UMGUMG

E-Link: Jurnal Teknik Elektro dan InformatikaE-Link: Jurnal Teknik Elektro dan Informatika

Saat ini motor induksi banyak digunakan dalam industri karena konstruksi yang kuat, efisiensi tinggi, dan perawatan yang murah. Perawatan mesin diperlukan untuk memperpanjang umur motor induksi. Berdasarkan penelitian sebelumnya, kesalahan bearing dapat menyebabkan 42% - 50% dari semua kegagalan motor. Secara umum ini disebabkan oleh kesalahan produksi, kurangnya pelumasan, dan kesalahan pemasangan. Misalignment motor adalah salah satu kesalahan dalam pemasangan. Penelitian ini berkaitan dengan simulasi transformasi wavelet diskrit untuk mengidentifikasi misalignment pada motor induksi. Pemodelan operasi motor diperkenalkan dalam makalah ini sebagai operasi normal dan dua variasi misalignment. Transformasi wavelet haar dan symlet pada level pertama hingga level ketiga digunakan untuk mengekstrak sinyal getaran motor menjadi sinyal frekuensi tinggi. Kemudian, sinyal energi dan ekstrak sinyal lain yang didapat dari sinyal frekuensi tinggi dievaluasi untuk menganalisis kondisi motor. Proses evaluasi ini menggunakan logika fuzzy berjenis fuzzy subspace cluster. Hasil penelitian dengan metode kombinasi pengolahan sinyal berupa DWT dan metode kecerdasan buatan jenis fuzzy subspace cluster, maka terjadinya misalignment pada motor induksi tiga fasa dapat dideteksi lebih dini. Sehingga perawatan dan penggantian dapat diantisipasi sebelum terjadi misalignment.

Penelitian ini berhasil menguji ketahanan motor dan kopling menggunakan metode fuzzy subspace cluster (FSC) dan membandingkannya dengan metode fuzzy c-mean (FCM).Hasil pengujian menunjukkan bahwa metode FCM pada level 1 menghasilkan akurasi 0,88%, sedangkan pada level 3 sebesar 0,75%.Sementara itu, metode FSC pada level 1 menghasilkan akurasi 0,83% dan pada level 3 sebesar 0,71%.Kedua metode menunjukkan hasil yang serupa pada level 2, mengindikasikan tingkat ketidaksejajaran yang sama.Dengan demikian, penelitian ini memberikan kontribusi dalam pengembangan metode deteksi misalignment pada motor induksi.

Penelitian lanjutan dapat difokuskan pada pengembangan sistem deteksi misalignment secara *real-time* yang terintegrasi dengan sistem pemantauan kondisi mesin, memungkinkan deteksi dini dan pencegahan kerusakan yang lebih efektif. Selain itu, eksplorasi penggunaan teknik *machine learning* yang lebih canggih, seperti *deep learning*, dapat meningkatkan akurasi dan kemampuan adaptasi sistem terhadap berbagai kondisi operasional motor. Selanjutnya, studi komparatif yang lebih mendalam terhadap berbagai jenis transformasi wavelet dan algoritma fuzzy dapat dilakukan untuk mengidentifikasi kombinasi optimal yang menghasilkan kinerja deteksi misalignment terbaik, termasuk mempertimbangkan pengaruh variasi beban dan kecepatan motor terhadap hasil deteksi. Penelitian ini diharapkan dapat memberikan wawasan baru dalam bidang pemeliharaan prediktif dan meningkatkan keandalan sistem tenaga listrik.

  1. Fault classification in transformer using low frequency component | IEEE Conference Publication | IEEE... ieeexplore.ieee.org/document/8203584Fault classification in transformer using low frequency component IEEE Conference Publication IEEE ieeexplore ieee document 8203584
  2. Asfani. asfani iiae conference system 3rd intelligent systems processing icisip2015 font size short circuit... doi.org/10.12792/icisip2015.068Asfani asfani iiae conference system 3rd intelligent systems processing icisip2015 font size short circuit doi 10 12792 icisip2015 068
Read online
File size353.27 KB
Pages6
DMCAReport

Related /

ads-block-test