adaptive predictive control berbasis anfis-pi...
TRANSCRIPT
LOGO
ADAPTIVE PREDICTIVE CONTROL BERBASIS ANFIS-PI UNTUK PENGENDALIAN TEMPERATUR HEAT EXCHANGER
ADAPTIVE PREDICTIVE CONTROL BERBASIS ANFIS-PI UNTUK PENGENDALIAN TEMPERATUR HEAT EXCHANGER
TESIS RE2099TESIS RE2099
Ruslim 2207202201 Ruslim 2207202201
Dosen Pembimbing Ir. Rusdhianto Effendie AK, M.T Ir. Ali Fatoni, M.T
Dosen Pembimbing Ir. Rusdhianto Effendie AK, M.T Ir. Ali Fatoni, M.T
PROGRAM MAGISTER BIDANG KEAHLIAN TEKNIK SISTEM PENGATURAN
JURUSAN TEKNIK ELEKTRO FAKULTAS TEKNOLOGI INDUSTRI
INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA
PROGRAM MAGISTER BIDANG KEAHLIAN TEKNIK SISTEM PENGATURAN
JURUSAN TEKNIK ELEKTRO FAKULTAS TEKNOLOGI INDUSTRI
INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA
1 PENDAHULUAN
Latar Belakang
Heat Exchanger merupakan suatu alat untuk proses pertukaran panas, yang berfungsi untuk mentransfer panas antara dua fluida yang berbeda temperature dan dipisahkan oleh suatu sekat pemisah, dan memegang peranan sangat penting pada industri pengolahan yang mempergunakan atau memproses energy.
Proses transfer panas pada Heat Exchanger perlu untuk dikendalikan agar diperoleh temperature fluida yang sesuai dengan kriteria yang diinginkan, sehingga pemanfaatan sumber energy yang tersedia akan dapat lebih optimal.
Adanya keterbatasan area kerja sensor dan actuator pada plant Heat Exchanger, yang akan menyebabkan keterlambatan respon dari system kendali jika proses dikendalikan dengan menggunakan sistem kendali yang hanya berbasis pada system kendali PID biasa.
Salah satu teknik yang dikembangkan untuk mengatasi kelemahan system kendali berbasis PID multi loop SISO adalah dengan menggunakan Model Predictive Control (MPC).
1 PENDAHULUAN
Latar Belakang
Model Predictive Control (MPC) merupakan jenis system kendali yang didesain berdasarkan model suatu proses yang digunakan untuk menghitung nilai prediksi keluaran proses.
Biasanya Model Base Predictive Control menggunakan model linier dengan algoritma on-line least square untuk menentukan parameter. Akan tetapi Heat Exchanger memiliki proses yang sangat tidak linier, sehingga metode ini akan sulit jika ingin diterapkan secara langsung pada proses tersebut (Radu Balan, 2007).
Dengan demikian diperlukan beberapa modifikasi atau pengembangan dalam mendesain model system kendali yang berbasis Model Predictive Control tersebut.
Salah satu model kontroler yang banyak dikembangkan adalah Intelligent Systems Control, yang memanfaatkan teknik komputasi dalam mencari penyelesaian suatu permasalahan.
Intelligent Systems Controller ini juga dapat digunakan untuk memecahkan persoalan-persoalan yang berkaitan Model Predictive Control.
1 PENDAHULUAN
Perumusan MasalahDari latar belakang tersebut diatas maka dirumuskanlah suatu permasalahan dan metode yang akan digunakan untuk memecahkan permasalahan tersebut:
Adanya masalah time delay dalam proses pengukuran sinyal respon dari Heat Exchanger membuat model dengan system control yang biasa tidak lagi dapat bekerja dengan hasil maksimal pada plant tersebut, karenanya perlu digunakan kontroler yang berbasis pada Model Predictive Control (MPC).
Pada kenyataannya, didalam dunia industri Heat Exchanger juga terkadang harus bekerja pada beban bervariasi atau berubah yang akan menyebabkan terjadinya perubahan parameter-parameter dari plant tersebut, karena itu selain kemampuan prediksi, pada system juga perlu ditambahkan mekanisme adaptasi yang mampu melakukan proses pembelajaran terhadap perubahan parameter plant yang terjadi sehingga keluaran dari plant dapat tetap terjaga sesuai dengan setpoint yang diberikan.
1 PENDAHULUAN
Perumusan Masalah
Berangkat dari permasalahan yang ada diatas, maka pada penelitian ini didesain suatu system kendali yang mampu memprediksi nilai keluaran dari Heat Exhcanger, serta mampu beradaptasi dengan baik jika terjadi perubahan beban pada plant Heat Exhcanger tersebut.
System kendali Adaptive Predictive Control dirancang sedemikian rupa dengan menggunakan computer yang berbasis pada System Inteligent Kontrol yaitu Adaptive Neuro Fuzzy Inference System (ANFIS).
Dan untuk menjaga agar nilai keluaran system memiliki error yang kecil maka kontroler yang didesain dikombinasikan dengan kontroler Proportional Integral (PI).
