Fault classification of outer-race bearing damage in low-voltage induction motor with aid of fourier analysis and SVM

Pandarakone, Shrinathan Esakimuthu; Masuko, Makoto; Mizuno, Yukio; Nakamura, Hisahide

doi:10.1109/icit.2018.8352212

Cited by 9 publications

(1 citation statement)

References 17 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Nilai ini didapatkan dari hasil perhitungan teori dan hasil pengujian secara langsung. Penelitian selanjutnya [14][15][16][17][18] melakukan pendeteksian kerusakan bearing melalui analisi arus stator dengan menggunakan metode Fast Fourier Transform (FFT). Pengujian dilakukan dengan pemberian beban mekanik berupa generator, dan untuk membuat beban bervariasi maka generator diberi pembebanan elektris berupa lampu.…”

Section: Kataunclassified

Prototipe Untuk Mengidentifikasi Kerusakan Bantalan Pada Motor Induksi Menggunakan Convolutional Neural Network

Maulana,

Wijayanto,

Oktavianto

2023

emitor

View full text Add to dashboard Cite

Motor induksi banyak diaplikasikan dalam dunia industri dan merupakan komponen terpenting yang harus diperhatikan kinerjanya. Kerusakan dari motor induksi umumnya terjadi pada bagian dalam motor. Seperti kerusakan pada bearing maupun kerusakan pada rotor. Mendeteksi kerusakan merupakan salah satu metode yang digunakan untuk mengetahui kondisi dari motor induksi, salah satunya adalah pendeteksian melalui getaran pada motor. Kekurangan dari pendeteksian pada getaran adalah adanya kontak terhadap motor induksi dan harganya sangat mahal. Metode ini dirasa kurang praktis bila diterapkan pada mesin yang beroperasi di daerah yang sempit karena menghendaki pemasangan sensor yang tepat pada objek ukur yang terkadang membahayakan operator dan instrument pengukuran. Untuk menghindari hal yang tidak diinginkan, digunakanlah pendeteksian suara. Suara yang dihasilkan motor induksi akan direkam menggunakan mikrophone, kemudian sinyal suara diolah agar menghasilkan spektogram. Data spektogram ini nantinya akan diolah menggunakan metode klasifikasi Convolutional Neural Network (CNN). Terdapat 2 data yang diklasifikasi yaitu motor kondisi sehat dan motor kondisi rusak. Hasil pembelajaran dari Convolutional Neural Network kemudian diterapkan pada STM32F746G berupa model sistem CNN . Dari hasil percobaan, pada fase training sistem berhasil membedakan suara antara motor sehat dan motor rusak dengan tingkat akurasi sebesar 92,4% dan pada fase testing sistem dapat membedakan suara motor rusak dan motor sehat dengan tingkat akurasi rata-rata sebesar 88,325%.

show abstract

Section: Kataunclassified