IDENTIFIKASI KERUSAKAN INNER RACE BEARING PADA MOTOR …citee.ft.ugm.ac.id/download51.php?f=12. Muhamad... · IDENTIFIKASI KERUSAKAN INNER RACE BEARING PADA MOTOR INDUKSI BERBASIS

IDENTIFIKASI KERUSAKAN INNER RACE BEARING PADA MOTOR INDUKSI BERBASIS DECOMPOSITION WAVELET TRANSFORM

MELALUI ANALISA ARUS STEADY STATE

Muhamad Faturrohman, Iradiratu D.P.K, Belly Yan D, Daeng R, Istiyo W. Jurusan Teknik Elektro, Fakultas Teknik Dan Ilmu Kelautan, Universitas Hang Tuah Surabaya

Jalan Arief Rahman Hakim No. 150, Sukolilo, Surabaya 60111E-mail : [email protected], [email protected], [email protected]

Abstract-- damage to bearings in induction motors is a type of damage to an induction motor that can cause serious problems, the damage can reach 41% - 44% of all cases of induction motor disturbances, therefore an initial diagnosis is needed that identifies damage to the motor induction so that repairs can be carried out faster and responsively before a larger disturbance occurs. This study discusses the identification of inner race bearing damage in an induction motor through a stator current. The system used is based on decomposition wavelet transform as a signal processing device so that it can detect the motor in a healthy or damaged condition. System testing is carried out in a number of conditions, namely no-load conditions(0%), 50% load conditions and full load (100%) conditions, besides the damage conditions provided are defects in the inner race bearings ranging from 1 hole (2mm) and 1 hole (5mm). The test results prove that the wavelet transform decomposition is able to detect differences in conditions on healthy or damaged induction motors in the inner race bearing.

Keywords - induction motor, damage to inner race bearing, decomposition of wavelet transform.

Abstrak-- kerusakan bearing pada motor induksi merupakan jenis kerusakan pada motor induksi yang dapat menyebabkan masalah yang serius, kerusakan tersebut dapat mencapai 41% - 44% dari seluruh kasus gangguan motor induksi, oleh karena itu perlu adanya diagnosis awal yang mengidentifikasi adanya kerusakan pada motor induksi agar dapat dilakukan perbaikan yang lebih cepat dan tanggap sebelum terjadi gangguan yang lebih besar. Pada penelitian ini membahas terkait identifikasi kerusakan inner race bearingpada motor induksi melalui arus stator. Sistem yang digunakan berbasis decomposition wavelet transform sebagai perangkat pengolahan sinyal sehingga mampu mendeteksi motor dalam keadaan normal atau mengalami kerusakan.Pengujian sistem dilakukan dalam beberapa kondisi, yaitu kondisi tanpa beban, kondisi beban 50% dan kondisi full load,selain itu kondisi kerusakan yang diberikan adalah kecacatanpada inner race bearing mulai dari 1 lubang (2mm) dan 1 lubang (5mm). Hasil pengujian membuktikan bahwa decomposition wavelet transform mampu mendeteksi perbedaan kondisi pada motor induksi normal ataupun rusak padabagian inner race bearing.

Kata kunci— motor induksi, kerusakan inner race bearing, decomposition wavelet transform.

I. PENDAHULUAN Motor induksi merupakan motor yang paling banyak

digunakan dalam berbagai aplikasi di industri-industri besar.

Hal ini disebabkan karena motor induksi memiliki keunggulan dibanding dengan motor listrik yang lain, yaitu diantaranya karena andal, harganya relative murah, konstruksinya yang sederhana dan kuat [1].

Pada umumnya motor induksi kuat dan andal, tetapi penggunaan dalam jangka waktu yang panjang, proses penuaan alami dan berbagai faktor lain yang terkait dengan operasional motor induksi, sehingga mengakibatkan kerusakan motor induksi dapat terjadi. Survei gangguan telah dilakukan oleh Electric Power Research Institute(EPRI) yang menemukan sekitar 41% dari total keseluruhan 6.312 kasus kerusakan motor induksi diakibatkan karena masalah pada bearing [2].

