Hasil Pencarian  ::  Simpan CSV :: Kembali

"Model Predictive Control (MPC) merupakan salah satu metode pengendali prediktif yang populer digunakan pada dunia industri. Beberapa keuntungan yang ditawarkan oleh pengendali ini di antaranya adalah kemampuannya dalam menangani sistem multivariabel dengan cukup mudah dan juga kemampuannya untuk memberikan constraint atau batasan tertentu baik pada sinyal pengendali maupun pada keluaran sistem. Sistem tata udara presisi yang akan dikendalikan pada skripsi ini juga merupakan sistem multivariabel berorde tinggi yang mempunyai dua masukan dan dua keluaran. Model sistem yang dipakai berupa model linier diskrit yang didapat dari hasil identifikasi menggunakan metode N4SID. Hasil pengendalian menggunakan MPC akan dibandingkan dengan pengendalian sistem menggunakan metode pengendali penempatan kutub dari umpan balik keadaan.

---

Model Predictive Control (MPC) is one of predictive controller methods and popular for being used in industry. Some advantages offered by this controller are its ability to easily handle multivariable systems and its feature to provide constraints both for control signals and output signals. Precision air conditioning (PAC) system which will be controlled here is also a high-order multivariable system with two inputs and two outputs. Its model that is used in the controller is a discrete linear model from identification using N4SID method. The results of using MPC for this PAC system will be compared with the ones using another method of controller which is state-feedback pole placement."

"Model sistem tata udara presisi dimodelkan sebagai sebuah sistem multivariable dengan dua output yaitu temperature dan kelembaban dan dua input yaitu kecepatan putaran motor dan bukaan valve. Pada model ini ada masalah coupling diantara input dan outputnya. Model Predictive Control (MPC) adalah salah satu cara untuk mengatasi masalah coupling dalam sistem multivariable. Pengendali MPC dirancang tanpa constraints untuk menentukan agoritma yang handal.Dari hasil simulasi nampak bahwa parameter-parameter pengendali yang terbaik adalah horizon Hp=10, Hu=4, matrik pembobotan R=0.1, dan Q=3. Dengan parameter ini respon keluarannya mengikuti sinyal set point.

---

Precision Air Conditioning model is defined as a multivariable system with two outputs Temperature and humidity and two inputs, the speed of motor compressor and valve opening. There will be a coupling problem between inputs and outputs. Model Predictive control (MPC) is a way to counter a coupling problems in multivariable system. MPC controller is designed without constraints addition to determine the reliable algorithm.

From the simulation result, it can be seen that the best parameters controller are horizon Hp=10, Hu=4, weighting matrix R=0.1 and Q=3. In this parameter, the output response equal to the trajectory or set point signal."

"Sistem tata udara presisi atau yang lebih dikenal dengan Precision Air Conditioning (PAC) merupakan mesin refrigerasi yang bekerja berdasarkan konsep termodinamika. Sistem tata udara presisi digunakan di ruang pusat data untuk menjaga temperatur dan kelembaban di dalam kabinet agar peralatan IT di dalam kabinet tidak cepat rusak. Temperatur ideal yang harus dicapai di dalam kabinet berkisar antara 20º - 25ºC, sedangkan kelembaban relatif (RH) yang harus dijaga di dalam kabinet berkisar antara 45-55%. Namun untuk mencapai keadaan tersebut, dibutuhkan pengendalian sistem supaya sistem dapat bekerja dengan keluaran seperti yang diinginkan.Model predictive control merupakan salah satu metode pengendali prediktif yang populer digunakan di dunia indutri. Sistem tata udara presisi yang dikendalikan dalam penelitian ini merupakan sistem multi input single output (MISO) dengan masukan berupa kecepatan putaran kipas kompresor dan kecepatan aliran udara volumetrik, dan keluaran yang dikendalikan adalah suhu keluaran dari kondenser kedua yang menuju kabinet dari sistem tata udara presisi. Diuji tiga model sistem tata udara presisi, model linier, model nonlinier tanpa beban heat sensible peralatan IT, dan model nonlinier dengan beban sensible peralatan IT yang divariasikan dengan pendekatan model linier biasa hasil identifikasi PO-MOESP dan model linier dengan vektor bias hasil identifikasi menggunakan metode kuadrat terkecil.Hasil pengendalian MPC untuk ketiga plant sistem tata udara presisi menujukkan performa yang baik dalam pengendalian, dilihat dari keluaran sistem yang mengikuti trajektori acuan yang diberikan.