1 PENDAHULUAN
Tujuan dan Manfaat PenelitianTujuan dari penelitian ini secara umum adalah sesuai dengan judul penelitian yang telah disebutkan, yaitu:
1) Mengembangkan algoritma Adaptive Predictive Control berbasis ANFIS yang dikombinasikan dengan kontroler PI sebagai pengendali temperature pada Heat Exchanger.
2) Mengetahui dan memperjelas jenis kontroler yang paling cocok untuk diimplementasikan pada plant Heat Exchanger.
1 PENDAHULUAN
Tujuan dan Manfaat PenelitianDengan tercapainya tujuan tersebut diatas maka manfaat yang bisa diperoleh dari penelitian ini adalah:
1) Temperatur Heat Exchanger dapat dikendalikan sesuai dengan setpoint yang diinginkan sehingga pemanfaatan energi pada system akan lebih optimal.
2) Adanya alternative solusi dengan metode yang berbeda untuk menyelesaikan permasalahan proses pengendalian Heat Exchanger.
3) System kendali pada heat exchanger dapat dilakukan secara online dengan memanfaatkan teknologi computer.
BACK
2 KAJIAN PUSTAKA
Heat Exchanger(Feedback instrument Ltd, 2003)
Plant heat exhcnager yang digunakan dalam penelitian ini adalah Temperature Process Rig Trainer 38-600, plant ini merupakan bagian dari Procon 38 Series System yang digunakan sebagai trainer dalam proses pengendalian temperatur (Temperature Process Control) secara real.
Komponen-komponen dan instalasi dari plant adalah seperti yang terlihat pada Gambar 2.1, yaitu:
Heat Exchanger
Pompa
Water Reservoir
Heater
Servo valve
Cooling Radiator
Thermistor
2 KAJIAN PUSTAKA
Gambar
2.1 Tampilan
depan
dari
Temperature Porcess
Rig Trainer
38-600
(Feedback instrument Ltd, 2003)
2 KAJIAN PUSTAKA
Heat Exchanger(Feedback instrument Ltd, 2003)
Pada plant Temperature Process Rig Trainer 38-600 terdapat dua aliran fluida dengan temperature yang berlainan, yaitu:
Fluida bertemperatur tinggi, dalam plant ini disebut sebagai primary flow.
Fluida bertemperatur rendah, dalam plant ini disebut sebagai secondary flow.
Diagram alir dari kedua jenis aliran fluida ini ditunjukkan dalam Gambar 2.2.
2 KAJIAN PUSTAKA
Gambar
2.2 Diagram alir
fluida
pada
Primary Flow dan
Secondary Flow (Feedback instrument Ltd, 2003)
2 KAJIAN PUSTAKA
System Kontrol Umpan Balik (Risfendra, 2007)
Kontroler otomatis yang membandingkan sinyal keluaran sistem dengan sinyal acuan disebut dengan sinyal umpan balik, yang kemudian dinamakan sistem kontrol umpan balik
Upaya untuk membuat kesalahan sekecil mungkin tersebut dinamakan aksi kontrol.
Diagram blok sistem kontrol umpan balik adalah sebagaimana yang terdapat dalam Gambar 2.3.
Gambar 2.3 Diagram Blok Sistem Kontrol Umpan Balik (Risfendra, 2007)
2 KAJIAN PUSTAKA
System Kontrol Umpan Balik[10]
Dimana:
r = refference (setpoint)
y = respon plant
G = proses yang akan dikendalikan
K = kontroler
u = sinyal dari elemen kontrol
d = gangguan
e = error
2 KAJIAN PUSTAKA
System Kontrol Prediksi (Marthin Sanchez, 1996)
Kontrol prediksi merupakan jenis kontroler yang didesain berdasarkan model suatu proses, yang digunakan untuk menghitung sejumlah nilai prediksi keluaran dari proses tersebut.
Berdasarkan sejumlah nilai prediksi tersebut, sinyal kontrol yang akan diberikan ke proses dihitung dengan melakukan minimalisasi suatu fungsi kriteria sehingga selisih antara jumlah nilai prediksi keluaran proses tersebut dengan set masukan referensi yang bersesuaian adalah minimal.
Prediksi keluaran pada waktu k untuk saat waktu k+1 berikutnya adalah:
n
i
m
iii ikubikyakky
ˆ
1
ˆ
1
)1(ˆ)1(ˆ)1(ˆ (2.2)
2 KAJIAN PUSTAKA
System Kontrol Adaptive Predictive (Marthin Sanchez, 1996)
Sebuah model yang membuat prediksi dengan tepat akan mampu mengimbangi proses keluaran jika ia menerima masukan yang sama seperti pada proses.
Ketika prediksi tidak memuaskan, terkait dengan parameter yang tidak bisa menyesuaikan, maka ia sebaiknya mempunyai sebuah mekanisme adaptasi yang mampu menyesuaikan parameter- parameter model dari kesalahan dengan membandingkan proses dengan keluaran model.
Skema hubungan dari system ini diperlihatkan pada Gambar 2.6.
2 KAJIAN PUSTAKA
System Kontrol Adaptive Predictive (Marthin Sanchez, 1996)
Adaptive Predictive Control System (APCS) adalah sebagaimana yang ditampilkan dalam blok diagram pada Gambar 2.7.