Apabila kerusakan pada motor induksi tidak dideteksi pada tahap permulaan akan dapat mengakibatkan shut down serta dapat menyebabkan terhentinya proses produksi yang menimbulkan kerugian besar terutama bila kerusakan yang timbul secara mendadak. Oleh karena itu, perlu adanya diagnose awal untuk mendeteksi adanya gangguan pada bearing motor induksi, agar langkah dan perbaikan lebih cepat dan tanggap sebelum terjadi gangguan yang lebih besar.

Pendeteksian kerusakan motor induksi di dalam dunia industri biasanya melakukan pengukuran getaran, penelitian sebelumnya [3], yang membahas deteksi kerusakan menggunakan sensor getaran, Meskipun metode ini cukup efektif, analisa akan bervariasi bedasarkan lokasi peralatan oleh karena itu sulit untuk memilih dan memposisikan sensor. Untuk mengatasi kekurangan dari metode diatas deteksi dilakukan dengan menggunakan analisa arus stator atau yang disebut MCSA (Motor Current Signature Analysis), sehingga pilihan dan posisi sensor tidak diperlukan. Pada penelitian lain [4] yang mendeteksi kerusakan motor secara dini menggunakan metode MCSA, sinyal arus di diagnosis menggunakan metode FFT (Fast Fourier Transform) dengan mengubah sinyal arus dari domain waktu menjadi domain frekuensi (spectrum), FFT merupakan algoritma sederhana yang efisien untuk menghitung Discrete Fourier Transform (DFT). Teknik ini hanya mengetahui perbedaan secara signifikan pada spektrum harmonisa arus stator dan motor induksi dalam keadaan sehat dan rusak.

Maka untuk mengurangi keterbatasan metode yang digunakan sebelumnya, sehingga dikembangkanlah

ISSN: 2085-6350 Yogyakarta, 24-25 Juli 2019 CITEE 2019

74 Departemen Teknik Elektro dan Teknologi Informasi, FT UGM

menggunakan metode decomposition wavelet transform. melalui analisa arus steady state dengan dilakukan dekomposisi pada transformasi wavelet menjadi domain waktu dan skala melalui proses sampling dan penggunaan filter digital, secara garis besar dengan cara pencacahan sinyal menggunakan fungsi highpass dan lowpass filter,juga memodifikasi sinyal berdasarkan fungsi skala dan waktu, serta rekonstruksi level koefisienya. Sehingga sinyal hasil decomposition tersebut dapat dilihat perbedaan kondisi kerusakan motor yang normal maupun yang sudah rusak dengan melihat jumlah ripple pada sinyal yang dihasilkan.

II. DETEKSI KERUSAKAN INNER RACE BEARINGPADA MOTOR INDUKSI

A. Kerusakan Bearing Bearing (Bantalan) adalah suatu komponen mesin

yang menumpu/mendukung dan membatasi gerakan poros, sehingga putaran atau gerakan bolak-baliknya berlangsung secara halus dan aman.

Secara umum konstruksi bearing terdiri dari 4 bagian penting, yaitu outer race, inner race, ball, dan cage.Konstruksi bearing dapat dilihat pada gambar dibawah :

Gambar 1. Konstruksi Bearing Jika bantalan terbuat dari bahan yang mudah rusak,

maka komponen lainnya juga akan rusak. Menurut survey [2] dari Electric Power Research Institute (EPRI) yang mensurvei 6.312 motor dan survei dari Motor Reliability Working Group IEEE-IAS yang mensurvei 1.141 motor, hasilnya seperti tabel dibawah :

TABEL 1 Presentase kerusakan berdasarkan komponen motor

Jenis KerusakanPresentase Kerusakan (%)

IEEE-IAS EPRIKerusakan bearing 44 41Keruskan belitan 26 36Kerusakan rotor 8 9Kerusakan lainnya 22 14

Hal ini jelas bahwa bantalan (bearing) yang palingsering mengalami kerusakan, kerusakan bearingberdasarkan lokasinya dapat dikategorikan sebagai kerusakan inner-race dan outer-race. Penyebab utama dari kerusakan bearing adalah tercemarnya pelumas, hilangnya minyak pelumas, beban yang berlebih dan panas yang berlebih.

