe DL 30115
Parameters Values Gambar 2.3 Hasil Simulasi Clarke-Park Transform
Stator Resistance R1 15.75 Ohm motor induksi 3 fasa
Stator Reactance X1 15.19 Ohm
Stator Inductance L1 40.31 mH Sehingga diperoleh nilai Average Value yaitu:
Magnetizing Xm 502.04 Ohm Isa = -2.49 ampere
Reactance Isb = 1.04 ampere
Magnetizing Lm 1.331 H Isc = -7.97 ampere
Inductance
Rotor resistance R2 15.75 Ohm
Rotor Reactance X2 22.79 Ohm
Rotor Inductance L2 60.46 mH

B-8
 Prosiding SENTIA 2015 – Politeknik Negeri Malang Volume 7 – ISSN: 2085-2347

4.7 Clarke Transform menggunakan Fuzzy Tipe-2 ,

Perhitungannya yaitu:
= = 3.5 = = 2.3
= =3 = =2
= =0 = =0
= = 0.5 = = 0.3

= = 1
= = 2
= = 0.3
= = 0.36

4.8 Park Transform menggunakan Fuzzy Tipe-2,

Gambar 2.4 Input dan output (Clarke-Transform) Perhitungannya yaitu:
Fuzzy tipe 2 parameter motor induksi
= = 3 = =2
Dari gambar diatas diperoleh hubungan antara input = =3 = =2
dan output untuk fuzzy tipe 2, dimana pada gambar
input warna biru tampak lebih jelas dan berada = =0 = =0
didepan warna hijau yang menunjukkan nilai input. = =3 = = 0.3
Sedangkan pada gambar output, warna hijau lebih
jelas dan berada didepan warna hijau biru
= = 1
menunjukkan kondisi motor induksi.
= = 2
= = 0
= = 0.9

4. Kesimpulan dan Saran

A. Kesimpulan
Setelah penulis melakukan analisa dan
simulasi menggunakan metode interval fuzzy tipe 2
maka kelebihan dari metode interval fuzzy tipe 2
lebih unggul dari metode tipe 1 karena metode
fuzzy tipe 2 dapat menampilkan sebuah grafik
dengan hasil yang lebih jelas untuk di analisa seperti
input dan outputnya tergabung dalam satu grafik
pada pendekatan dalam memecahkan suatu masalah
pemetaan non linier yang tidak memprioritaskan
kepresisian.
Nilai perhitungan Clarke Transform
Gambar 2.5 Input dan output Park transform Fuzzy
menggunakan Fuzzy Tipe-2 yaitu = 3.5 ,
tipe 2 parameter motor induksi
= 0.5 , = 2.3 , = 0.3, = 0.36 . Nilai
Dari gambar diatas diperoleh hubungan antara perhitungan Park Transform menggunakan Fuzzy
input dan output untuk fuzzy tipe 2, dimana pada Tipe-2 yaitu =3, =3, =2,
gambar input warna hijau tampak lebih jelas dan = 0.3 , =0, = 0.9 . Dari sini kita bisa
berada didepan warna kuning yang menunjukkan membedakan perbedaan antara kedua metoda tsb
nilai input. Sedangkan pada gambar output ,warna yaitu Clarke dan Park Transform sehingga dapat
kuning lebih jelas dan berada didepan warna hijau dipastikan kpresisisian Fuzzy tipe-2 melebihi fuzzy
yang menunjukkan kondisi motor induksi. tipe 1.

