Hasil Pencarian  ::  Simpan CSV :: Kembali

"Untuk mendesain pengendali adaptif pada sistem nonlinier, dibutuhkan estimator dan sintesa pengendali agar parameter pengendali terus diperbaharui jika terjadi perubahan parameter model sistem. Pada skripsi ini, estimator yang digunakan untuk mengestimasi parameter model adalah recursive least square dengan faktor pelupaan, sedangkan sintesa pengendali yang digunakan adalah Generalized Predictive Conlrol (GPC).Perancangan pengendali dengan algoritma GPC berdasarkan pada model sistem yang linier. Oleh karena itu, untuk menerapkan algoritma GPC pada perancangan pengendali adaptif untuk sistem nonlinier, harus dilakukan estimasi parameter model sistem dengan algoritma recursive leasl square sehingga diperoleh model sistem yang linier. Model sistem yang diperoleh akan digunakan sebagai dasar untuk merancang pengendali yang diinginkan dengan menggunakan GPC.Kemampuan adaptasi metode pengendali GPC tergantung pada nilai horizon N dan vektor bobot yang digunakan dalam sintesa pengendali. Dari hasil ujicoba simulasi diperoleh bahwa semakin besar nilai N semakin baik respon sistem namun ada batasan nilai N dimana peningkatan nilai N tidak menunjukkan peningkatan unjuk keija sistem yang signifikan. Sedangkan untuk nilai ZSK, semakin kecil nilainya maka respon sistem akan mengalami osilasi sebelum menuju nilai tunaknya, dan semakin besar nilainya maka respon sistem akan semakin lambat menuju nilai tunaknya. Dengan penggunaan nilai A' dan AGPC yang tepat, diperoleh respon sistem yang baik jika sistem mengalami pembahan set point yang besar dan perubahan set point yang terjadi dalam waktu lebih besar daripada waktu yang dibutuhkan sistem untuk mencapai keadaan tunak. Dengan hasil tersebut dapat disimpulkan bahwa metode pengendali GPC memiliki kemampuan adaptasi yang baik dalam pengendalian sistem nonlinier."

"Sistem tiga tangki merupakan salah satu aplikasi industri kimia yang termasuk dalam sistem hidrolik. Adapun yang dikendalikan dalam sistem tiga tangki adalah ketinggian cairan dalam tangki dan kecepatan aliran dalam pipa. Pendekatan yang dilakukan dalam memodelkan sistem tiga tangki secara matematis adalah dengan mengasumsikan cairan yang digunakan adalah air. Dalam skripsi ini dibahas upaya pengendalian ketinggian cairan tangki ketiga sistem tiga tangki dengan cara mengatur debit air. Salah satu metode pengendali yang mampu mengatasi masalah ini adalah sistem kendali prediktif dan dua di antaranya adalah Generalized Predictive Control dan Generalized Pole Placement yang merupakan pengendali prediktif yang dikenal mempunyai unjuk kerja yang baik.Metode pengendali GPP tergantung pada parameter pengendali horizon N, faktor pembobot. Semakin besar nilai N maka overshoot keluaran sistem semakin kecil tetapi akan membuat sistem lebih lambat dalam mencapai keadaan tunak.Perubahan nilai AGPP tidak terlalu berpengaruh pada keluaran sistem. Namun demikian dapat memperkecil nilai awal sinyal kendali sehingga mengurangi besarnya overshoot.Kemampuan adaptasi metode pengendali GPC tergantung pada nilai horizon N dan faktor pembobot AGPC yang digunakan dalam sintesa kendali. Dari hasil uji coba simulasi yang diperoleh bahwa semakin besar nilai N semakin baik tanggapan sistem, namun ada batasan nilai N dimana peningkatan nilai N tidak menunjukkan peningkatan unjuk kerja sistem yang signifikan. Sedangkan untuk nilai AGPC, semakin kecil nilainya maka tanggapan sistem akan mengalami osilasi sebelum menuju nilai tunak. Dan semakin besar nilainya maka tanggapan sistem akan semakin lambat menuju nilai tunaknya.Setelah dilakukan simulasi menggunakan kedua pengendali di atas terlihat bahwa untuk sistem yang tidak memiliki derau putih, pengendali GPP memiliki unjuk kerja yang baik karena memiliki tanggapan waktu yang cepat dan hampir tidak ada overshoot, sedangkan pada GPC untuk memperoleh tanggapan waktu yang cepat maka harus ada overshoot. Tetapi untuk sistem yang memiliki derau putih lebih baik digunakan pengendali GPC yang terlihat tetap mampu mengikuti nilai acuan, sedangkan GPP menghasilkan sinyal kendali yang sangat besar ketika ada derau, sehingga kurang mampu untuk mengikuti nilai acuan."