B. Transformasi wavelet Transformasi wavelet adalah sebuah transformasi

matematika yang digunakan untuk menganalisa sinyal bergerak. Metode transformasi wavelet ini merupakan salah satu cara yang dapat digunakan untuk menganalisa sinyal-sinyal non stasioner (yaitu sinyal yang kandungannya bervariasi terhadap waktu) karena berkaitan dengan kemampuannya untuk memisah-misahkan berbagai macam karakteristik pada berbagai skala. Metode ini juga digunakan untuk mendeteksi kejadian-kejadian tertentu serta dapat digunakan untuk pemampatan data. Kelebihan dari analisa sinyal menggunakan wavelet adalah bahwa dapat dipelajari karakteristik sinyal secara lokal dan detail, sesuai dengan skala yang dimilikinya [1]

C. Discrete Wavelet Transform (DWT) Prinsip dasar DWT adalah melakukan pemisahan

komponen sinyal yaitu komponen frekuensi rendah dan frekuensi tinggi sehingga panjang koefensi sinyal masukan pada setiap tingkat DWT akan berkurang setengah kalinya. Hasil dari analisa DWT ini adalah beberapa koefesien DWT yang mempunyai fungsi skala dan posisi [1].

DWT dikenal juga sebagai algoritma subband coding adalah filter banks dimana sejumlah filter cutoffyang berbeda-beda digunakan untuk menganalisa skala yang berbeda. Dengan cara sinyal input dilewatkan pada high pass filter untuk dianalisa frekuensi tingginya dan dilewatkan pada low pass filter untuk dianalisa frekuensi rendahnya. Pembagian sinyal menjadi frekuensi tinggi dan rendah dalam proses filterisasi highpass filter dan lowpass filter disebut sebagai dekomposisi. Proses filtering dilakukan hingga level yang diinginkan. Pada setiap level, filtering dan subsampling akan menghasilkan jumlah sample setengah dari inputnya (oleh karena itu, juga menghasilkan setengah dari resolusi waktunya) dan setengah dari lebar rentangan frekuensi sinyal inputnya (oleh karenanya resolusi frekuensinya menjadi ganda). Filter highpass ini tidak berdiri sendiri, melainkan berhubungan [4].

CITEE 2019 Yogyakarta, 24-25 Juli 2019 ISSN: 2085-6350

Departemen Teknik Elektro dan Teknologi Informasi, FT UGM 75

Gambar 2. Proses Dekomposisi Wavelet a.) Filtering, b.)Filtering and downsampling, c.) Dekomposisi [5]

Pada gambar 2 Merupakan prinsip dasar dari transformasi wavelet diskrit. Sinyal S merupakan sinyal asli ini dilewatkan ke filter high and loww-pass, yang memberikan aproksimasi (A) dan Detail atau Dekomposisi (D)

III. PERANCANGAN SISTEM DETEKSI KERUSAKANA. Konfigurasi Sistem

Sistem yang digunakan terdiri dari motor induksi 3 phasa, generator sinkron serta lampu pijar sebagai beban motor, NI-DAQ dan beberapa peralatan pengukuran serta software terprogram untuk mengolah sinyal. Gambaran menyeluruh mengenai sistem yang akan digunakan pada penelitian ini seperti gambar 3.