---

Precision Air Conditioning (PAC) is a refrigerant machine that works based on thermodynamics concept. PAC is in implemented data center in order to stabilize the temperature and the humidity in cabinet in order to prevent IT damage integrated in the cabinet. The desired ideal temperature for the cabinet is from 20oC to 25oC and the desired relative humidity (RH) is from 45-55%. However, to achieve such a state, it takes control of the system so that the system can work with the output as desired.

Model predictive control is a predictive control method which is popularly used in industries world. Precision air conditioning system are controlled in this study is a multi-input single output (MISO) system with input in the form of fan rotation speed of the compressor and the air volumetric flow rate, and the controlled output is the temperature of the output of the second condenser to the cabinet of the precision air conditioning system. Tested three models of precision air conditioning system, linear models, nonlinear models without the burden of sensible heat IT equipment, and nonlinear models with variation of sensible heat IT equipment load with ordinary linear model approach to the identification of PO-MOESP and linear models with bias the results of identification using the method least squares.

MPC control results for the third plant of PAC systems showed good performance in control, viewed from the system output to follow a given reference trajectory."

"Sistem tata udara presisi adalah sistem yang mengatur lingkungan udara yang cocok untuk peralatan ICT dalam kebinet ruang Datacenter yang khusus melayani penggunaan yang sangat penting dan kritis. Untuk mencegah kerusakan pada peralatan ICT dan pada media penyimpan akibat thermal shutdown, conductive anodic failures, hygroscopic dust failures, corrosion, dan short circuit, sistem tata udara presisi harus dapat mengendalikan temperatur dan kelembaban didalam kabinet, serta mampu beradaptasi terhadap perubahan temperatur akibat perubahan beban panas peralatan IT. Permasalahan yang dihadapi adalah bahwa sistem ini memiliki karakterisitik kompleks dan nonlinier yang sangat kuat yang sangat sukar dikendalikan oleh teknik kendali lanjut linier. Di dalam dissertasi ini diusulkan teknik kendali prediktif nonlinier baru yang disebut sebagai sistem kendali prediktif multi model berbasis supervisi untuk mengendalikan temperatur keluaran sistem tata udara presisi. Algoritma kendali tersusun dari tiga layer, yaitu layer optimasi kendali real-time untuk mengikuti perubahan sinyal acuan, layer adaptasi untuk menyesuaikan model PAC terhadap variasi beban panas, dan layer supervisi untuk menjamin kestabilan. Sistem PAC memiliki rancangan struktur baru yaitu penambahan kondenser sekunder yang berfungsi sebagai reheater untuk menurunkan RH keluaran evaporator. Prinsip kerja dan siklus kompresi uap sistem PAC diilustrasikan dalam psychrometric chart dan diagram enthalpi-tekanan. Model nonlinier sistem PAC diturunkan menggunakan teori pemodelan fisik berdasarkan prinsip konservasi energi dan kesetimbangan massa, dan kemudian dilinierisasi di sekitar titik kerja untuk mengembangkan model ruang keadaan orde-8 yang cocok untuk perancangan pengendali multivariabel. Kualitas model terlinierisasi dianalisa dari aspek respons transien, sifat controllability dan observability, dan interaksi antar variabel masukan-keluaran. Sebuah model nonlinier yang disebut sebagai multi model linier diusulkan dimana matriks parameter model diestimasi oleh algoritma identifikasi N4SID menggunakan himpunan data eksperimen masukankeluaran. Kontribusi utama dari dissertasi ini adalah multi model linier dapat diestimasi secara bertingkat dimana tiap tingkat identifikasi mempertahankan hubungan linier antar matriks parameter. Konsep model bertingkat ini juga mempermudah perancangan pengendali prediktif multi model dengan tetap mempertahankan optimasi kendali sebagai permasalahan quadratic programming. Mekanisme adaptasi pengendali prediktif dibentuk dengan memperbaharui model prediksi menggunakan algoritma N4SID rekursif. Untuk menjamin kestabilan sistem PAC dan menghindari fenomena bursting, algoritma deteksi ketidakcukupan eksitasi sinyal masukan dan monitoring sinyal diturunkan dalam persamaan rekursif, sehingga penambahan waktu komputasi tidak signifikan. Komputasi rekursif pada layer supervisi menjadi kontribusi terakhir. Kualitas model nonlinier hasil pemodelan fisik dan identifikasi bertingkat divalidasi melalui simulasi dan uji eksperimen baik secara kualitatif maupun kuantitatif. Sebagai indikator kinerja validasi model digunakan kriteria loss function dan kriteria final prediction error. Dari hasil uji simulasi dan eksperimen, hanya multi model linier menunjukkan kinerja model yang baik dari aspek kemampuan meniru karakteristik nonlinear sistem PAC dan nilai parameter analisa model yang baik, sehingga model ini cocok dipakai pada perancangan pengendali. Algoritma kendali yang diusulkan juga diverifikasi baik dalam kasus uji simulasi dan eksperimen, dan menunjukkan kemampuannya untuk menjejaki perubahan sinyal acuan.