"Pengendali prediktif menggunakan prediksi dari keluaran sistem yang akan dikendalikan. Nilai prediksi ini didapat dari pemodelan sistem, dimana penggunaan model sistem pada proses perancangan, menjadi ciri khas dari pengendali prediktif. Pengendali prediktif atau dalam banyak literatur sering disebut sebagai Model Predictive Control, merupakan metode pengendali yang dapat memperhitungkan batasan-batasan (costraints) yang ada dalam sistem. Sehingga kehadiran constraints pada sistem dapat diperhitungkan dengan menggunakan algoritma MPC.Dalam skripsi ini algoritma MPC diterapkan pada sistem dua tangki dengan satu masukan dan satu keluaran. Masukan sistem berupa tegangan pompa sedangkan keluarannya berupa tinggi fluida pada tangki. Batasan amplitudo sinyal kendali diterapkan pada perancangan ini untuk melihat kinerja MPC dalam menangani constraints. Solusi Quadratic Programming yang digunakan untuk menangani kasus MPC dengan constraints pada skripsi ini adalah metode Active Set. Dalam metode Active Set, nilai sinyal kendali diambil supaya ada bagian dari pertidaksamaan constraints menjadi persamaan. Kemudian dengan menggunakan kondisi Karush-Kuhn-Tucker solusi yang berupa nilai optimal dari perubahan sinyal kendali akan didapat.Hasil simulasi yang dilakukan menunjukkan, keluaran selalu dapat mengikuti trayektori acuan dan sinyal kendali yang didapat juga baik. Hasil simulasi juga menunjukkan bahwa faktor bobot pada sinyal kendali R, dan panjangnya Prediction Horizon P, sangat mempengaruhi unjuk kerja dari algoritma MPC. Perbandingan juga dilakukan antara alogritma MPC constraints dengan algoritma pengendali Formula Ackermann, dimana MPC constraints menunjukkan kinerja yang lebih baik."

"Sistem pendinginan pada ruang pusat data menjadi hal yang sangat penting bagi keselamatan sistem komputer di dalamnya Oleh karena itu diperlukan pengendalian yang baik pada Computer Room Air Conditioning CRAC ruang pusat data tersebut Karena itu pada penelitian ini akan digunakan pengendali Model Predictive Control MPC model nonlinier yang mampu menangani sistem multivariabel dengan cukup mudah dan juga kemampuannya untuk memberikan constraint atau batasan tertentu baik pada sinyal pengendali maupun pada keluaran sistem Sistem CRAC merupakan sistem multivariabel berorde tinggi yang memiliki dua masukan dan dua keluaran Model nonlinier sistem CRAC diperoleh dari hasil pemodelan menggunakan persamaan fisika Sementara model linier yang akan dipakai diperoleh dari hasil identifikasi subspace MOESP Multivariable Output Error State Space dan Least Square di mana hasil identifikasi MOESP digunakan dalam pengendalian MPC untuk model linier dan hasil identifikasi Least Square digunakan dalam pengendalian MPC untuk plant nonlinier Hasil pengendalian menggunakan MPC untuk plant nonlinier ini akan dibandingkan dengan pengendalian MPC untuk model linier.

---

Cooling system in data center is become important thing for durability computer system inside Therefore the good controller required for Computer Room Air Conditioning CRAC in data center Because of that in this research will be used Model Predictive Control MPC controller which capable to easily handle multivariable systems and its feature to provide constraints both for control signals and output signals CRAC system is a high order multivariable system with two inputs and two outputs Nonlinear system model of CRAC are obtained from modelling using physics equation Besides that the linear model that is used in the controller are obtained from identification with subspace MOESP Multivariable Output Error State Space and Least Square which the result of MOESP identification will be used in linier model MPC controlling and the result of Least Square identification will be used in MPC controlling for nonlinear plant The result of MPC controlling for nonlinear plant will be compared with the result of linear model MPC controlling."