Gambar 3. Gambaran sistem dalam penelitian

Motor induksi yang digunakan pada penelitian ini adalah motor induksi 3 fasa, rotor sangkar tupai dengan daya rating sebesar 2 HP atau setara dengan 1,5 KW dengan rating tegangan 220/380 Volt. Konfigurasi belitan yang digunakan adalah star (Y). Beban mekanis pada motor yang digunakan dalam pengukuran adalah berupa generator sinkron yang dikopel dengan motor, kemudian generator sinkron dibebani elektris yaitu lampu pijar dengan daya masing-masing 100 Watt. Pengambilan data dilakukan pada saat kondisi motor steady state atau dalam keadaan putarannya konstan dan selanjutnya, pengambilan data dilakukan pada frekuensi sampling sebesar 5 kHz denganjumlah data 25.000 sampling. Kemudian data yang sudah dihasilkan disimpan dalam bentuk excel. Data keluaran arus tersebut menjadi data masukan pada proses pengolahan sinyal berbasis decomposition wavelet transformmenggunakan software MATLAB.

B. Pengkondisian Kerusakan Inner Race Bearing Rekonstruksi kerusakan bearing dilakukan dengan

memberikan kecacatan pada bagian inner race. Kerusakan dibuat dengan pembuatan lubang dengan diameter pada masing masing bearing berbeda yaitu 2 mm dan 5 mm . Pembuatan lubang dilakukan dengan memakai bor biasa dan bor botol. Variasi kerusakan ini dimaksudkan agar data yang dihasilkan dapat terukur tingkatannya, walaupun pada kenyataan di lapangan kerusakan bearing terjadi dengan besaran yang tidak dapat ditentukan.

Gambar 4 merupakan gambaran kerusakan bearing yang dibuat. Dalam penelitian ini kerusakan yang dibuat diupayakan dapat memberikan efek akibat kerusakan bearing yang terjadi pada bagian inner race.

(a) (b)

(c) Gambar 4. Kontruksi Kerusakan Inner Race Bearing (a) Bearing Normal (b) Bearing rusak 1 lubang (2mm) (b)

Bearing rusak 1 lubang (5mm)



C. Pembebanan Mekanis dan Elektris Dalam penelitian ini pembebanan mekanis yang

digunakan adalah generator sinkron, motor induksi dikopel dengan generator sinkron dan dibebani oleh lampu pijar sebanyak 8 buah dengan daya masing-masing 100 Watt. Pembebanan dengan lampu ini disebut dengan pembebanan elektris. Variasi pembebanan yang akan dilakukan adalah dengan beberapa tingkatan seperti beban 100% (full load), 50% dan 0% (no load). Konfigurasi pembebanan nya dapat dilihat ditabel berikut :

TABEL 2. Presentase pembebanan pada motor induksiPresentase

Pembebanan(%)

Konfigurasi Pembebanan

Pada Motor

Arus Stator

(A)

0 % Motor 2,1

50 % Motor + Generator + 3 Lampu 2,8

100% Motor + Generator + 8 Lampu 3,5

Pembebanan akan dikatakan full load apabila arus motor mencapai nilai maksimal dari kapasitas/spesifikasi arus pada motor.

D. Akuisi Data Pada penelitian ini A/D converter yang digunakan

untuk data akusisi adalah NI-DAQ. Frekuensi sampling yang digunakan adalah 5 kHz, maka dalam satu sekon terdapat 5.000 data. Sinyal arus mula akan disample pada frekuensi 5.000 Hz yang kemudian diubah menjadi sinyal digital. Pengambilan data ini dilakukan selama 5 sekon, sehingga total jumlah data adalah 25.000 samples. Adapun proses akuisi data akan dijelaskan pada diagram berikut :

Gambar 5. Diagram alur akuisi data

IV.HASIL DAN PEMBAHASANPada bab ini akan menjelaskan tentang hasil

pengujian kerusakan inner race bearing pada motor induksi tiga fasa dengan pengolahan signal menggunakan metode wavelet, dalam tahap pengujian dan pengambilan data yang digunakan merupakan real-time dalam kondisi steady state atau konstan. Pengolahan sinyal menggunakan program MATLAB untuk mengetahui dekomposisi atau detail dari sinyal arus.