---

Precision air conditioning (PAC) is a system that regulate air environment suitable for ICT equipments inside the cabinet of Datacenter room which serves very important and critical works. In order to overcome damage on ICT equipments and media storage due to thermal shutdown, conductive anodic failures, hygroscopic dust failures, corrosion, and short circuit, the PAC should be able to control the temperature and relative humidity inside the cabinet, and also able to adapt againts temperature change caused by interaction with humans, change of environment temperature, and change of heat load of ICT equipments.

The problem encountered is that the PAC shows complex and highly nonlinear dynamics that is usually very difficult to control with linear advanced control systems. In this Dissertation, a new nonlinear predictive control called a supervision-based multi model predictive control to regulate the temperature outlet of PAC is presented. The proposed control algorithm consists of three layers, they are the optimization of real-time control layer for tracking the given set points, the adaptation layer for adjusting the PAC model againts variation of heat load, and the supervision layer for guarantee the closed loop stability.

The work mechanism and vapourcompression cycle for the PAC system are illustrated using psychrometric chart and enthalpypressure diagram. A nonlinear model is derived using physical modeling theory based on the conservation of mass and energy balance principles, and then linearized about operating points for developing a 8th order state space model suited for multivariable control design. The quality of linearized model is analyzed in terms of response transient, controllability, observability, and interaction between input-output variables. A nonlinear model called multi linear model is proposed where the model parameter matrices are estimated by N4SID algorithm using a set of input-output data.

The main contribution of this dissertation is that the multi linear model can be estimated using multi-stage subspace identification algorithm, where the relationship between model parameter matrices is still maintained linear. The concept of multi level models also simplify the design of multi model predictive controller retaining control optimization as a quadratic programming problem. The adaptation mechanism is performed by updating the prediction model using recursive N4SID algorithm.

In order to guarantee system stability and to overcome bursting phenomena, a detection algorithm of less excitation signal and signals monitoring are derived in recursive forms, so that the control algorithm needs no significant additional computing power. The recursive computation in supervision layer is the last contribution for this dissertation. Quality of nonlinear model from physical modeling and system identification is validated through simulation and experimental test both qualitatively and quantitatively. Loss function and final prediction error are choosed as a performance criteria of model validation.

From the simulation and experimental results, only the multi linear model shows good modeling performance in terms of ability to mimic the nonlinear behavior of PAC system and good parameter value of model analysis. The proposed control algorithm is also verified in case of simulation and experimental test showing its ability to track the set-point change."

