Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKPengendali swa tala dengan penempatan kutub merupakan Salah satu pengendali adaptif yang menggunakan estimasi dengan pendekatan linier untuk memperbaharui pengendalinya secara on-line. Pengendali swa tala ini mampu mempertahankan unjuk kerja lingkar tertutup sistem namun membutuhkan waktu yang cukup lama untuk melakukan adaptasi. Untuk mengatasi perubahan yang cepat, dapat diatasi dengan menggunakan beberapa model linier yang dapat merepresentasikan sistem untuk beberapa titik kerja melalui pendekatan linier dengan analisis secara off-line. Model yang akan dlaktifkan adalah model yang paling baik merepresentasikan sistem pada saat itu dengan menggunakan supervisor yang menentukan mekanisme 'switching. Pengendalian ini disebut pengendalian multi model. Pengendalian multi model memiliki keterbatasan untuk penempatan model dalam database sehingga unjuk kerja lingkar tertutup akan menurun jika tidak ada satupun diantara model-model yang ada dalam database yang mampu mewakili kondisi kerja saat itu. Kelemahan - kelemahan dari metode pengendalian swa tala dan pengendalian multi model dapat diatasi dengan menggabungkan kedua metode tersebut sehingga menjadi pengendalian adaptif multi model yang mampu mempertahankan unjuk kerja lingkar tertutup sistem walaupun terjadi selang waktu perubahan set point yang cepat

---

"

"Pengendali adaptif pada Pressure Process Rig Feedback 38-714 dengan mekanisme adaptasi, yaitu faktor pelupa lebih kecil dari 1, menunjukkan performa yang baik jika set-point yang diberikan cukup tereksitasi. Pada sistem dengan setpoint kurang tereksitasi, pengendalian adaptif dengan mekanisme adaptasi menghasilkan fenomena Bursting, yaitu fenomena di mana sistem tidak terkontrol akibat gagalnya kerja estimator. Untuk mengatasi hal tersebut dirancanglah suatu algoritma supervisi. Algoritma supervisi ini berfungsi untuk menata kinerja estimator dan sintesa pengendali dan untuk memastikan lup pegnendalian selalu stabil. Pada skripsi ini, algoritma supervisi memantau besaran sinyal rata-rata dan variansi kesalahan prediksi, autokorelasi sinyal kendali, variansi parameter model, dan letak kutub parameter model terestimasi. Besaran - besaran ini dihitung secara rekursif (setiap pencuplikan) dari besaran ? besaran yang dihasilkan oleh pengendali adaptif. Algoritma supervisi ini diaplikasikan pada pengendalian adaptif Pressure Process Rig (Feedback 38-714). Dari uji eksperimen terbukti bahwa pengendalian adaptif dengan supervise memberikan hasil pengendalian yang lebih baik dibandingkan dengan pengendalian adaptif tanpa supervisi.Hal tersebut dapat terlihat dari tidak adanya fenomena bursting yang terjadi pada pengendali adaptif dengan supervisi yang mempunyai mekanisme adaptasi dan set-point kurang tereksitasi.

---

Adaptive controlling on Pressure Process Rig Feedback 38-714 with adaptation mechanism, that has forgetting factor less than 1, shows good performance if the set-point given excite enough. In the system with less excitation, adaptive control with adaptation mechanism results Bursting phenomenon, that is phenomenon where system can?t be controlled anymore because of the estimator failure. Supervision algorithm is designed to cope with that problem. This supervision algorithm rule is organizing estimator?s work and controller design to make sure that control closed-loop always stable.

In this bachelor thesis, supervision algorithm monitors some parameters, there are mean and variance of prediction error signal, autocorrelation of control signal, variance of model parameter, and place of estimated model poles. These parameters are recursive calculated (every sample time) from adaptive control parameter yielded. This supervision algorithm is implemented on Pressure Process Rig (Feedback 38-714) with adaptive control.

From experiment test, it is proved that adaptive control with supervision gives better control result than adaptive control without supervision. It can be seen from no Bursting phenomenon that happened in adaptive control with supervision level that has adaptation mechanism and less excitation set-point."