"Di dalam teknik kendali adaptif terdapat suatu metode pengendalian yang berbasis pada model proses untuk menghitung sinyal kendali berdasarkan prediksi keluaran yang dihitung dari model proses, yang dikenal dengan Model PredictiveControl (MPC). Di antara beberapa algoritma dalam MPC, yang sering dipakaidalam industri yaitu Generalized Predictive Control (GPC). Kelebihannya dibanding metode perancangan pengendali lainnya ialah kemampuannya untuk menangani sistem yang merniliki waktu tunda dan kemudahannya dalam penerapan con.straim karena langsung diperhitungkan dalam perancanganpengendal. Dalam skripsi ini algoritma GPC diimplementasikan pada sistem multivariabel 2 masukan dan 2 keluaran dengan waktu tunda., yang dilakukan dengan menerapkan constraint pada masukan, slew rate, serta keluaran hingga diperoleh sinyal kendali. Solusi permasalahan Quadrotic Programming untuk mengatas:i constraint pada skripsi ini dilakukan dengan metode pivoting yaitu Linear Complementary Problem (LCP). GPC ditransformasi ke dalam LCP dan diselesaikan dengan algoritma Lemke untuk mendapatkan solusi sinyal kendali. Hasil uji coba algoritma constrained DPC pada system multivariabel dengan waktu tunda ini menghasilkan sinyal kendali yang baik. Simulasi juga menunjukkan faktor bobot dan cost horizon memegang peranan penting pada unjuk kerja GPC. Sedangkan peranan control horizon dalam unjuk kerja GPC kurang begitu signifikan"

"Dalam Tugas Akhir ini digunakan sistem kendali yang merupakan gabungan antara pengendali jaringan syaraf dengan pengendali PID. Pengendali jaringan syaraf yang digunakan menggunakan sebuah jaringan syaraf lain yang berfungsi sebagai ideenrifier. Identifier di sini berfungsi untuk menghitung sinyal error bagi jaringan syaraf pengendali. 3aringan syaraf pengendali di sini berfungsi untuk memberikan sinyal koreksi bagi sinyal kendali pengendali PID untuk memperbaiki respon transien sistem. Dengan menggunakan kombinasi dua jenis pengendali seperti ini, diperoleh basil kendali dengan tanggapan yang eepat dan stabil, yang terlihat pada basil simulasi yang dilakukan."

"ABSTRAKDalam banyak kendaraan modern, faktor keamanan menjadi pertimbangan penting dalam mendesain kendaraan. Sebagai salah satu bagian dari Advanced Driver Assistant Systems (ADAS) yang diperuntukkan untuk meningkatkan keamanan dalam berkendara, Adaptive Cruise Control (ACC) diperkenalkan untuk mengurangi kemungkinan terjadinya kecelakaan lalu lintas. Sistem pada ACCdapat membantu pengendara dalam menjaga jarak aman dengan kendaraan yang berada di depannya dengan mengendalikan besaran pada katup gas serta tekanan pada rem. Selain untuk meningkatkan faktor keamanan, sistem ACC harus mampu memberikan respon yang halus agar pengendara tetap merasa nyaman. Pada penelitian ini, sistem ACC akan didesain dengan memanfaatkan metode switchingyang memiliki respon yang halus dengan memanfaatkan kecepatan relatif, jarak antar kendaraan, dan percepataan kendaraan untuk menentukan kondisi follow mode ketika terdapat kendaraan di depannya, dan kondisi cruise mode ketika tidak terdapat halangan. Kemudian dalam mengendalikan kecepatan kendaraan, akan memanfaatkan pengendali Neural Network Predictive Control (NNPC) yang mengatur besaran katup gas dan tekanan rem yang diberikan. Metode NNPC akan memanfaatkan model Artificial Neural Network (ANN) dalam melakukan identifikasi model longitudinal kendaraan yang sangat tidak linier, dan menggabungkan dengan metode Model Predictive Control (MPC) untuk melakukan prediksi keadaan dari kendaraan yang dikendalikan. Hasil dari penelitian memperlihatkan bahwa pengendali NNPC serta algoritma switching yang digunakan mampu menjaga jarak dengan kendaraan yang ada di depannya, serta memiliki respon yang cukup halus.

---

ABSTRACTIn many modern vehicles, safety is an important consideration in designing a vehicle. As one part of the Advanced Driver Assistant Systems (ADAS) which is intended to improve safety in driving, Adaptive Cruise Control (ACC) is introduced to reduce the possibility of traffic accidents. The ACC system can help the driver maintain a safe distance from the vehicle in front of him by controlling the throttle and the pressure on the brakes. In addition to increasing the safety factor, the ACC system must be able to provide a smooth response so that the driver feels comfortable. In this study, the ACC system will be designed by using a switching method that has a smooth response by utilizing the relative speed, distance between vehicles, and vehicle acceleration to determine the condition of follow mode when there is a vehicle in front of it, and the cruise mode condition when there are no obstacles. Then in controlling vehicle speed, Neural Network Predictive Control(NNPC) controllers will control the amount of throttle and brake pressure applied. The NNPC method will utilize the Artificial Neural Network (ANN) model to identify longitudinal models of vehicles that are highly non-linear, and combine them with the Model Predictive Control (MPC) method to predict the state of the controlled vehicle. The results of the study show that the NNPC controller and switching algorithm used are able to maintain a distance from the vehicle in frontof it, and have a fairly smooth response."

