Oleh :
Dosen Pembimbing I
Endah Suryawati Ningrum, ST, MT.
NIP. 19750112 200012 2 001
Dosen Pembimbing II
Ali Husein Alasiry, ST, M.Eng.
NIP. 19731027 200003 1 001
Mengetahui,
Ketua Program Studi Sarjana Terapan Teknik Mekatronika
2
Deteksi Kerusakan Bearing Dan Stator Pada Motor Induksi Menggunakan
Backpropagation Neural Network Dengan Feature Extraction Metode DWT
(Discrete Wavelet Transform)
ABSTRAK
Motor induksi merupakan mesin yang memiliki peran penting dalam dunia industri
maupun rumah tangga. Penggunaan motor induksi di lingkup industri dan rumah
tangga memiliki jangka waktu penggunaan yang panjang. Salah satu komponen
penyusun motor induksi yang paling sering mengalami kerusakan ada pada bagian
bearing dan stator, bearing memiliki peran fungsi untuk menumpu sebuah poros agar
poros dapat berputar tanpa mengalami adanya gesekan yang berlebihan terhadap
mesin. Sedangkan stator pada motor induksi memiliki peranan penting yaitu
menghasilkan induksi magnet dengan putaran rotor. Terjadinya kerusakan pada mesin
ini dapat menghambat proses produksi. Penelitian ini bertujuan untuk membuat
sebuah sistem pendeteksi kerusakan bearing dan stator pada motor induksi satu fasa
dengan parameter suhu, arus listrik dan getaran. Sistem ini terdiri dari pembacaan
sensor (suhu, arus dan getaran), proses feature extraction menggunakan metode
Discrete Wavelet Transform (DWT), proses pattern recognition menggunakan
Backpropagation Neural Network (BNN), serta proses penampilan informasi kondisi
bearing dan stator dengan komputer. Dengan system tersebut deteksi kerusakan pada
stator dan bearing dapat dilakukan secara real time
3
Detection of Bearings and Stators fault in Induction Motors Using
Backpropagation Neural Network With Feature Extraction Method DWT
(Discrete Wavelet Transform)
ABSTRAK
The induction motor is a machine that has an important role in the industrial and
household worlds. The use of induction motors in industry and households has a long
period of use. One of the components that make up an induction motor that is most
often damaged is in the bearing and stator, the bearing has a function to support a
shaft so that the shaft can rotate without experiencing excessive friction against the
engine. While the stator of the induction motor has an important role, namely to
produce magnetic induction with the rotation of the rotor. The occurrence of damage
to this machine can hamper the production process. This study aims to create a
bearing and stator damage detection system on a single phase induction motor with
parameters of temperature, electric current and vibration. This system consists of
sensor readings (temperature, current and vibration), feature extraction process using
the Discrete Wavelet Transform (DWT) method, pattern recognition process using
Backpropagation Neural Network (BNN), and the display of information on bearing
and stator conditions using a computer. With this system, detection of damage to the
stator and bearing can be done in real time
DAFTAR ISI
BAB 1. 1
PENDAHULUAN 1
1.2 Perumusan Masalah 3
4
1.3 Batasan Masalah 3
1.4 Tujuan 4
1.5 Kontribusi 4
BAB II 5
TUJUAN PUSTAKA 5
2.1. STATE OF THE ART 5
1. 2.2 Dasar Teori 6
2.2.1 Motor Induksi 6