Gambar 2.7 Adaptive Predictive Control System (Martin Sanchez, 1996)
2 KAJIAN PUSTAKA
System Kontrol Adaptive Predictive (Marthin Sanchez, 1996)
Dalam system adaptive model predictive memberikan suatu estimasi dari keluaran proses pada waktu k menggunakan parameter- parameter model yang juga diestimasi pada waktu k, yang mana ditandai oleh , sinyal kontrol keluaran dan proses sudah diaplikasikan atau diukur pada waktu sebelumnya.
Estimasi keluaran model ditampilkan dalam bentuk persamaan :
(2.3)
)(ˆ kr
)()(ˆ)(ˆ dkkkky rT
r
2 KAJIAN PUSTAKA
System Kontrol Adaptive Predictive (Marthin Sanchez, 1996)
Dimana:
),1(),....,1(),([)( rT
r ndkydkydkydk
),1(),....,1(),( rmdkudkudku
)]1(),....,1(),( rpdkwdkwdkw
),(ˆ),....,(ˆ,ˆ),(ˆ),....,(ˆ),(ˆ[)(ˆ2)(121 kbkbbkakakak mrknrr
)](ˆ),....,(ˆ),(ˆ 21 kckckc pr
2 KAJIAN PUSTAKA
System Kontrol Adaptive Predictive (Marthin Sanchez, 1996)
Estimasi error antara keluaran proses dan model:
Prediksi keluaran pada waktu k+d:
Trayektory kendali yang dinginkan dapat ditulis sebagai yd (k+d), prinsip dari kontrol predictive dapat ditulis kedalam bentuk persamaan:
Persamaan tersebut diatas dapat juga ditulis dalam bentuk persamaan:
)()()()(ˆ)()( dkkkykkykykke rT
r (2.4)
)()(ˆ)(ˆ kkkdky rT
r (2.6)
)()(ˆ)( kkdky rT
rd (2.7a)
)()(ˆ)()(ˆ)( 1 kukkkdky roT
rod (2.7b)
2 KAJIAN PUSTAKA
System Kontrol Adaptive Predictive (Marthin Sanchez, 1996)
Sehingga persamaan untuk menentukan besarnya sinyal kontrol adalah:
Jelaslah bahwa mekanisme adaptasi harus selalu menjamin bahwa parameter tidak nol untuk setiap waktu k.
Sehingga akhirnya dapat didefinisikan suatu kontrol atau tracking error yang merupakan selisih dari keluaran proses dan keluaran kendali yang diiginkan, sebagai:
)(ˆ)()(ˆ)(
)(1 k
kkdkyku ro
Trod
(2.8)
)(1̂ k
)()()( kykyk d (2.9)
2 KAJIAN PUSTAKA
Adaptive Neuro Fuzzy Inference System (Jang, 1997, Sri Kusumadewi, 2006)
Neuro-fuzzy adalah gabungan dari dua sistem yaitu sistem logika fuzzy dan jaringan syaraf tiruan, dimana sistem inferensi fuzzy dilatih menggunakan algoritma pembelajaran yang diturunkan dari sistem jaringan syaraf tiruan.
Dengan demikian, sistem neuro-fuzzy memiliki semua kelebihan yang dimiliki oleh sistem inferensi fuzzy dan sistem jaringan syaraf tiruan.
Dari kemampuannya untuk belajar maka sistem neuro-fuzzy sering disebut sebagai ANFIS (Adaptive Neuro Fuzzy Inference Systems).
Secara fungsional arsitektur ANFIS sama dengan fuzzy rule base model Sugeno dan juga sama dengan jaringan syaraf dengan fungsi radial dengan sedikit batasan tertentu.
2 KAJIAN PUSTAKA
Adaptive Neuro Fuzzy Inference System (Jang, 1997, Sri Kusumadewi, 2006)
Salah satu bentuk struktur yang sudah sangat dikenal adalah seperti terlihat pada Gambar 2.16.
Gambar 2.16 Arsitektur jaringa ANFIS (Jang, J.S.R., Sun, C.T., Mizutani,E., 1997)
2 KAJIAN PUSTAKA
Adaptive Neuro Fuzzy Inference System(Jang, 1997, Sri Kusumadewi, 2006)
Seperti terlihat pada Gambar 2.16, sistem ANFIS terdiri dari 5 lapisan, yaitu:
1) Layer-1: Membangkitkan derajat keanggotaan.
2) Layer-2: Membangkit firing strength.
3) Layer-3: Bagian untuk menghasilkan keluaran yang menormalkan firing strength.
4) Layer-4: Menghitung keluaran kaidah berdasarkan parameter consequent.
5) Layer-5: Menghitung sinyal keluaran ANFIS dengan menjumlahkan semua sinyal yang masuk.
2 KAJIAN PUSTAKA
Adaptive Neuro Fuzzy Inference System(Jang, 1997, Sri Kusumadewi, 2006)
Proses adaptasi yang terjadi dalam sistem ANFIS dikenal juga dengan pembelajaran, yaitu parameter-parameter ANFIS (baik premise maupun consequent) Selama proses belajar akan diperbaharui menggunakan metode pembelajaran.
Metode pembelajaran yang digunakan dalam sistem ANFIS adalah algoritma pembelajaran hybrid, yang terdiri dari dua bagian yaitu bagian arah maju dan bagian arah mundur.