"Pada skripsi ini dirancang pengendali Model Predictive Control (MFC) Nonlinier pada Coupled-Tank Control Apparatus PP-100. Model yang digunakan adalah Model Nonlinier Hammerstein. Penentuan sinyal kendali yang akan diberikan psida plant dilakukan dengan menggunakan Genetic Algorithm. Model Nonlinier Hammerstein terdiri dari bagian nonlinier statis yang diikuti oleh bagian linier dinamis. Bagian nonlinier statis dari Model Hammerstein dibuat menggunakan struktur Jaringan Radial Basis Function (RBF). Jumlah node dan parameter pusat dan lebar dari Fungsi Gaussian yang digunakan dalam node ditentukan dengan menggunakan Genetic Algorithm (GA). Nilai kesesuaian pada GA ditentukan dengan menggunakan Akaike Information Criterion (AIC) yang berfungsi melihat kesesuaian suatu model terhadap sistem yang sesungguhnya. Parameter pada bagian linier dinamis dan parameter beban pada Jaringan RBF ditentukan dengan menggunakan metode Linear Least-Square. Hasil uji eksperimen menunjukkan bahwa pengendali MPC Nonlinier mampu memberikan kinerja pengendalian yang baik pada titik kerja yang berbeda."

"Pada sistem kendali konvensional, batasan-batasan seperti amplitudo dan slew rate sinyal kendali tidak diperhitungkan pada proses pengendalian. Hal ini tentu dapat menyebabkan hasil kendali menjadi kurang baik, terutama jika terjadi pemotongan paksa terhadap sinyal kendali sebelum masuk ke plant. Untuk mengatasi hal tersebut dirancanglah suatu pengendali Model Predictive Control (MPC). Dengan MPC, keluaran proses yang akan datang dapat diprediksi dan batasan-batasan yang ada tidak diabaikan sehingga keluaran sistem menjadi bagus. Selain keluaran sistem menjadi bagus, adanya batasan juga dapat membuat kinerja alat menjadi optimal. Skripsi ini bertujuan untuk merancang jenis pengendali Model PredictiveControl (MPC) yang akan diterapkan pada sebuah sistem nyata Level/Flow and Temperature Process Rig 38-003 dengan metode Quadratic Programming. Dalam merancang pengendali MPC untuk Level/Flow and Temperature Process Rig 38-003 ini, penulis menggunakan model yang berbentuk ruang keadaan yang didapat dengan menggunakan metode Kuadrat Terkecil berdasarkan pada data masukan dan data variabel keadaan alat. Masukan sistem adalah tegangan untuk mengatur kondisi servo valve dan keluran yang akan dikendalikan adalah temperatur air hasil keluaran Heat Exchanger sebelum masuk ke sistem Radiator Cooler. Dari uji eksperimen terbukti bahwa metode pengendali MPC dengan constraints memberikan hasil yang lebih baik dibandingkan dengan metode pengendali Ruang Keadaan. Hal tersebut dapat dilihat dari tanggapan sistem hasil pengendalian MPC dengan constraints yang lebih halus dibandingkan dengan tanggapan sistem hasil pengendalian dengan metode pengendali Ruang Keadaan. Perubahan sinyal kendali pengendali MPC dengan constraints juga jauh lebih halus dibandingkan dengan perubahan sinyal kendali pengendali Ruang Keadaan. Kondisi ini akan meningkatkan ketahanan fisik sistem selama uji eksperimen.

---

In conventional control system, some constraints such as amplitude and control signal?s slew rate are not included in the controlling process. So, the result of the control process is not good enough especially if the control signal is forcibly cut before entering the plant. In order to overcome this problem, a Model Predictive Controller is designed. In this MPC control scheme, the few next steps of process output are going to be predicted and some constraints will be ignored so the system output will become precise. In other hand, the occurrence of constraints will improve system?s performance into an optimum condition.

The final purpose of this thesis is to design a Model Predictive Controller (MPC) using Quadratic Programming method which will be applied on a real time system of Level/Flow and Temperature Process Rig 38-003. In designing MPC controller for Level/Flow and Temperature Process Rig 38-003, the writer uses system?s model on state space form which is obtained by using Least Square method in the basis of input and state variables data of the plant. Input for the plant is voltage which will be used to control the position of servo valve whereas the controlled output is water temperature on the pipe that connects Heat Exchanger's output line and Radiator Cooler's input line.

