NAMA : BRAMANTYO EWAHYONO

NRP : 6022221017

TOPIK : DETEKSI KERUSAKAN BATANG ROTOR DAN BEARING PADA MOTOR

INDUKSI TIGA FASA MENGGUNAKAN METODE EMD-ANN

Kajian Pustaka
Kajian pustaka penelitian ini berisi tentang kajian penelitian terkait dan dasar teori. Kajian
penelitian terkait ini berisi tentang sumber referensi penelitian sebelumnya sehingga penulis dapat
melaksanakan penelitian ini sebagai pembaharuan penelitian. Kajian penelitian terkait ini berisi
tentang penelitian terdahulu mengenai pendeteksian kerusakan batang rotor dan bearing yang
diterapkan pada motor induksi tiga fasa untuk menentukan lokasi yang paling akurat dalam
pendeteksian kegagalan tersebut.

2.1 Penelitian Terkait

Banyak sekali studi dan penelitian yang sudah dilakukan untuk menemukan bagaimana
cara mendiagnosis gangguan pada motor induksi secara efektif, efisien serta tepat guna, seperti
penelitian yang dilakukan [1]. Gangguan pada motor adalah sesuatu yang harus diminimalisir
terutama untuk sektor industri, Karena motor merupakan salah satu aset yang harus dijaga terhadap
gangguan yang tak terduga sehingga menimbulkan kerusakan (breakdown) dan berujung
menambah biaya untuk perbaikan.
Pada bab ini akan dibahas mengenai deteksi kerusakan batang rotor dan bearing yang
sering terjadi di motor induksi [2]. Adapun penelitian pemilihan metode untuk deteksi kerusakan
batang rotor [3] pendekatan deteksi kesalahan yang efektif untuk kesalahan batang rotor rusak
(BRB) pada motor induksi menggunakan pembelajaran mesin. Tiga metode, Fast Fourier
Transform (FFT), Yule Walker Estimate by Auto Regression (YUL-AR), dan Matching Pursuit
(MP), dipertimbangkan untuk tujuan pemilihan fitur. Metode ini diimplementasikan pada sinyal
arus stator motor induksi dalam kondisi jumlah batang rotor patah (BRB) yang sehat dan berbeda
yang disimulasikan oleh perangkat lunak analisis elemen hingga ANSYS. Ditemukan bahwa
metode MP yang diusulkan menawarkan pemilihan fitur paling efektif di antara ketiga metode,
dan mampu mengklasifikasikan kesalahan BRB secara akurat melalui support vector machine
(SVM) dan jaringan syaraf tiruan (ANN).
Penilitian [3]sebagai perbandingan metode ANN untuk diagnosis mesin induksi dengan
menggunakan jaringan syaraf tiruan berbasis analisis arus stator sebagai fitur inputnya. Penelitian
bertujuan untuk membandingkan efektivitas kedua jenis pengklasifikasi ANN: Radial 1Basis
Function Network (RBF) dan Probabilistic Neural Network (PNN) dalam deteksi kesalahan mesin
asinkron (kesalahan rotor dan bantalan) dan evaluasi tingkat keparahan.
Untuk mengetahui perbedaan kondisi motor yang sehat dan yang mengalami kegagalan
dapat digunakan metode motor current signature analysis (MCSA) untuk pendeteksiannya, dimana
metode ini juga dilakukan oleh peneliti [4] yang melakukan eksperimen untuk merancang suatu
instrumentasi daya yang dapat digunakan untuk mengetahui kondisi apa yang terjadi pada motor
induksi. Apakah kondisi dari mesin normal atau sudah mengalami kerusakan dan dapat dibaca
dengan mudah oleh pengguna yang pengetahuannya terbatas tentang motor current signature
analysis.
 Hal ini menjadi alasan penulis untuk melakukan penelitian lebih lanjut dengan
mengusulkan menggabungkan beberapa metode diagnosis dari beberapa referensi penelitian [1-5]
diatas yang kemudian dilakukan pemantauan yang berbasis web based laboratory dengan dibantu
oleh platform LabView sebagai penyedia tampilan sekaligus media pemrosesan data
menggunakan piranti berupa National Instrument DAQ seperti penelitian yang dilakukan oleh
Amine Yazidi, dkk [6] dimana peneliti ini mengusulkan perangkat lunak virtual dan interaktif
lengkap untuk laboratorium modern yang didedikasikan untuk pemantauan kondisi dan diagnosis
mesin listrik ac.

DAFTAR PUSTAKA

[1] G. Mirzaeva and K. I. Saad, “Advanced Diagnosis of Stator Turn-to-Turn Faults and Static
Eccentricity in Induction Motors Based on Internal Flux Measurement,” in IEEE
Transactions on Industry Applications, Institute of Electrical and Electronics Engineers
Inc., Jul. 2018, pp. 3961–3970. doi: 10.1109/TIA.2018.2821098.
[2] M. Sameh, A. Tarek, and K. Yassine, “Bearing and Rotor Faults detection and diagnosis of
Induction Motors using Statistical Neural Networks,” in Proceedings - STA 2020: 2020 20th
International Conference on Sciences and Techniques of Automatic Control and Computer
Engineering, Institute of Electrical and Electronics Engineers Inc., Dec. 2020, pp. 77–81.
doi: 10.1109/STA50679.2020.9329334.
[3] 2018 IEEE/IAS 54th Industrial and Commercial Power Systems Technical Conference (I &
CPS) : 7-10 May 2018.
[4] R. Yudha Adhitya and A. Darwito, “DETEKSI KEGAGALAN MOTOR INDUKSI JENIS
SQUIRREL CAGE BERBASIS MOTOR CURRENT SIGNATURE ANALYSIS
(MCSA),” pp. 6–8, 2015.
[5] A. Guedidi, W. Laala, A. Guettaf, and S. E. Zouzou, “Diagnosis and Classification of
broken bars fault using DWT and Artificial Neural Network without slip estimation,” in
2020 11th International Conference on Electrical Power Drive Systems, ICEPDS 2020 -
Proceedings, Institute of Electrical and Electronics Engineers Inc., Oct. 2020. doi:
10.1109/ICEPDS47235.2020.9249315.
[6] A. Yazidi, H. Henao, G. A. Capolino, F. Betin, and F. Filippetti, “A web-based remote
laboratory for monitoring and diagnosis of ac electrical machines,” IEEE Transactions on
Industrial Electronics, vol. 58, no. 10, pp. 4950–4959, Oct. 2011, doi:
10.1109/TIE.2011.2109331.