Pada bagian arah maju, proses adaptasi dilakukan menggunakan metode LSE dan terjadi pada parameter consequent, sedangkan pada bagian arah mundur, proses adaptasi dilakukan menggunakan metode gradient-descent dan terjadi pada parameter premise.
BACK
3 METODE PENELITIAN
Heat Exchanger
Sistem kendali pada plant Heat Exhanger memanfaatkan pengolahan arus listrik, sedangkan proses akuisisi data dengan ADC dan DAC memerlukan pengolahan tegangan listrik agar dapat dibaca komputer.
Oleh sebab itu, dalam proses identifikasi atau proses pengendalian temperatur Heat Exhanger ini diperlukan pengubah arus ke tegangan, demikian pula sebaliknya.
Blok diagram untuk identifikasi dan pengendalian temperatur Heat Exhanger secara online adalah seperti yang terlihat pada Gambar 3.1.
3 METODE PENELITIAN
Heat Exchanger
Gambar 3.1 Blok diagram sistem identifikasi dan kendali Heat Exhanger.
3 METODE PENELITIAN
Model Matematis Plant Heat Exchanger (Angga Saputro, 2008)
Model plant diperlukan untuk proses simulasi, menguji algoritma kontroler, menentukan parameter awal dari kontroler dan permodelan system serta mempertajam analisa untuk kebutuhan desain kontroler.
Persamaan fungsi alih dari model plant Heat Exhanger pada Temperature Process Rig Trainer 38-600 adalah sebagai berikut:
1) Beban nominal
2) Beban bertambah
1009566,803829,169538,0
2
ssG
11574,4321,45395,0
2
ssG
(3.1)
(3.2)
3 METODE PENELITIAN
Desain Kontroler
Kontroler dirancang sedemikian rupa hingga diperolehnya respon sistem yang sesuai dengan kriteria yang diinginkan.
Adaptive Predictive Control berbasis Adaptive Neuro-Fuzzy Inference System Proportional Integral (ANFIS-PI) yang dikembangkan adalah sebagaimana yang dipelihatkan pada blok diagram Gambar 3.3.
Secara garis besar system tersebut dibagi menjadi empat bagian utama yaitu:
1) Plant
2) Model prediksi keluaran sistem
3) Model invers dari keluaran sistem
4) Model prediksi error
5) Kontroler
3 METODE PENELITIAN
Desain Kontroler
Gambar 3.3 Blok diagram Control AdaptivePredictive Berbasis ANFIS
3 METODE PENELITIAN
Arsitektur ANFIS
Arsitektur ANFIS yang dirancang untuk kebutuhan desain kontroler dan permodelan sistem adalah sebagimana terlihat pada Gambar 3.4 berikut.
Gambar 3.4 Arsitektur ANFIS dengan empat variabel masukan dan empat rule
3 METODE PENELITIAN
Arsitektur ANFIS
Struktur dari model ANFIS yang digunakan tersebut adalah berdasarkan pada:
Model fuzzy Sugeno orde-satu sehingga bagian consequen dari aturan fuzzy if-then adalah persamaan linier.
Operator T-norm yang membentuk fuzzy AND adalah keluaran aljabar.
Type fungsi kenggotaan (Member Fucntion-MF) dari input adalah fungsi generalized bell yang merupakan persamaan yang tidak linier.
3 METODE PENELITIAN
Arsitektur ANFIS
Fungsi node pada setiap layer yang sama akan memiliki fungsi yang serupa, dengan penjelasan untuk masing-masing layer adalah sebagai berikut:
a) Layer-1, membangkitkan derajat keanggotaan:
dimana x1, x2, x3 dan x4 adalah masukan pada node i dan Ai, Bi-4, Ci-8 dan Di-12 adalah fuzzy set yang berhubungan dengan node ini dalam bentuk fungsi generalized bell:
16 15, 14, 13,untuk ),(atau 12 11, 10, 9,untuk ),(
atau 7,8 6, 5,untuk ),(atau 3,4 2, 1,untuk ),(
412,
38,
24,
1,
ixOixOixOixO
iDil
iCil
iBil
iAil
( 3.3)
ib
i
i
acx
xA 2
1
1)(
(3.4)
3 METODE PENELITIAN
Arsitektur ANFISb) Layer-2, membangkit firing strength dari suatu rule yaitu
dengan mengalikan setiap sinyal masukan, sebagai berikut:
c) Layer-3, bagian untuk menghasilkan keluaran yang menormalkan firing strength, sebagai berikut:
d) Layer-4, menghitung keluaran kaidah berdasarkan parameter consequent. Dari Gambar 3.4 ditentukan parameter-parameter consequent adalah pi, qi, ri, si, ti. Maka persamaan pada layer- 4 ini adalah:
4 ..., 1, ,)()()()( 4321,2 ixxxxwO iDiCiBiAii (3.5)
...,4 1, ,4321
,3
iwwww
wiwO ii (3.6)
),( 3321,4 iiiiiiiii txsxrxqxpwfwO (3.7)
3 METODE PENELITIAN
Arsitektur ANFISe) Layer-5, menghitung sinyal keluaran ANFIS dengan
menjumlahkan semua sinyal yang masuk:
,
5
i i
i ii
wfw
fiwiO (3.8)
3 METODE PENELITIAN
Algoritma Pembelajaran Hybrid
Proses adaptasi yang terjadi dalam sistem ANFIS dikenal juga dengan pembelajaran hibrid, yang terdiri dari dua bagian yaitu bagian arah maju dan bagian arah mundur.
a) Bagian arah maju
Ketika nilai parameter-parameter bagian premise telah ditentukan, maka total keluaran dapat dinyatakan sebagai kombinasi linier dari parameter-parameter consequent.