"Sistem Kendali Adaptif Acuan Model Proporsional Integral (SKA2M-PI) merupakan salah sate jenis pengendali adaptif yang dapat mengatasi masalah-masalah yang sering didapati dalam perancangan sistem kendali modern seperti fungsi alih yang tidak dapat didefinisikan dengan baik dan parameter proses yang berubah terhadap waktu. Kestabilan sistem ini dijamin dengan diterapkannya teon kestabilan Lyapunov dalam perancangan mekanismenya. Pada skripsi ini dibuat suatu perangkat lunak yang dinamakan Program Sistem Kendali Adaptif Acuan Model (PSK42M), yang berguna untuk men-simulasikan SKA2M-Pl. PSKA2M merupakan perangkat lunak yang mudah digunakan (user friendly), karena dibuat dengan bahasa Visual Basic versi 3.0 di lingkungan Windows 3.10. Dari hasil simulasi dengan PSKA2M, dapat dilihat beberapa kelebihan SKA2M-PI yaitu : mampu meredam overshoot sampai nol persen; mampu menghilangkan galat-tunak sampai mendekati nol persen; mampu mempercepat rise-time dan settling-time; mampu beradaptasi terhadap perubahan parameter proses, sehingga jika hai tersebut terjadi, dapat dengan cepat kembali mencapai unjuk-keoa yang diinginkan; tidak perlu mengetahui fungsi alih-sistem dalam penerapannya ; dan dengan adanya model acuan, mudah untuk mengatur dinamika keluaran sesuai dengan keinginan."

"ABSTRAKPerkembangan teknologi otomotif semakin pesat, tidak hanya pada perkembangan mekanik dan perkembangan sistem elektrikal, namun pengaturan dinamika pergerakan mobil juga turut berkembang seiring meningkatnya penggunaan kendaraan listrik electric vehicle . Vehicle Dynamic Control VDC merupakan salah satu teknologi yang berkembang dengan tujuan memperbaiki dinamika kendaraan lewat sistem distribusi torsi ke roda demi tercapainya kenyamanan dan kestabilan saat berkendara. Namun sifat dinamika kendaraan yang tidak linear dalam distribusi gayanya membuatnya sulit untuk dikendalikan. Oleh karena itu, dalam penelitian ini dirancang Vehicle Dynamic Control yang berfungsi untuk mengendalikan Yaw Rate dan kecepatan lateral. Yaw Rate dan kecepatan lateral dihitung berdasarkan beberapa parameter, diantaranya sudut stir, slip, dan torsi. Hasil perhitungan Yaw Rate dan kecepatan lateral kemudian digunakan untuk menghitung kompensasi torsi oleh pengendali prediktif sehingga kestabilan dapat terjaga. Uji simulasi VDC dilakukan dengan menggunakan beberapa skenario jalan untuk melihat keandalan sistem VDC. Hasil dari penelitian ini adalah tercapainya performa kestabilan yang baik secara lateral, yaitu nilai kecepatan lateral dan yaw rate yang dapat mengikuti nilai referensi.

---

ABSTRACTThe development of automotive technology is get ahead, not only on the development of mechanical and electrical systems, but the dynamics control of movement of cars also develop along with the increasing use of electric vehicles EV . Vehicle Dynamic Control VDC is one of the technology developed, the purpose of VDC is to improve the dynamics of the vehicle through the intervention of the braking and traction systems to achieve comfortability and stability when driving. However, vehicle dynamics have non linear characteristic in torque distribution make it hard to be controlled. Therefore, in this study will be analyzed and designed Vehicle Dynamic Control which works by yaw rate and lateral velocity. which is calculated based on several parameters, such as steer angle, slip, and torque. Yaw Rate and lateral velocity respons then used to calculate the compensation torque by predictive controller so that stability can be maintained. Simulation test of VDC is done using several schemes to prove the ability of VDC system. The result of this study is a stable performance in laterally, which means that the lateral velocity and yaw rate will follow the reference value."