"Sistem tata udara presisi merupakan komponen yang sangat penting dalam sebuah ruang pusat data untuk menjaga agar perangkat yang disimpan tidak mengalami kerusakan pada waktu singkat. Sistem ini merupakan sistem multivariabel dan diperlukan untuk menjaga suhu dan kelembaban ruang pusat data pada batasan yang sesuai dengan kondisi kerja peralatan IT, sehingga diperlukan pengendali cerdas yang mampu bekerja pada batasan tertentu dan mampu menangani sistem multivariabel. Selain itu, pengendali tersebut juga harus mampu menangani karakteristik sistem tata udara presisi yang nonlinier. Oleh karena itu, pengendali MPC (Model Predictive Control) digunakan untuk mengendalikan sistem tersebut.Pengendali MPC merupakan pengendali yang menggunakan model proses secara eksplisit dalam penghitungan sinyal kendalinya. Model linier digunakan untuk menghitung prediksi keluaran sistem nonlinier dan menghitung besar sinyal kendali agar keluaran sistem nonlinier sesuai dengan acuan. Agar besar kesalahan prediksi keluaran dari model dan keluaran sesungguhnya dari sistem dapat diminimalisasi maka digunakan model ruang keadaan multimodel yang diperoleh melalui metode identifikasi least square.Model yang diperoleh dari hasil identifikasi dapat digunakan untuk pengendalian MPC sebab memiliki nilai 𝐽𝑒𝑒 dan FPE yang rendah (< 10−5), nilai eigen berada di dalam unit circle, serta memiliki sifat fully controllable dan fully observable. Pengendali MPC berbasis multimodel linier kemudian dirancang untuk mengendalikan sistem tata udara presisi yang bersifat MISO (multi input single output), dengan keluaran berupa temperatur udara masukan kabinet (𝑇𝑖𝑛,𝑐𝑎𝑏). Untuk memperoleh pengendalian yang terbaik, pengendali MPC disimulasikan pada sistem linier dan nonlinier. Variasi nilai 𝐻𝑝, 𝐻𝑢, Q, dan R diberikan untuk mengetahui pengaruh perubahan nilai parameter pengendali MPC terhadap karakteristik sinyal kendali masukan dan sinyal respon keluaran sistem, serta waktu komputasi dan nilai loss function. Simulasi pengendalian MPC menunjukkan hasil yang baik pada nilai 𝐻𝑝 = 𝐻𝑢 = 6, 𝐐 = 50, dan 𝐑 = 5 untuk sistem linier, dan nilai 𝐻𝑝 = 12, 𝐻𝑢 = 3, 𝐐 = 70, dan 𝐑 = 0.5 untuk sistem nonlinier.

---

Precision air conditioning is a vital component in a data center to keep the stored devices from failures. This system is a multivariable system and needed to keep the temperature and humidity of a data center in a certain constraints which is suitable for IT devices operating condition. Hence, an intelligent controller which can take constraints into account and handle multivariable system is needed. Furthermore, the controller must be capable to handle nonlinear characteristic of such system. Thus, Model Predictive Controller (MPC) is used to control such systems.

MPC is a controller that used the model of a process explicitly to compute the control signal. The linear model is used to predict the output of nonlinear system and calculate the control signal to meet the given target. To minimize error between predicted output from the model and the actual output of the plant, double-stage state space model is used.

The model is identified using least square method and can be used for system control using MPC due to its low 𝐽𝑒𝑒 and FPE (< 10−5), its eigenvalues located inside the unit circle, and its characteristics which is fully controllable and fully observable. MPC based on linear multimodel linear is designed to control PAC system which is a MISO (Multiple Input Single Output) system, which output is the temperature of input air to cabinet (𝑇𝑖𝑛,𝑐𝑎𝑏). In order to obtain the best control action, MPC is simulated in linear and nonlinear system. The value of controller parameters 𝐻𝑝, 𝐻𝑢, Q, and R is varied to study the effect of changes in parameter value to the characteristic of input control signal and system responds, input signal computing time and the value of loss function. The best simulation result is obtained at 𝐻𝑝 = 𝐻𝑢 = 6, 𝐐 = 50, and 𝐑 = 5 for linear system, and 𝐻𝑝 = 12, 𝐻𝑢 = 3, 𝐐 = 70, and 𝐑 = 0.5 for nonlinear system."

"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."

"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."

"ABSTRAKPenelitian ini akan mengembangkan pengendali multivariable modelpredictive control yang memiliki kemampuan untuk menjaga suhu dan kelembabanpada rentang nilai tertentu. Permasalahan pada pengendalian system ini adalah dalammenjaga suhu pada nilai 20-25°C dan kelembaban pada nilai 45-55% seiringperubahan beban panas yang terjadi sepanjang waktu. Sistem multivarible ini jugamemiliki efek saling mempengaruhi/kopling. Metode baru yang diterapkan padapenelitian ini adalah penerapan pengendali prediktif pada precision air conditioningdengan decoupler, melibatkan constraints, dan memiliki struktur MIMO. Penelitianini juga merupakan pengembangan dari penelitian sebelumnya yaitu Model PredictiveControl (MPC) dengan metode identifikasi N4SID offline. Metode identifikasi yangdigunakan di penelitian ini merupakan jenis N4SID dan PO-MOESP.Karakteristik PAC didapatkan dengan memberikan variasi tegangan inputkipas dan kompresor, serta memperhatikan pengaruhnya terhadap output berupa suhudan kelembaban kabinet. Model proses dibentuk dengan metode N4SID dan POMOESPuntuk mendapatkan nilai A, B, C, dan D sebagai matriks koefisien statespace yang kemudian menjadi masukan pengendali prediktif. Pengendali prediktifmultivariable berbeda bentuk fungsi kriterianya yaitu melibatkan dua variable padasetiap pencuplikan. Delay juga diperhitungkan mengingat respon system cukuplambat, sehingga berpengaruh pada penentuan prediction horizon yaitu setidaknyabernilai lebih besar dari delay. Pengaruh kopling dari multivariable system dapatdikurangi dengan penggunaan decoupler.Pengendali multivariable model predictive ini direalisasikan melaluisoftware Matlab dengan perangkat pendukung berupa Data Acquition (DAQ).Penelitian ini diuji secara simulasi dengan program Matlab. Hasil keluaranpengendali pada PAC dibandingkan dengan hasil pada Coupletank."