24321
21
4321
1 fwwww
wf
wwwww
f
44321
43
4321
3 fwwww
wfwwww
w
(3.9)
3 METODE PENELITIAN
Algoritma Pembelajaran Hybrid (arah maju)
dimana linier pada parameter-parameter consequent p1, q1, r1, s1, t1, p2, q2, r2, s2, t2, p3, q3, r3, s3, t3, dan p4, q4, r4, s4, t4. Sehingga:
444443442441433343
33332331322242232
22221211141131121111
44434241443433323133
24232221221413121111
)())()()()()()(
)()()()()()(
)()()()()()()(
)()(
)()(
twsxwrxwqxwpxwtwsxw
rxwqxwpxwtwsxwrxw
qxwpxwtwsxwrxwqxwpxw
txsxrxqxpwtxsxrxqxpw
txsxrxqxpwtxsxrxqxpw
Xf (3.10)
3 METODE PENELITIAN
Algoritma Pembelajaran Hybrid (arah maju)
Dengan menggunakan metode invers dan dengan mengasumsikan jumlah baris dari pasangan X dan f adalah k, maka diperoleh:
Karena jumlah parameter ada sebanyak n, maka kita bisa menyelesaikan matrik n x n dengan metode invers sebagai berikut:
fXXX TTk ) ( 1 (3.12)
1)( nT
nn XXP
fXP Tnnn
(3.13)
(3.14)
3 METODE PENELITIAN
Algoritma Pembelajaran Hybrid (arah maju)
Dengan LSE rekursif, selanjutnya iterasi dimulai dari data ke- (n+1), dengan nilai Pk+1 dan Wk+1 dapat dihitung sebagai berikut:
Pada penelitian ini nilai P0 dan 0 merupakan nilai awal yang ditentukan secara random
Tkk
kT
kk APA
XXPPP
)1(20)1(2
)1(2)1(2001 1
)( 0)1(21)1(2101 kkT
kkk AyAP
(3.15)
(3.16)
3 METODE PENELITIAN
Algoritma Pembelajaran Hybridb) Bagian arah mundur
Pada bagian mundur, sinyal error dipropagasi mundur dan parameter-parameter premise diperbaharui dengan gradient descent.
dimana
adalah laju pembelajaran untuk aij . Kaidah berantai yang digunakan untuk menghitung derivative parsial digunakan untuk memperbaharui parameter fungsi keanggotaan.
ijijij a
Etata
)()1( (3.17)
ij
ij
ij
i
i
i
iij aw
wf
ff
fE
aE
(3.18)
ijijij c
Etctc
)()1(
3 METODE PENELITIAN
Algoritma Pembelajaran Hybrid (arah mundur)
Derivative parsial diperoleh sebagai,
sehingga,
sehingga,
2)(21 ffE
efffE
)( (3.19)
n
iiff
1
1
iff (3.20)
3 METODE PENELITIAN
Algoritma Pembelajaran Hybrid (arah mundur)
sehingga,
sehingga,
)( 321
1
iiiin
ii
i sxrxqxpw
wfi
n
ii
iiii
i
i
w
fsxrxqxpwf
1
321 )(
m
jAjiiw
1
(3.21)
ij
i
ij
i ww
(3.22)
3 METODE PENELITIAN
Algoritma Pembelajaran Hybrid (arah mundur)
Gradient kemudian diperoleh sebagai berikut:
Sebelum melakukan proses pembelajaran, kita harus mendefinisikan nilai awal dari parameter-parameter premise a, b, dan c
ij
ij
ij
in
ii
iiii
ij aw
w
fsxrxqxpe
aE
1
321 )((3.23)
ij
ij
ij
in
ii
iiii
ij cw
w
fsxrxqxpecE
1
321 )(
3 METODE PENELITIAN
Model Prediksi dan Invers dengan ANFIS
Model standar yang digunakan untuk merepresentasikan system yang didesain adalah model nonlinear autoregressive-moving average (NARMA)
Sehingga didapat model keluaran prediksi adalah:
Dan model keluaran invers adalah:
),1(),....,1(),([)(ˆ ndkydkydkyFky
)]1(),....,1(),( ndkudkudku(3.25)
),1(),....,1(),([)(ˆ ndkydkydkyHdku
)]1(),....,1( ndkudku
(3.26)
3 METODE PENELITIAN
Kontroler Neuro Fuzzy
Besarnya nilai dari sinyal ditentukan oleh parameter-parameter kontroler Neuro Fuzzy, nilai masukan yang berasal dari output model ym , sinyal keluaran sistem y(k) serta sinyal kontrol u(k).
Parameter-parameter kontroler diambil secara online dari bagian invers model plant yang melakukan proses pembelajaran.