Dekomposisi wavelet transform merupakan suatu penguraian dari sinyal asli ke detail yang disesuaikan pada model dengan level yang akan digunakan. Untuk jenis Wavelet yang digunakan yaitu menggunakan jenisdeubaches(db). A. Pengujian Arus Motor Tanpa Beban

(a)

(b)

(c)

Gambar 6. Dekomposisi Sinyal Wavelet Motor tanpa beban (a) Motor Normal (b) Motor rusak Lubang 1

2mm. (c) Motor rusak 1 lubang 5 mm

Mulai

Masukan Data Hasil

Pengukuran

Transformasi Data Hasil Pengukuran

Menggunakan Metode Wavelet

Membandingkan Nilai Dari Arus Stator Pada Frekuensi Kerusakan Inner Race Bearing

Apakah Dapat Dideteksi ?

Selesai

Ya

Tidak



Dari penguraian hasil signal wavelet diatas menunjukkan adanya perbedaan visualisasi sinyal yang dilihat dari bentuk ripple dari detail 1 sampai detail ke-5dengan nilai skala yang sama pada masing-masing detail. Namun dari visual sinyal tidak dapat menunjukkan perbedaan pendeteksian kondisi motor rusak yang lebih akurat dengan jumlah ripple yang begitu padat, sehingga dari sinyal detail diatas dapat dilakukan perumusan variabel deteksi untuk sinyal d1 sampai d5, kemudian adanya perhitungan jumlah ripple pada sinyal d1 sampai d5 menggunakan persamaan dibawah :

Energi rata-rata D1 = (1)

Dimana, n adalah jumlah data d(t) nilai arus terhadap waktu

TABEL 3. Energi rata-rata sinyal wavelet motor tanpa beban

Pada hasil tabel 3. jika semakin parah kerusakan pada bearing motor induksi, maka nilai yang dihasilkan semakin rendah, namun pada level pembebanan yang diberikan nilai semakin tinggi.

Tabel 3 menunjukkan nilai energi rata-rata, untuk d1 dan d3 terlihat adanya kenaikan nilai energi rata-rata kondisi motor rusak dari kondisi motor normal, sedangkan untuk d2, d4 dan d5 mengalami penurunan nilai energi rata-rata pada kondisi kerusakan 1 lubang (2mm), dan pada kerusakan 1 lubang 5mm terlihat di d1 dan d2 yang mengalami penurunan sedangkan pada d3 sampai d5mengalami kenaikan nilai energi rata-rata dari kondisi motor normal, Sehingga dilakukan standarisasi atau normalisasi dengan cara :

Normalisasi = ………....(2)

hasil dari normalisasi tersebut dapat dilihat ditabel bawah : Irms Normal : 1,65731 AmpereIrms Motor rusak 1 lubang 2mm : 1,76146 AmpereIrms motor rusak 1 lubang 5mm : 1,7159 Ampere

TABEL 4. Energi rata-rata wavelet dengan Irms kondisi tanpa beban

Pada tabel 4 menunjukkan hasil energi rata-rata yang berbeda dengan sebelum di normalisasi yaitu pada kondisi 1 lubang 2 mm mengalami penuruan nilai dari kondisi motor normal, dan pada kondisi 1 lubang 5 mm juga mengalami penurunan nilai daya rata-rata pada kondisi motor normal,

B. Pengujian Arus Motor Beban 50%

(a)

(b)

(c) Gambar 7. Dekomposisi Sinyal Wavelet Motor beban

50% (a) Motor Normal (b) Motor rusak Lubang 1 2mm. (c) Motor rusak 1 lubang 5 mm



Dari gambar 7 juga menunjukkan adanya perbedaan bentuk sinyal antara motor normal dengan motor yang mengalami kerusakan, namun perbedaan yang dilihat secara visualisasi tidak dapat menunjukkan secara jelas adanya pendeteksian kerusakan inner race bearing, sehingga dilakukan perhitungan jumlah ripple atau energi rata-rata dengan persamaan no 1. Hasil perhitungan energi rata-rata dapat dilihat pada tabel 5.