"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."

"Berkendara adalah salah satu aktivivitas yang berbahaya. Kegagalan atau kesahalan pengemudi dalam mengemudikan kendaraan (seperti kurangnya focus, mengantuk dan penyakit) menjadi salah satu penyebab kecelakaan yang paling besar. Oleh karena itu, Advanced Driving Assistance System (ADAS) telah menjadi fokus penelitian yang dilakukan pada ranah akademis dan industri. Salah satu model ADAS yang dikembangkan yakni Lane Keeping Assistance System. Sistem bantuan ini memanfaatkan informasi yang diberikan oleh vision system (geometri jalan, dan posisi kendaraan), sensor devices (torsi, sudut kemudi, yaw angle, dan tingkah laku pengemudi) untuk dikalkulasikan agar kendaraan tetap berada di jalur yang tepat. Penelitian ini berfokus pada pengembangan pengendali lateral dengan menggunakan Model Predictive Control (MPC) untuk mengatasi masalah model kendaraan yang non linier, gangguan eksternal, keadaan kendaraan dan lingkungan kendaraan yang bervariasi, serta sharing control antara pengemudi dengan sistem bantuan. Secara umum, skema pengendalian terbagi menjadi tiga bagian, yaitu persepsi yang berfungsi untuk mendeteksi marka jalan dengan menggunakan sensor ADAS yang terdapat pada CarSim. Selanjutnya memodelkan referensi trajektori sebagai set point dalam pengendalian. Terakhir, pengendali lane keeping dengan MPC. Dalam penelitian ini, menggunakan model identifikasi bertingkat untuk mendapatkan model kendaraan yang mendekati model yang sesungguhnya. Hasil identifikasi ini kemudian akan digunakan pada MPC. Secara keseluruhan, penelitian ini menggunakan MATLAB®, Simulink®, dan Mechanical Simulation CarSim. Hasil percobaan menunjukkan MPC memiliki kemampuan yang baik untuk menjaga kendaraan tetap berada dijalur yang tepat.

---

Driving is a dangerous activiy. The failure of human driver’s performance (for example inattention, drowsiness, and illness) remains one of the most important causes the accident. Therefore, advanced driving assistance system (ADAS) have become the focus research in both academy and industry settings. The one part of ADAS models developed is the lane keeping assistance system. The assistance system of line keeping assist utilizes information that provided by the vision system (like road geometry, and vehicle position), and by sensor devices (like torque, steering angle, yaw angle, yaw rate error, and driver behavior). Then the informations is calculated so the vehicle stays in the center of the lane. This study has been focused on the development of lateral control for autonomous driving based on Model Predictive Control (MPC). The propose strategy utilized MPC to solve many shortcomings in terms of overcoming non-liner vehicle models, external disturbance, varying vehicle state and environment, and sharing control between humans and assistance system. Generally, scheme control method devided into three part: perception serves to detect boundary lines by using ADAS sensor in CarSim. Then reference trajectory generation as a set point in control. The last is controlling the vehicle keep in the center of the line. In this study, also using a multistage identification to obtain a dynamic lateral bicycle vehicle model that approaches the actual model. The result of identification model will be used for MPC controllers. The overall system has been developed using MATLAB®, Simulink®, and Mechanical Simulation CarSim. The experimental result show that MPC method have a good performance for keep the vehicle in the center of the lane."