"ABSTRAKPenelitian ini melaporkan tingkat keberhasilan dari sistem speech recognition yang diimplementasikan ke dalam quadcopter sebagai kendali geraknya. Pada sistem speech recognition digunakan metode mel frequency cepstral coefficient MFCC sebagai feature extraction yang kemudian akan di-training menggunakan metode recursive neural network RNN . Metode MFCC sendiri merupakan salah satu metode feature extraction yang paling banyak digunakan untuk speech recognition. Metode tersebut memiliki tingkat keberhasilan yang cukup besar sekitar 80 - 95 . Pada penelitian ini akan digunakan database yang sudah ada dan database yang baru. Database yang sudah ada akan digunakan sebagai media pengukur tingkat keberhasilan metode RNN. Database yang baru akan dibuat menggunakan bahasa indonesia dan kemudian dibandingkan tingkat keberhasilannya dengan hasil dari database yang sudah ada. Suara yang masuk dari microphone akan diolah pada laptop yang telah memiliki modul DSP dengan metode MFCC untuk mendapatkan nilai karakteristiknya. Nilai karakteristik tersebut kemudian akan di-training menggunakan RNN yang hasilnya berupa perintah. Perintah tersebut akan menjadi input kendali bagi single board computer SBC yang hasilnya berupa pergerakan quadcopter.

---

ABSTRACTThis research reports a success rate of speech recognition systems that are implemented into quadcopter as motion control. Speech recognition system is using mel frequency cepstral coefficient method MFCC as feature extraction that will be trained using recursive neural network method RNN . MFCC method is one of the feature extraction method that most used for speech recognition. This method has a success rates about 80 95 . This research will use the existing database and the new database. Existing database will be used for measure the success rate of RNN method. The new database will be created using Indonesian language and then the success rate will be compared with results from an existing database. Sound input from the microphone will be processed on a laptop that has a DSP module with MFCC method to get the characteristic values. The characteristic values then will be trained using the RNN which result is command. The command will become a control input to the single board computer SBC which result is the movement of quadcopter."

"Teknologi drone banyak dikembangkan dan digunakan, khususnya pemantauan di medan-medan yang susah terjangkau manusia, namun metode pendeteksian manusia belum ada yang diimplementasikan pada drone. Metode pendeteksian manusia yang sedang populer sekarang seperti metode Histogram of Gradient HoG Local Binary Pattern Feature LBP dengan tingkat keberhasilan mencapai 80 , metode Deformable Part Model DPM dengan tingkat keberhasilan 50 . Penelitian ini melaporkan tingkat keberhasilan dari metode pendeteksian wajah menggunakan LBP diintegrasikan DPM yang nantinya akan coba ditanamkan sebagai penentu pergerakan drone quadcopter . Objek yang tertangkap kamera akan diolah gambarnya dengan metode LBP dan DPM, kedua metode ini berfungsi sebagai feature extraction, dimana gambar diolah sehingga didapatkan data karakteristik dari bentuk gambar yang diekstrak. Data karakteristik akan dicocokkan dengan data model wajah manusia menggunakan classification, sehingga bisa didapatkan tingkat kecocokan objek dengan model. Jika objek sesuai dengan model, akan dikirim jarak dari drone dan objek ke Single Board Computer SBC sebagai acuan pergerakkan drone untuk menggerakan Robot Operating System ROS drone untuk mendekati objek. Jika diperiksa untuk kedua kalinya objek benar-benar sesuai dengan model koordinat objek akan dikirimkan ke Ground Control Station. Dari percobaan didapatkan persentase keberhasilan pendeteksian yang lebih baik karena LBP memiliki akurasi yang baik dan DPM mengurangi jumlah model yang digunakan untuk pencocokan.

---

Technology of drone has been developed and used, especially in the fields of monitoring for difficult area to reach by human, but the human detection methods are not implemented on drone yet. The most popular human detection methods are Histogram of Gradient HOG Feature Local Binary Pattern LBP with a success rate 80 , Deformable Part Model DPM with success rate 50 . This research reported a success rate of face detection method using LBP integrated with DPM that will implemented to determined the drone quadcopter movement. Objects caught on camera will be processed with LBP and DPM method, this method serve as feature extraction, where the image is processed to obtain the characteristic data from the extracted image shape. Data will be matched with models data face using classification, so that we will be obtained compatibility of object and models. If the object compatible with the models, a distance from the object to the drone will be sent to Single Board Computer SBC in the drone as a reference movement to approach the object with Robot Operating System ROS. The object will be checked for a second time to cross check the compatibility, then coordinates of the object will be sent to the Ground Control Station. The experimental will be obtained a better percentage of success rate detection because LBP has a good accuracy and DPM reduces the number of models for matching."