Besarnya sinyal kontroler yang dihasilkan oleh kontroler Neuro Fuzzy adalah:
)]1(),....,1( ),1(),....,1(),(),([)(
nkukunkykykydkyGku m (3.27)
3 METODE PENELITIAN
Kontroler Proporsional-Integral (PI)
Kelemahan dari model ANFIS pada pada kasus pengendalian Heat Exchanger ini adalah lambatnya adaptasi parameter model invers terhadap perubahan set point dan beban yang terjadi, yang membuat kontroler bekerja tidak mampu untuk menghasilkan keluaran sesuai yang sesuai dengan seting point.
Karenanya penambahan kontroler PI pada sistem diharapkan dapat menutupi kelemahan tersebut.
Sehingga persamaan untuk sinyal kontroler u(k) adalah sebagai berikut:
)()()( kukuku PINF (3.28)
3 METODE PENELITIAN
Model Prediksi Error
Error Model Prediksi adalah suatu bagian yang berfungsi untuk menjaga agar keluaran sistem mampu untuk tetap mengikuti seting point yang diberikan.
Model ini diturunkan dari model persamaan sistem adaptif, dan dapat dijelaskan berdasarkan ilustrasi dari model system sebagaimana yang terlihat pada Gambar 3.5.
Gambar 3.5 Kontrol adaptive dengan model reference
3 METODE PENELITIAN
Model Prediksi Error
Dari penurunan persamaan yang dijabarkan berdasarkan Gambar 3.3 maka akan didapatkan persamaan error dari model prediksi sebagai berikut:
Dimana 1 *, 2 *, 3 *, 1 * dan 2 * adalah parameter-parameter dari persamaan error model prediksi.
Pada penelitian ini ditentukan sebuah model yang dijadikan sebagai referensi untuk menentukan nilai parameter-parameter error model sebagai berikut:
Dari fungsi alih tersebut, parameter-parameter error model yang didapatkan dari hasil perhitungan perdasarkan persamaan (3.30) sampai dengan persamaan (3.37) adalah 1 *=1, 2 *=-1, 1 *=0,7358 dan 2 *= 0,1353
)1()(
)1()()1()1(ˆ*2
*1
*3
*2
*1
keke
kykykyke rrr
(3.37)
121
2
ssGm (3.38)
3 METODE PENELITIAN
Pengujian Kontroler
Berdasarkan rancangan struktur kontroler yang telah dibuat diatas, maka langkah selanjutnya adalah mengimplementasikan rancangan kontroler, yang mana pada penelitian ini disimulasikan dengan menggunakan program Matlab.
Pengujian yang dilakukan meliputi:
1. Pengujian model matematis plant pada system open loop.
2. Pengujian model plant berbasis ANFIS.
3. Pengujian model invers plant berbasis ANFIS.
4. Pengujian kotroler prediksi berbasis ANFIS
5. Pengujian kotroler adaptif prediksi berbasis PI
6. Pengujian kotrol adaptif prediksi berbasis ANFIS-PI
BACK
4 PEMBAHASAN
Respon Open-Loop Sistem Heat Exchanger
Dengan masukan step pada masing-masing model plant maka dihasilkan respon dari plant sebagimana terlihat pada Gambar 4.2.
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 1500
10
20
30
4050
60
70
80
90100
110
120
130
140150
Waktu (detik)
Res
pon
Pla
nt (o
C)
Beban BertambahBeban Nominal
Gambar 4.2 Respon Open-Loop model system Heat Exchanger dengan setpoint step 2,5.
4 PEMBAHASAN
Respon Open-Loop Sistem Heat Exchanger
Berdasarkan gambar respon open-loop dari masing-masing model pant dapat dilihat bahwa terdapat perbedaan yang jelas antara respon pada model plant dengan beban rendah dan model plant dengan beban bertambah.
Hal inilah yang kemudian menjadi dasar bahwa untuk menjaga agar respon dari sistem Heat Exchanger tersebut tetap stabil pada nilai yang diinginkan akibat adanya perubahan beban, maka pada sistem plant perlu untuk ditambahkan sistem kendali (kontroler).
4 PEMBAHASAN
Respon Model Plant Prediksi Berbasis ANFIS
Respon dari permodelan plant Heat Exchanger dengan metode ANFIS adalah sebagaimana diperlihatkan dalam Gambar 4.3.
0 300 600 900 1200 1500 1800 2100 2400 27000
10
20
30
4050
60
70
80
90100
110
120
130
140150
Waktu (detik)
Res
pon
Pla
nt d
an M
odel
AN
FIS
(oC
)
Respon PlantOutput Model Plant
Beban bertambah
Beban bertambah
Beban kembali ke awal
Reference diperkecil 60oC
Beban bertambah
Beban kembali ke awal
Reference diperbesar 90oC
Beban kembali ke awal
Gambar 4.3 Grafik respon model plant berbasis ANFIS.
4 PEMBAHASAN
Respon Model Plant Prediksi Berbasis ANFIS
Dari gambar terlihat bahwa respon permodelan plant sudah mampu mengikuti respon plant dengan baik dengan nilai error yang kecil pada variasi setpoint dan beban yang diberikan pada system tersebut.
