ADAPTIVE PREDICTIVE CONTROL BERBASIS ANFIS-PI...

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

GARIS BESAR

PENDAHULUAN1

KAJIAN PUSTAKA2

METODE PENELITIAN3

PEMBAHASAN4

KESIMPULAN5

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

Gambar 2.6 Skema dasar untuk sebuah system adaptive (Martin Sanchez, 1996)

2 KAJIAN PUSTAKA


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


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


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


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


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


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


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


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


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


Reference diperbesar 90oC


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


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


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


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


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.


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.


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.

ADAPTIVE PREDICTIVE CONTROL BERBASIS ANFIS-PI...

Documents

Transcript of ADAPTIVE PREDICTIVE CONTROL BERBASIS ANFIS-PI...