B-9
Prosiding SENTIA 2015 – Politeknik Negeri Malang
B. Saran
Sebagai karya Thesis yang penulis lakukan
berdasarkan penelitian, ini masih meninggalkan
sebuah harapan penelitian yang berlanjut pada
peningkatan hasil dari akurasi data namun demikian
penulis berharap dapat menampilkan sebuah konsep
dari metode interval fuzzy 2 untuk dapat dilanjutkan
di masa yang akan datang.
5. Daftar Pustaka
N. Tandon and A. Choudhury (1999) : ”A review of
the vibration and acoustic measurement
methods for detection of defects in rolling
element bearings,”Tribol. Int., vol. 32, no. 8, pp.
469–480.
N. Tandon, G. S. Yadava, and K. M. Ramakrishna
(2007) : “A comparison of some condition
monitoring techniques for the detection of
defects in inductionmotor ball bearings,” Mech.
Syst. Signal Process., vol. 21, no. 1, pp. 244–
256.
J. R. Stack, T. G. Habetler, and R. G. Harley
(2006) : “Fault-signature modeling and
detection of inner-race bearing faults,” IEEE
Trans. Ind. Appl., vol. 42, no. 1, pp. 61–68.
J. R. Stack, R. G. Harley, and T. G. Habetler (2004)
: “An amplitude modulation detector for fault
diagnosis in rolling element bearings,” IEEE
Trans. Ind. Electron., vol. 51, no. 5, pp. 1097–
1102.
M. E. H. Benbouzid (2000) : “A review of
induction motors signature analysis asa medium
for faults detection,” IEEE Trans. Ind.
Electron., vol. 47, no. 5, pp. 984–993.
J-H. Jung, J.-J. Lee, and B.-H. Kwon (2006) :
“Online diagnosis of induction motors using
MCSA,” IEEE Trans. Ind. Electron., vol. 53,
no. 6, pp. 1842 - 1852.
A. M. Knight and S. P. Bertani,(2005) :
“Mechanical fault detection in a medium sized
induction motor using stator current
monitoring,” IEEE Trans.Energy Convers., vol.
20, no. 4, pp. 753–760 .
J. Ilonen, J.-K. Kamarainen, T. Lindh, J. Ahola, H.
Kalviainen, and J. Partanen (2005) : “Diagnosis
tool for motor condition monitoring,” IEEE
Trans. Ind. Appl., vol. 41, no. 4, pp. 963–971.
R. R. Schoen, T. G. Habetler, F. Kamran, and R. G.
Bartfield (1995) : “Motor bearing damage
detection using stator current monitoring,”
IEEE Trans. Ind. Appl., vol. 31, no. 6, pp.
1274–1279 .
B. Yazici and G. B. Kliman (1999) : “An adaptive
statistical time-frequency method for detection
of broken bars and bearing faults in motors
using stator current,” IEEE Trans. Ind. Appl.,
vol. 35, no. 2, pp. 442–452.
B-10
Volume 7 – ISSN: 2085-2347
J. R. Stack, T. G. Habetler, and R. G. Harley (2004)
:“Bearing fault detection via autoregressive
stator current modeling,,” IEEE Trans. Ind.
Appl., vol. 40, no. 3, pp. 740–747.
M. J. Devaney and L. Eren (2004) :“Detecting
motor bearing faults,”IEEE Instrummeans.
Mag., vol. 7, no. 4, pp. 30–50.
L. Eren and M. J. Devaney (2004) : “Bearing
damage detection via wavelet packet
decomposition of the stator current,” IEEE
Trans. Instrum. Meas., vol. 53,no. 2, pp. 431–
436.
C. Wang and R. X. Gao (2003) : “Wavelet
transform with spectral post-processing for
enhanced feature extraction,” IEEE Trans.
Instrum. Meas., vol. 52,no. 4, pp. 1296–1301.
B. Li, M.-Y. Chow, Y. Tipsuwan, and J. C. Hung
(2000) : “Neural-network base motor rolling
bearing fault diagnosis,” IEEE Trans. Ind.
Electron., vol. 47,no. 5, pp. 1060–1068.
M. S. Ballal, Z. J. Khan, H. M. Suryawanshi, and R.
L. Sonolikar (2007) : “Adaptive neural fuzzy
inference system for the detection of inter-turn
insulation and bearing wear faults in induction
motor,” IEEE Trans. Ind. Electron., vol. 54, no.
1, pp. 250–258.
S. M. A. Cruz and A. J. M. Cardoso (2001) :
“Stator winding fault diagnosis in three-phase
synchronous and asynchronous motors, by the
extended Park’s vector approach,” IEEE Trans.
Ind. Appl., vol. 37, no. 5, pp. 1227–1233.
H. Nejjari and M. E. H. Benbouzid (2000) :
“Monitoring and diagnosis of induction motors
electrical faults using a current Park’s vector
pattern learning approach,” IEEE Trans. Ind.
Appl., vol. 36, no. 3, pp. 730–735.
A. J. Marques Cardoso, S. M. A. Cruz, and D. S. B.
Fonseca (1999) : “Inter-turn stator winding
fault diagnosis in three-phase induction motors,
by Park’s vector approach,,” IEEE Trans.
Energy Convers., vol. 14, no. 3, pp. 595–598.
J. L. H. Silva and A. J. M. Cardoso (2005) :
“Bearing failures diagnosis in three phase
induction motors by extended Park’s vector
approach,” in Proc .IEEE IECON , Raleigh,
NC, Nov., pp. 2591–2596.
F. Zidani, M. E. H. Benbouzid, D. Diallo, and M. S.
Nait-Said (2003) : m IEEE Trans. Energy
Convers., vol. 18, no. 4, pp. 469–475.