TABEL 5. Energi rata-rata sinyal wavelet motor beban 50%

Pada tabel 5 menunjukkan hasil nilai energi rata-rata pada kondisi lubang 1 (2mm) tidak ada yang mengalami penurunan nilai dari kondisi motor normal, sedangkan pada kondisi 1 lubang (5 mm) yang mengalami penuruan nilai hanya di d2 dan d3 saja.

Hal ini sama akan dilakukan normalisasi untuk mengurangi adanya error dengan mencari nilai Irms, dan dilakukan normalisasi, hasil dari nilai normalisasi dapat dilihat pada tabel dibawah ini :

Irms Normal : 2,05092 AmpereIrms Motor rusak 1 lubang 2mm : 2,227723 AmpereIrms motor rusak 1 lubang 5mm : 2,080198 Ampere

TABEL 6. Energi rata-rata wavelet dengan Irms

Setelah dilakukan normalisasi, hasil dari tabel 6menunjukkan adanya penurunan nilai pada 1 lubang 2 mm di d1 dan d5, dan di d2 sampai d4 tetap mengalami kenaikan nilai energi rata-rata, sedangkan di kondisi motor rusak 1 lubang 5 mm sama dengan hasil nilai sebelum dinormalisasi yaitu yang mengalami penurunan nilai hanya di d2 dan d3.

C. Pengujian Arus Motor Beban 100%

(a)

(b)

(c) Gambar 8. Dekomposisi Sinyal Wavelet Motor beban

100% (a) Motor Normal (b) Motor rusak Lubang 1 2mm. (c) Motor rusak 1 lubang 5 mm

Gambar 8 menunjukkan, bahwa beban semakin bertambah maka bentuk sinyal yang diuraikan terlihat semakin rapat atau jumlah ripple nya semakin banyak, sehingga bila dibandingkan secara visual motor normal dengan motor rusak tidak begitu jelas terlihat, oleh karenaitu dilakukan perhitungan energi rata-rata.



TABEL 7. Energi rata-rata sinyal wavelet motor beban 100%

Pada tabel 7 menunjukkan adanya penurunan nilai energi rata-rata pada kondisi lubang 1 (2mm) dari kondisi motor normal, sedangkan pada lubang 1 (5mm) yang mengalami penurunan nilai hanya di d1 dan d2 sedangkan d3 sampai d5 mengalami kenaikan nilai energi rata-rata, nilai dari energi rata-rata tersebut, selanjutnya akan dilakukan normalisasi dengan nilai Irms. Berikut ini adalah hasilnya : Irms Normal : 2,86741 Ampere Irms Motor rusak 1 lubang 2mm : 2,90254 AmpereIrms motor rusak 1 lubang 5mm : 2,88452 Ampere

TABEL 8. Energi rata-rata wavelet dengan Irms pada beban 100%

Tabel 8 menunjukkkan hasil yang sama dengan tabel 7 atau hasil sebelum dinormalisasi yakni pada kondisi 1 lubang (2mm) nilai energi rata-rata mulai dari d1 sampai d5 mengalami penurunan sedangkan pada kondisi 1 lubang (5mm) yang mengalami penurunan hanya di d1 dan d2, setalah itu akan di lanjutkan dengan melihat pada setiap kondisi motor normal tanpa beban sampai beban 100% (full load). Tabel 9 akan menunjukan hasil dari normalisasi untuk seluruh beban dan kondisi motor yang telah dianalisa.

TABEL 9. Perbandingan Nilai Normalisasi Energi rata-rata

Ket. : 0 – tidak ada terdeteksi pada kondisi rusak 1 – terdeteksi kondisi rusak

Dari tabel 9 cara pendeteksiannya yaitu dengan mencari nilai energi rata-rata yang paling kecil dari kondisi motor normal disetiap beban motor, kemudian nilai tersebut dibandingkan dengan setiap kondisi motor rusak, pedeteksian ini dimulai dari d1 sampai d5, apabila nilai energi rata-rata motor rusak lebih kecil atau mengalami penurunan dari nilai energi rata-rata kondisi normal maka sistem pendeteksian berhasil. Untuk melihat presentase keberhasilan nya yaitu :