2.2.2 Decomposting Wavelet transform (DWT) 10
2.2.3 Backpropagations Neural Network 12
2.4.1 Arsitektur jaringan backpropagation 13
Penggunaan BackPropagation terdiri dari dua tahap : 14
Tahap Belajar dan Pelatihan Backpropagation 14
BAB III 15
PERANCANGAN DAN IMPLEMENTASI SISTEM 15
1. 3.1 Tipe dan Variasi Motor Induksi 17
4.2 Sensor 18
1.2.1. Sensor Vibrasi 18
3.2.2 Senor Arus 19
3.2.3 Sensor Temperatur 20
4.3 Software 20
3.3.1 Pembacaan Sensor 20
3.3.2 Metode DWT untuk Proses Feature Extraction 20
3.3.3 BNN Method untuk Pattern Recognition 21
3.3.4 PC untuk Menampilkan Informasi 21
4.4 Perancangan Sistem Elektronika dan Mekanika 21
4.5 Perancangan Perangkat Lunak 23
5
DAFTAR GAMBAR
Gambar 1 Distibusi Diaknosa Kerusakan Pada Motor Induksi 2
Gambar 2 Induction motor’s construction 7
Gambar 3.1 Induction motor’s construction 7
Gambar 4 Bearings construction 8
Gambar 5 Komponen LPF, HPF, proses filterisasi dan down sampling [5] 10
Gambar 6 Proses Multi-level decomposition 11
Gambar 7 Proses rekonstruksi Transformasi Wavelet Diskrit (DWT) dan Invers Diskrit
Wavelet Transform (IDWT) 12
Gambar 8 (a) Proses DWT dan (b) Proses IDWT menggunakan data wavelet db2 12
Gambar 9 ilustrasi jaringan saraf tiruan 13
Gambar 10 Metotologi Pengerjaan Project Akhir 16
Gambar 11 Motor Induksi Moswell AQUA DB-125 18
Gambar 12 Macam-macam Kondisi Bearing 18
Gambar 13 Sensor Accelerometer 19
Gambar 14 Sensor Arus 19
Gambar 15 Sensor temperatur 20
Gambar 16 Rancang Sistem Elektronika 22
Gambar 17 Mekanika 22
Gambar 18 Asembly prototype elektrik ke motor 23
Gambar 19 Flowchart Proses Learning Backpropogation 24
6
BAB 1.
PENDAHULUAN
Motor induksi merupakan motor yang paling umum digunakan pada berbagai
peralatan industri dan rumah tangga. Motor ini sering digunakan sebagai penggerak
utama dalam peralatan industri seperti kompresor, pompa udara, feed water pump,
dll. Motor ini bekerja dengan memanfaaatkan medan magnet pada stator yang
kemudian menghasilkan fluks pada rotor sehingga rotor tersebut akan berputar.
Namun motor induksi terkadang mengalami kerusakan, sehingga proses produksi
harus dihentikan. Beberapa kerusakan terkait sering terjadi akibat pemeliharaan dan
pengoperasian motor yang tidak teratur [2].
Komponen utama pada motor induksi terdiri dari stator, rotor, bearing, shaft, dan
terminal box. Kerusakan pada motor induksi kadang kala terjadi terutama akibat
,elebihan beban, beban tidak seimbang dan tegangan tidak stabil karena control
inverter[8].
Untuk mengetahui kerusakan yang terjadi pada motor induksi perlu adanya proses
pembongkaran kontruksi pada motor induksi ini,
1
dibutuhkan beberapa tindakan untuk memperbaikinya. Butuh waktu yang lama untuk
memperbaiki malfungsi pada sebuah sistem. Ketika mesin atau sistem operasi
berhenti dapat berpengaruh besar pada performa kuantitas dan kualitas pada proses
produksi. Dimana perusahaan akan mengalami penurunan kinerja produksi hingga
kegagalan produksi. Akibatnya perusahaan akan mengalami peningkatan jumlah
kerugian dan pengurangan fungsi pada sistem itu sendiri.
Sumber: Muvvala, K., Nair, A., Mangrulkar, A., Mistry, H., Mukadam, S.,2018
2
berasal dari kedua komponen tadi, meski keduanya penyumbang presentase terbesar
pada sebab kerusakan motor induksi.