Parameter yang didapat dari proses learning untuk mencapai respon pada permodelan tersebut diatas kemudian digunakan secara online untuk menentukan nilai prediksi keluaran dari system.
Respon dari dari prediksi nilai keluaran plant dengan Neuro Fuzzy diperlihatkan pada Gambar 4.7.
Dari gambar terlihat bahwa prediksi berbasis Neuro Fuzzy juga masih mampu bekerja dengan baik pada variasi setpoin dan beban yang diberikan pada sistem.
4 PEMBAHASAN
Kontroler Prediksi Dengan Model Invers Berbasis ANFIS
Model invers pada sistim ini berfungsi untuk melakukan pembelajaran sampai dengan dicapainya nilai error invers yang terkecil.
Posisi bagian model invers ini sangat menentukan dalam proses pengendalian karena parameter yang dihasilkan akan digunakan secara online oleh bagian kontroler Neuro Fuzzy.
Namun dari grafik hasil simulasi terlihat bahwa sinyal model invers tidak dapat mengikuti dengan baik perubahan yang terjadi pada set point dan beban system Gambar 4.4.
Hal ini membuktikan bahwa dengan menggunakan metode ini pada system kontroler, sinyal invers masih perlu untuk disempurnakan sebelum diberikan ke plant agar system dapat bekerja dengan baik pada kondisi yang berbeda.
Karena itu pada penelitian ini untuk memperbaiki sinyal kontroler nantinya sinyal kontroler Neuro Fuzzy dijumlahkan dengan sinyal kontroler PI.
4 PEMBAHASAN
Kontroler Prediksi Dengan Model Invers Berbasis ANFIS
0 300 600 900 1200 1500 1800 2100 2400 27000
20
40
60
80
100
120
140
160
180
200
Waktu (detik)
Res
pon
Mod
el In
vers
(oC
)
Sinyal KontrolerOutput Model Invers
Reference diperbesar 90oC
Beban bertambah
Reference diperkecil 60oC
Gambar 4.4 Grafik sinyal respon model invers berbasis ANFIS
4 PEMBAHASAN
Kontroler Prediksi Dengan Model Invers Berbasis ANFIS
0 300 600 900 1200 1500 1800 2100 2400 27000
10
20
30
4050
60
70
80
90100
110
120
130
140150
Waktu (detik)
Sin
yal R
espo
n (o
C)
SetpointRespon Plant
Setpoint 60oC
Beban bertambah
Setpoint 75oC
Beban normal
Beban bertambah
Setpoint 90oC
Beban normal
Beban bertambah
Gambar 4.5 Grafik respon plant dengan kontrol prediksi danmodel invers berbasis ANFIS
4 PEMBAHASAN
Kontroler Adaptif Prediktif PI dan Model Plant Berbasis ANFIS
PI dapat digunakan untuk menyempurnakan sinyal kontrol Neuro Fuzzy untuk menghasilkan keluaran sistem yang tetap dapat mengikuti seting point yang diberikan.
Disini diperlihatkan pengaruh kontroler PI terhadap sistem kontrol prediksi apabila berdiri sendiri, yang responnya dapat dilihat pada Gambar 4.6.
Terlihat bawa kontroler PI masih lebih baik dalam menghadapi perubahan yang terjadi pada sistem apabila dibandingkan dengan kontroler ANFIS, akan tetapi overshoot yang terjadi masih tinggi.
4 PEMBAHASAN
Kontroler Adaptif Prediktif PI dan Model Plant Berbasis ANFIS
0 300 600 900 1200 1500 1800 2100 2400 27000
102030405060708090
100110120130140150160
Waktu (detik)
Res
pon
Pla
nt d
an R
espo
n S
tep
(oC
)
SetpointRespon Plant
Beban bertambah
Beban normal Beban normal
Setpoint 75oC
Setpoint 90oC
Beban bertambah
Setpoint 60oC
Gambar 4.6 Respon dari sisten dengan kontroler PI prediksi dan modelplant berbasis ANFIS
4 PEMBAHASAN
Kontroler Adaptif Prediktif Berbasis ANFIS-PI
Desain kontroler adaptif prediktif berbasis ANFIS-PI bertujuan untuk menghasilkan keluaran sistem yang mampu tetap mengikuti seting point yang diberikan, walaupun pada terjadi perubahan beban pada plant.
Dari Gambar 4.7 dapat dilihat bahwa kontroler ini dapat bekerja dengan hasil yang lebih baik.
Error sinyal plant terhadap reference yang terjadi adalah sebagaimana yang terlihat pada Gambar 4.8.
Terlihat bahwa terjadi perubahan nilai error yang signifikan ketika terjadi perubahan pada sistem, namun setelah respon mendekati nilai steady state nilai error sudah sangat kecil.
4 PEMBAHASAN
Kontroler Adaptif Prediktif Berbasis ANFIS-PI
0 300 600 900 1200 1500 1800 2100 2400 27000
10
20
30
4050
60
70
80
90100
110
120
130
140150
Waktu (detik)
Sin
yal R
espo
n (o
C)
SetpointRespon PlantOutput Prediksi
Setpoint 90oCSetpoint 75oC
Setpoint 60oC
Beban Bertambah
Beban Normal
Beban Normal
Beban Bertambah
Beban BertambahBeban Normal
Gambar 4.7 Respon plant dengan kontroler Adaptif Prediktif Berbasis ANFIS-PI
4 PEMBAHASAN
Kontroler Adaptif Prediktif Berbasis ANFIS-PI
Gambar 4.8 Error sinyal plant terhadap sinyal reference dengan beban berubah
BACK
5 KESIMPULAN DAN SARAN
Kesimpulan
Secara umum dapat dikatakan bahwa system control yang didesain untuk pengendalian Heat Exchanger telah mampu bekerja dengan baik.