% =

Pada tabel 9 Presentase keberhasilan di semua beban pada setiap dekomposisi didapatkan yaitu pada d1 sebesar 50%, d2 sebesar 66%, d3 sebesar 50%, d4 sebesar 33,3 %, dan di d5 presentase keberhasilan yaitu 33 %. Sedangkan presentase keberhasilan di setiap beban pada semua dekomposisi didapatkan pada beban 0% atau tanpa beban sebesar 80%, di beban 50% presentase keberhasilannya didapatkan 20% sedangkan pada beban 100% tingkat keberhasilnya antara 20%-40%.

V. KESIMPULAN DAN RINGKASAN Berdasarkan hasil yang telah didapatkan dari proses

pengujian dan analisa didapat kesimpulan bahwa sinyal arus stator yang telah diuji menggunakan dekomposisi wavelet terlihat adanya perbedaan bentuk sinyal pada motor normal dan motor yang telah terdapat kerusakan.

Presentase keberhasilan deteksi inner race bearing menggunakan metode dekomposisi wavelet transform disemua beban pada setiap dekompisisi sebesar 33%-66% sedangkan presentase di setiap beban pada semua dekomposisi sebasar 20%-80%.

Presentase keberhasilan yang baik untuk deteksi kerusakan inner race bearing menggunakan metode dekomposisi wavelet transform yaitu di d2 semua beban yaitu didapat presentase 66% dan di beban 0% pada seluruh dekomposisi yaitu didapat presentase 80%

VI. DAFTAR PUSTAKA[1] Qomah, Isti, Dimas Anton Asfani, and Dedet Candra

Riawan. "Deteksi Kerusakan Batang Rotor Pada Motor Induksi Menggunakan Analisis Arus Mula Berbasis Hilbert Transform." Jurnal Teknik ITS 5.2 (2016): B115-B121.

[2] IAS Motor Reliability Working Group, “Report of Large Motor Reliability Survey of Industrial and Commercial Installations – Part I,” IEEE Trans. on Ind. Appl., vol. 21, Jul./Aug. 1985, pp. 853-864.

[3]Pandarakone, S.E., Mizuno, Y. and Nakamura, H., 2016. Distinct fault analysis of induction motor bearing using frequency spectrum determination and support vector machine. IEEE Transactions on Industry Applications,53(3), pp.3049-3056.



[4] Ghods, A. and Lee, H.H., 2014, February. A frequency-based approach to detect bearing faults in induction motors using discrete wavelet transform. In 2014 IEEE International Conference on Industrial Technology (ICIT) (pp. 121-125). IEEE.

[5] Utomo, R.M., Negara, I.M.Y., Asfani, D.A. and Alham, N.R., 2018, August. Wavelet Filter Selection Analysis for Air Gap Eccentricity in Three Phase Induction Motor. In 2018 International Seminar on Intelligent Technology and Its Applications (ISITIA) (pp. 199-204). IEEE.

BIOGRAFI PENULIS Muhamad Faturrohman lahir di kota Lumajang pada tanggal 25 November 1996, penulis adalah putra ketiga dari 4 bersaudara pasangan Sanito dan Busina, selama 12 tahun penulis mengenyam pendidikan di Sekolah Dasar 02 Ranulogong, SMPN 01 Randuagung, SMKN Klakah hingga lulus tahun 2015. Pada tahun yang sama penulis masuk di jurusan Teknik Elektro Fakultas Teknik

dan Ilmu Kelautan Universitas Hang Tuah Surabaya dan mengambil Bidang Studi Sistem Tenaga.



Documents

IDENTIFIKASI KERUSAKAN INNER RACE BEARING PADA MOTOR …citee.ft.ugm.ac.id/download51.php?f=12. Muhamad... · IDENTIFIKASI KERUSAKAN INNER RACE BEARING PADA MOTOR INDUKSI BERBASIS