Penelitian ini mendeteksi dari sinyal input getaran yang di identifikasi dari
getaran motor yang di deteksi oleh sensor dan diubah kedalam sinyal diskrit agar
dapat di baca. Kemudian sinyal arus stator dianalisis dengan program pemrosesan
sinyal. Suhu yang tinggi juga didetksi menggunakan sensor thermal, dimana
peningkatan panas membuat suhu belitan stator meningkat sehingga
mengakibatkan penurunan kerusakan isolasi belitan. Proses feature extraction
menggunakan Discrete Wavelet Transform (DWT). Kemudian masuk kedalam proses
Pettern recognition menggunakan Backpropagation Neural Network (BNN).
Penampilan data dilakukan secara real time pada PC.
3
Berdasarkan perumusan masalah diatas, dapat ditentukan batasan-batasan masalah
dalam pengajuan pengajuan akhir ini. Berikut batasan masalah dalam proyek ini:
1.4 Tujuan
Tujuan utama dari penelitian ini adalah untuk mengetahui kondisi bearing dan
stator motor induksi satu phase dengan beban air melalui hasil klasifikasi
Backpropagation Neural Network dengan feature extraction menggunakan metode
Discrete Wavelet Transform (DWT). Kemudian hasilnya akan dibandingkan
dengan feature extraction menggunakan metode Empirical Mode Decompotitions
(EMD).
1.5 Kontribusi
Alat ini dapat membantu periusahaan untuk dapat mengetahui pada bagian mana
dari motor yang mengalami gangguan, sehingga industry tidak secara langsung
mematikan motor apabila terjadi gangguan dan menyebabkan kerugian yang besar
bagi industry tersebut. Industry juga tidak serta merta membongkar motor tersebut
apabila terjadi gangguan sehingga meminilisir pengursngan life time dari motor
tersebut. Pada alat ini juga dibuat sebuah packaging yang dapat dengan mudah
digunakan oleh teknisi.
4
BAB II
TUJUAN PUSTAKA
Pada riset [4]. Dimana membahas mengenai deteksi tingkat kerusakan outer race
bearing pada mesin induksiyang disarkan pada anila sinyal arus stator selama kondisi
stabil. Dan hasil klasifikasi menunjukan bahwa metode Linear Discriminant Analysis
(LDA) dapat mendeteksi kerusakan dan memperkirakan tingkat kerusakannya secara
akurat untuk beban uji yang berbeda.
Pada penelitian lain [2] , menyebutkan bahwa hasil ekstraksi fitur metode Discrete
Wavelet transform mampu menguraikan sinyal arus dan mendeteksi kerusakan pada
stator berdasarkan parameter statik.
5
Dari penelitian [7], diketahui bahwa percobaan serta Analisa menggunakan
Backpropogation Neural Network (BNN) dapat mengklasifikasikan sinyal dari 400
dat alatih dengan akursi 100% dengan input sinyal arus, dan 98% dengan unput data
getaran dari hasil ekstrasi IMF.
Pada penelitian ini menggunkan motor satu phase. Hal ini dikarenakan motor satu
phase mudah ditemukan dan menjadi kebutuhan rumah tangga yang sanagtlah
penting. Kontruksi motor ditunjukan pada gambar 2.1 dibawah ini.
6
Gambar 2 Induction motor’s construction
Sumber: Susilo, Didik, D., 2008, “Deteksi Kerusakan Bantalan Gelinding Pada Pompa Sentrifugal
Dengan Analisis Sinyal Getaran”, Mekanika, Vol. 7 No.
1, Sept. 2008
Kerusakan pada kelistrikan dan mekanikal merupakan cocntoh keruskan ytang terjadi
pada motor induksi. Kerusakan pada kelistrikan umumnya berhubungan langsung
dengan sumber listrik dan stator pada motor induksi. Sedangkan kerusakan pada
mekanikal umunya disebabkan oleh lebihnya beban dan perubahan beban yang terjadi
secara tiba-tiba. Hal itu biasanya terjadi pada komponen bearing dan rotor motro
induski. Bearing meupakan komponen yang berputar dan menjaga performa dari
motor agar tetap dalam kondisi yang baik. Kontruksi bearing umunya terbagi menjadi
4 bagian utama yakni outter, inner, ball, dan cage[Rianto] seperti yang ditunjukan
pada gambar 2.2 berikut.