Dari uraian-uraian yang dijabarkan dalam bab sebelumnya maka dapat ditarik beberapa kesimpulan sebagai berikut:
1. Pemodelan plant dengan menggunakan metode ANFIS dapat bekerja dengan baik pada plant yang tidak linier. Hal ini terlihat dari hasil pengujian dimana model tersebut tetap mampu bergerak mengikuti bentuk dari respon plant dengan error yang relative kecil, baik pada beban plant yang berubah maupun pada setpoint yang berbeda.
2. Penggunakan model invers dalam desain kontroler kurang baik untuk kondisi beban plant dan reference yang berubah. Karenanya untuk memperbaiki kerja dari model jenis tersebut perlu ditambahkan kontroler PI pada system. Kontroler PI akan membantu kontroler Neuro Fuzzy untuk memperbaiki sinyal kontroler yang akan diberikan ke plant.
5 KESIMPULAN DAN SARAN
Kesimpulan3. Desain kontroler Adaptif Prediktif berbasis ANFIS-PI untuk
pengendalian temperature Heat Exchanger telah bekerja sesuai dengan criteria yang dinginkan, yaitu respon plant dengan system kontroler tersebut tetap dapat mengikuti setpoint dengan error yang relative kecil, walaupun pada kondisi dimana terjadi perubahan beban maupun perubahan setpoint pada system.
5 KESIMPULAN DAN SARAN
Saran
Dari hasil pengujian dan uraian pembahasan terlihat bahwa kekurangan system hanya terletak pada model invers dengan metode ANFIS yang tidak maksimal dalam kerjanya akibat kurang mampu beradaptasi terhadap penurunan sinyal yang masuk ke model.
Karena itu perlu dikembangkan model invers dengan metode atau struktur yang berbeda sehingga kontroler untuk kebutuhan plant Heat Exchanger dapat didesain tanpa menggunakan kontroler PI.
DAFTAR PUSTAKA
1)
Angga
Saputro, (2008), “Implementasi
Kontroler
Neural Network Untuk
Pengaturan
Temperatur
Pada
Feedback 38-600 Temperature Process Rigg”, Tugas
Akhir
Bidang
Keahlian
Teknik
Sistem
Pengaturan
Jurusan
Teknik
Elektro
ITS, Surabaya.
2)
Feedback instrument Ltd, (2003), “PROCON Temperature Process Rig Trainer 38-600 Instruction Manual”, Feedback Instrument Ltd., UK.
3)
Jang J.-S.R., Sun C.-T., Mizutani
E., (1997), “Neuro-Fuzzy And Soft Computing: A Computational Approach To Learning And Machine Intelligence”, Prentice-Hall, Inc.
4)
Johnson, Curtis D., (2003), “Process Control Instrumentation Technology-7th ed”, Prentice-Hall, New Jersey.
5)
Juan M. Marthin
Sanchez, Jose Rodellar, (1996), “Adaptive Predictive Control: From the Concepts to Plant Optimization”, Prentice Hall, London.
DAFTAR PUSTAKA
6)
Mahdi
Jalili-Kharajoo, Babak
N. Araabi
(2004), “Neural Network Based Predictive Control of a Heat Exchanger Nonlinear Process”, Journal of Electrical & Electronic Engineering, Instambul
University, Vol. 4, No. 2, hal. 1219-1226.
7)
M.A. Denaı, F. Palis, A. Zeghbib, (2007), “Modeling
And Control Of Non-Linear Systems Using Soft Computing Techniques”, Applied Soft Computing, Vol. 7, hal. 728-738.
8)
Landu, Ioan
Dore, (1990), “System Identification and Control Design Using P.I.M + Software”, Prentice Hall Inc.
9)
Ogata, Katsuhito, (1997), “Modern Control Engineering”, Prentice-
Hall, New Jersey.
10)
Risfendra
(2007), “Disain
Dan Implementasi
Kontroler
Kaskade
Robust Pada
Sistem
Pressure Control Trainer Feedback 38-714”, Tesis
Program Magister
Bidang
Keahlian
Teknik
Sistem
Pengaturan
Jurusan
Teknik
Elektro
ITS, Surabaya.
11)
Radu
Bălan, Vistrian
Mătieş, Victor Hodor, Olimpiu
Hancu, and Sergiu
Stan, (2007), “Applications of a Model Based Predictive Controlto
Heat-Exchangers”, Proceeding of The 15th Mediterranian Conference On Control And Automation, Athens-Greece,
T27-010.
DAFTAR PUSTAKA
12)
Sri Kusumadewi, Sri Hartati
(2006), “Neuro-Fuzzy: Integrasi
Sistem
Fuzzy dan
Jaringan
Syaraf”, Graha
Ilmu, Yogyakarta.