Experiments conducted prove that MPC with constraints controlling scheme will give a better results than State Controller controlling scheme. Generally, it can be seen that system response to MPC controller is much smoother than system response to State Controller. MPC controller also has smoother control signal variance compared to State Controller control signal variance. This condition will actually raise the system's physical reliability during the experiment."

"Pengendalian level fluida di dalam tabung dan pengendalian aliran fluida antar beberapa tabung merupakan permasalahan dasar dalam industri proses. Masukan aliran fluida ke dalam tabung dan antar tabung haruslah dijaga pada kondisi tertentu sehingga keluaran sistem bisa sesuai dengan yang diinginkan. Berbagai macam pengendali dirancang untuk mengendalikan level fluida ini dengan baik, sehingga error yang dihasilkan pun semakin bisa diminimalisir. Pengendali PID dan MPC merupakan contoh pengendali yang bisa digunakan dalam mengontrol level fluida tersebut.Di dalam seminar tesis ini akan dirancang pengendali PID (Proportional-Integral-Derivative) dan Model Predictive Control (MPC) untuk mengendalikan level fluida di dua tangki terhubung. Sebelum pengendali PID dan MPC ini dirancang, model non-linier terlebih dahulu dibentuk bedasarkan sistem dua masukan aliran fluida dan dua keluaran sistem berupa ketinggian level fluida pada kedua tabung. Model non-linier sistem multivariabel (Two Input Two Output - TITO) ini kemudian dilinierisasi pada titik kerja yang dipilih untuk memperoleh nilai ruang keadaan A, B, C dan D yang kemudian digunakan untuk membentuk fungsi alih sistem. Selain proses linierisasi, identifikasi dengan metode Kuadrat Terkecil juga dilakukan untuk menghasilkan model linier sistem yang baru sebagai pendekatan dalam mengontrol model non-linier sistem dengan MPC.Dalam sistem multivariabel coupled-tanks ini masih terdapat interaksi yang kuat antar variabel masukan-keluaran, sehingga fungsi alih dekopler pun dirancang untuk mengurangi atau menghilangkan efek kopling antar variabel masukan-keluaran ini. Pengendali PID dan MPC yang dirancang akan digunakan dalam simulasi untuk mengendalikan model linier/fungsi alih (dengan dekopler) dan model non-linier sistem.Hasil simulasi pengendali PID dan MPC untuk model linier menunjukkan respon sistem yang baik, dimana waktu settling-nya cenderung relatif kecil. Juga hasil simulasi pengendali PID dan MPC untuk model non-linier, meskipun menunjukkan respon sistem yang cenderung lambat, masih bisa dikatan relatif baik. Setelah membandingkan hasil simulasi sistem dengan pengendali PID dan MPC yang dirancang, maka MPC merupakan pengendali yang lebih baik digunakan untuk mengendalikan sistem multivariabel coupled-tanks ini.

---

The control of liquid level in tanks and flow between tanks is a basic problem in the process industries. The amount of liquid flowed into tanks and the flow of liquid between tanks has to be maintained at certain conditions in order to meet the desired performances. Many controllers have been designed to control the liquid level in tanks with the intention of reducing errors during and or after control process. PID controller and MPC are two of many controllers that could be designed to control the liquid level in tanks.

In this Master's thesis, PID (Proportional-Integral-Derivative) controller and Model Predictive Control (MPC) are designed to control the liquid levels in two coupled tanks. Before designing PID controller and MPC, the complete nonlinear dynamic model of the plant needed to be introduced for a case involving two input flows of liquid and two output variables, which are the level of the liquid in two tanks.

This multivariable (Two Input Two Output - TITO) nonlinear model would be then linearised based on selected operating point in order to obtain the value of state-space variables A, B, C and D. These values are converted to transfer function form. Besides that, system identification with Least Square method is also used to yield a new state-space model as an approach model to control the nonlinear model with MPC. Due to the high interactions between input-output variables, decoupler needed to be designed with the aim of reducing or eradicate these between input-output variables coupling effects. Afterwards, the designed PID controller and MPC will be used in simulation in controlling the linear model/transfer function (with decoupler) and the nonlinear model of the coupled-tanks multivariable system.

The result of simulation using PID controller and MPC in controlling the linear model of the system shows good performance in terms of rise time and settling time. In Addition, the result of simulation using nonlinear model, despite the slow system's response, shows satisfactory performance in terms of steady-state behavior, in which the output signals eventually meets the desired reference signals. After comparing the results of system simulation both with PID Controller and MPC, the writer may then infers that MPC is the better one to control this coupled-tanks multivariable system."