7
Gambar 4 Bearings construction
Sumber: Yu, X., Dong, F., Ding, E., Wu, S., Fan, C., 2018, “Rolling Bearing Fault Diagnosis Using
Modified LFDA and DWT with Sensitive Feature Selection”, IEEE
Kerusakan bearing menyebabkan rotor asimetri dengan stator sehingga timbul vibrasi
pada rotor. Vibrasi tersebut menyebabkan terbentuknya frekuensi harmonisa pada
arus masukan stator. Persamaan karakteristik frekuensi getaran untuk kerusakan
bearing dapat dilihat pada persamaan berikut[Rianto]:
Stator juga salah satu komponen utama pada suatu kontruksi motor induksi. Stator
merupakan bagian yang diam dan mempunyai kumparan yang dapat menginduksikan
medan elektromagnetik kepada kumparan rotornya. Pada gambar 1.1 stator
8
menempati urutan kedua setelah bearing yang berpotensi terjadinya kerusakan dengan
presentase sebesar 15,8%. Berdasarkan penelitian [document], gangguan stator dapat
dua jenis, yaitu: gangguan di belitan stator dan
gangguan di inti stator. Gangguan di belitan stator dapat disebabkan oleh: temperatur
yang tinggi pada inti dan belitan, kontaminasi akibat minyak, kelembaban dan
lain-lain, kerusakan pada ujung belitan, hubung singkat, pembebanan
pengasutan, electric discharge, bocor pada sistem pendinginan.Awal mula
terjadinya gangguan hubung singkat adalah dengan munculnya partial
discharge dikarenakan faktor tekanan lingkungan dan juga cacat bawaan dari
motor. Terjadinya hubung singkat dimulai bertahap dari hubung singkat
temporer dengan durasi pendek arus pendek (impedansi tinggi) menuju gangguan
permanen arus tinggi.
Kerusakan yang terjadi pada belitan stator dapat menyebabkan motor induksi
mengalami ketidak normalan putaran sehingga arus stator mengandung harmonisa
dengan frekuensi kerusakan bisa diprediksi dengan persamaan dibawah ini
Fst= | fs ± fp |
fst=fs[1−sp]
9
2.2.2 Decomposting Wavelet transform (DWT)
Discrete Wavelet Transform merupakan wavelet yang merepresentasikan sinyal
dalam domain waktu dan frekuensi. Discrete Wavelet Transform memiliki
keunggulan diantaranya adalah mudah diimplementasikan dan efisien dalam hal
waktu dan perhitungan. Pada transformasi ini terjadi filterisasi dan down sampling,
yaitu pengurangan koefisien pada fungsi genap. Hal ini bisa diuraikan dalam Gambar
2.5
Gambar 5 Komponen LPF, HPF, proses filterisasi dan down sampling [5]
Prinsip dasar Discrete Wavelet Transform adalah bagaimana cara mendapatkan
representasi waktu dan skala dari sebuah sinyal menggunakan sebuah Teknik
pemfilteran digital dan operasi sub-sampling [14]. Untuk menaksirkan sinya hasil
transformasi ini dibentuk filter low pass dan high pass. Keluaran dari high pass dan
low pass bisa dilihat dalam bentuk Persamaan 2.3 dan 2.4
❑
yHp [ k ] =∑ ❑u [ m ] . g [ 2 k −m ] 2.3
❑
❑
yLp [ k ]=∑ ❑u [ m ] . h [ 2 k−m ] 2.4
❑
Pada tahap awal sinyal (S) akan dilewatkan pada rangkaian high pass filter dan low
pass filter, kemudian setengah dari masing-masing keluaran diambil sebagai sampel
melalui operasi sub-sampling. Proses ini disebut sebagai proses dekomposisi satu
tingkat. Keluaran dari low pass filter digunakan sebagai masukan dan akan diproses
10
pada dekomposisi berikutnya. Proses ini akan diulang sampai tingkat proses
dekomposisi yang diinginkan. Gabungan dari keluarankeluaran high pass filter dan
low pass filter yang terakhir disebut sebagai koefisien wavelet dan berisi informasi
sinyal hasil transformasi yang telah terkompresi. Proses dekomposisi secara detail
dapat dilihat dalam gambar 2.5
11
Gambar 7 Proses rekonstruksi Transformasi Wavelet Diskrit (DWT) dan Invers Diskrit Wavelet
Transform (IDWT) [5]
Gambar 8 (a) Proses DWT dan (b) Proses IDWT menggunakan data wavelet db2 [5]
2.2.3 Backpropagations Neural Network
Berdasarkan[https://www.ketutrare.com/2013/04/backpropagation-neural-network-
jaringan.html] Backpropagation merupakan salah satu bagian dari Neural Network.
Backpropagation merupakan metode pelatihan terawasi (supervised learning), dalam
artian mempunyai target yang akan dicari. ciri dari Backpropagation adalah
meminimalkan error pada output yang dihasilkan oleh jaringan. dalam metode
backpropagation, biasanya digunakan jaringan multilayer.
12
Gambar 9 ilustrasi jaringan saraf
tiruan
Jaringan multilayer yang dimaksud adalah layer yang terdiri dari input layer (layer
masukan), hidden layer (layer tersembunyi), output layer (layer keluaran). Dalam
pengembangannya, hidden layer dapat terdiri dari satu atau lebih unit hidden layer.
13
dari unit input layer ke unit hidden layer dan Wjk adalah bobot dari unit hidden layer
ke unit output layer.
Penggunaan BackPropagation terdiri dari dua tahap :
2. Tahap Belajar atau pelatihan, dimana pada tahap ini pada backpropagation
neural network diberikan sejumlah data pelatihan dan target.
3. Tahap pengujian atau penggunaan, pengujian dan penggunaan dilakukan
setelah Backpropagation selesai belajar.
● Setiap umpan maju (feedforward), setiap unit input (Xi) akan menerima sinyal
input dan akan menyebarkan sinyal tersebut pada tiap hidden unit(Zj).
● Setiap hidden unit kemudian akan menghitung aktivasinya dan mengirim
sinyal (zj) ke tiap unit output.
● Kemudian setiap unit output (Yk) juga akan menghitung aktivasinya (yk)
untuk menghasilkan respon terhadap input yang diberikan jaringan.
● Saat prose pelatihan (training), setiap unti output membandingkan aktivasinya
(yk) dengan nilaui target (tk) untuk menentukan besarnya error.
● Berdasar error ini, dihitung faktor delta k, dimana faktor ini digunakan untuk
mendistribusikan error dari output ke layer sebelumnya.
● dengan cara yang sama, faktor delta j juga dihitung pada hidden unit Zj,
dimana faktor ini digunakan untuk memperbaharui bobot antara hidden layer
dan input layer.
● Setelah semua faktor delta ditemukan, bobot untuk semua layer diperbaharui.
14
BAB III
Dalam bab ini, berisi tentang perancangan sistem secara keseluruhan baik itu secara
hardware maupun software. Dijelaskan pula disini bagaimana cara
mengimplementasikan sistem tersebut dari rancangan yang telah dibuat.
15
Gambar 10 Metotologi Pengerjaan Project Akhir
Deteksi kerusakan bearing dan stator pada pompa air menggunkaan tiga buah
sensor yang kemudian dikemas dalam satu pakage menjadi sebuah modul siap pakai
yang praktis dan mudah di gunakan. Sensor tersebut akan menghasilkan data yang
direkam pada pompa air dalam keadaan hidup. Data tersebut akan disaring dengan
proses analisa yang terjadi pada Arduino. Kemudian data akan dikirim dan di proses
di dalam PC/mini PC menggunakan Cloud Computing Tensor Flow.
Tahap pertama yaitu pengambilan data dari ketiga sensor tersebut(sensor vibrasi,
sensor arus dan sensor temperature), dimana motor pompa dalam keadaan hidup.
Sensor temperature hanya digunakan sebagai referensi. Apabila temperature pada
16
bearing dan stator bertambah tinggi atau diluar batas ambang normal, maka
memungkinkan adanya kerusakan pada kedua komponen tersebut. Hal ini tentu dapat
menambah kuat hasil prediksi dari proses Analisa data menggunakan sensor vibrasi
dan arus. Sensor suhu tidak dilewatkan pada feature extraction dan pattern
recognition tapi langsung pada deteksi kerusakaan, dimana terdapat parameter
bertambahnya temperature. Sehingga dapat diketahui normal bearing dan abnormal
bearing dari temperature yang dikeluarkan.
Data dari sensor vibrasi dan sensor arus akan difilter terlebih dahulu untuk
menghilangkan noise pada data tersebut melalui proses feature extraction
menggunakan metode Discrete Wavelet Transform (DWT)
Kemudian data yang telah melewati proses extraction oleh DWT akan masuk pada
pattern recognition menggunkan Backpropagation Neural NEtwor (BNN). Data
tersebut akan diklasifikasi dan membentuk pola sesuai denngan kategorinya. Hasilnya
BNN dapat mengklasifikasi motor normal dan motor yang mengalami gangguan.
Hasil tersebut akan ditampilkan melalui mini PC atau PC sehingga dapat dengan
mudah diketahui gangguan yang teerjadi pada motor pompa.
Motor yang digunakan dalam penelitian ini ialah motor 1 phase. hal ini dikarenakan
motor satu phase mudah didapatkan di pasaran dan kegunannya pada lingkungan
rumah tangga dan industri juga cukup banyak. Motor ini bermerek Moswell AQUA
DB-125 dengan spesifikasi 220 V, 50 Hz, 125W, dan 2850 RPM seperti pada gambar
3.3.
17
Gambar 11 Motor Induksi Moswell AQUA DB-125 [7]
Berdasarkan penelitian [rianto] kondisi bearing terbagi menjadi dua, yakni normal
bearing dan abnormal bearing. Abnormal bearing pada penelitian ini terbagi menjadi
beberapa macam kerusakan, antara lain inner fault, outer fault, dan ball fault.
4.2 Sensor
Pada penelitian ini, sensor yang dipakai sebagai mengambil data ialah sensor vibrasi,
sensor arus dan sensor temperature yang akan dijelaskan lebih detail dibawah ini.
18
Gambar 13 Sensor Accelerometer [7]
Sensor ini memilki 2 buah pin terminal dan 3 pin sebagai VCC, OUT (data) dan
GND. Kabel motor akan dihubungkan dengan pin terminal sensor sebagai pembaca
arus motor. Pin VCC dihubungkan dengan tegangan sebesar 5V. Pin OUT
merupakan data pembacaan yang dikeluarkan oleh sensor. Dan pin GND
dihubungkan dengan GND. Untuk keamanan, sensor arus harus diletakan jauh dari
jangkauan air.
19
3.2.3 Sensor Temperatur
Pembacaan suhu pada motor pompa menggunkaan sensor suhu LM35. LM35 dapat
dioperasikan pada tegangan 4-30V. pada penlitian ini kami memberikan tegangan
sebesar 5v untuk mengoperasikannya. Sensor ini dapat menghasilkan panas(self-
heating) dari tegangan input. Sehingga dapat menghasilkan error pada pembacaan,
namun erro tersebut sangatlah rendah, yaitu dengan akurasi sebesar 0,5 C pada 25
C.
Pada penlitian ini sensor ditempatkan pada tengah rotasi motor yaitu pada area case
motor sehingga dapat dengan efektif membaca suhu yang dihasilakan oleh motor.
LM35 dipasangan dengan relay.
4.3 Software
Software yang digunakan pada penelitian ini terdiri dari berberapa macam, yakni
feature ektraction menggunakan DWT, proses pattern recognition menggunakan
BNN dan penampilan informasi menggunakan PC atau mini PC
20
3.3.2 Metode DWT untuk Proses Feature Extraction
Metode DWT digunakan sebagai feature extraction pada penelitian kali ini. Sinyal
yang telah terbaca oleh sensor kemudian diteruskan untuk diproses menggunakan
algoritma DWT. Input yang digunakan untuk metode DWT adalah input getaran yang
telah dilakukan melalui proses pembacaan sensor. Karena fungsi DWT dugunakan
untuk mengektrak sinyal input menjadi beberapa sinyal compositing dan sinyal
residual. Kemudian hasil eltraksi diubah menggunakan fungsi transpose untuk
menampilkan grafik hasil ektraksi. Keluaran dari program ini adalah sinyal Instrinsic
Mode Function. Program pada proses ini menggunakan MathScript pada softwere
TensorFlow.
Pada penelitian ini, membutuhkan mikrokontroler dan sensor yang dipakai sebagai
mengambil data, diantaranya ialah mikrokontroler Arduino sensor vibrasi, sensor arus
dan sensor temperature. Kemudian setiap komponen akan di atching dalam sebuah
21
PCB kemudian dibuatkan sebuah packaging box agar dapat menjadi suatu modul
lengkap yang mudah digunakan. Pengaturan pin-pin sensor dihubungkan dengan
mikrokontroler yang ditunjukan pada gambar 3.3 .
Gambar 17 Mekanika
22
Gambar 18 Asembly prototype elektrik ke motor
Data sinyal getaran dan arus serta derajat teperatur yang terbaca oleh sensor akan terekam
oleh sensor. Data tersebut akan dikirimkan dengan komunikasi serial kepada PC/mini PC
yang disimpan dalam bentuk excel. Sensor akan bekerja selama satu detik untuk
pengambilan data, dengan estimasi jumlah data yang dapat diambil sebanyak 890 data [6]
23
Gambar 19 Flowchart Proses Learning Backpropogation
Data yang sudah didapat kemudian diproses menggunakan feature extraction untuk
mengurangi input proses learning Backpropogation. Jenis feature extraction yang
digunakan Discrete Wavelet Transform (DWT) Pada proyek akhir ini data akan
ditampilkan secara melalui tampilan GUI.
24
[1] Abduh Muhamad, dkk.,2020, “Deteksi Kerusakan Outer Race Bearing Pada Motor
Induksi Melalui Analisa Arus Stator Menggunakan Metode Fast Fourier Transform
(FFT)”,Universitas Hang Tuah Surabaya, Surabaya.
[2] Hardiyanti Tiara, 2019, Induction Motor Stator Fault Detection Using Discrete
Wavelet Transform Based on Statistical Parameters, Politeknik Elektronika Negeri
Surabaya, Surabaya.
[3] Winarno Istiyo, Hidayanto Choirun, dkk., 2019, “Decomposition Wavelet Transform
as Identification of Outer Race Bearing Damage Through Stator Flow Analysis in
Induction Motor” ,Universitas Hang Tuah Surabaya, Surabaya.
[4] Reemon Z. Haddad, Cristian A. Joan Pons-Llinares, Jose Antonio-Daviu and Elias
G.,2015, "Outer Race Bearing Fault Detection in Induction Machines Using Stator
Current Signals", Michigan State University, Valencia.
[6] Rizqy Darmawan Muhamad, 2017. Sistem Diagnosis Kerusakan Mesin Berputar
Menggunakan Continuous Wavelet Transform dan Artificial Neural Network .
Politeknik Elektronika Negeri Surabaya, Surabaya.
[7] Isla Madina Hakim, 2021. Bearing Fault Detection in Induction Motor Wuth Load
Based On Internet Of Things, PENS, Surabaya.
[8] Hameyer Kay, Mbo’o P. C., 2016, “Fault Diagnosis Of Bearing Damage By Means Of
The Linear Discriminant Analysis Of Stator Current Features From The Frequency
Selection”, Institute of Electrical Machines (IEM),Germany.
25