Hasil Pencarian  ::  Simpan CSV :: Kembali

"Generalized Predictive Control merupakan suatu metode perancangan pengendali swatala berbasis model proses, yaitu model proses digunakan secara eksplisit untuk mendisain pengendali dengan meminimumkan suatu fungsi kriteria. Oleh karena itu, untuk mendapatkan performa pengendali yang baik diperlukan juga metode identifikasi model yang baik pula. Pada percobaan ini dilakukan perancangan dan implementasi pengendali swatala pada Pressure Process Rig (Feedback 38-714) dengan menggunakan metode Recursive Least Square sebagai estimator dan Generalized Predictive Control sebagai aturan sintesa parameter pengendali. Pada percobaan dilakukan pengendalian dengan horizon, N , yang tetap sebesar 3. Pada percobaan pertama dilakukan simulasi pengendalian model linear Pressure Process Rig dengan menggunakan nilai faktor pembobot, hGPC. sebesar 4 dan faktor pelupaan, hRLS, sebesar 0,9999. Simulasi ini menunjukkan keberhasilan pengendalian model linear Pressure Process Rig karena keluaran sistem yang dihasilkan dapat mengikuti pergerakan setpoint dan juga galat tunak dapat hilang dalam waktu yang singkat. Percobaan berikutnya merupakan pengendalian sistem nyata Pressure Process Rig dengan menggunakan beberapa nilai hGPC dan hRLS yang divariasikan. Dari hasil percobaan diketahui bahwa nilai hGPC sebesar 2 dan nilai hRLS sebesar 0,9999 merupakan nilai yang tepat digunakan agar performa pengendali dapat maksimal. Dengan nilai ini pengendali dapat melakukan fungsinya secara maksimal, yang ditandai dengan kecilnya nilai settling time. Dari percobaan ini juga diketahui bahwa semakin kecil nilai faktor pembobot, hGPC maka semakin cepat tanggapan sistem, selain itu apabila nilai faktor pelupaan, hRLS, semakin mendekati satu maka pergerakan theta semakin tidak terpengaruh oleh derau."

"ABSTRACTTugas akhir ini membahas mengenai Neural Network yang diaplikasikan dalam simulasi pengendalian plant. Plant yang digunakan adalah Pressure Process Rig 38-714. Pengendali yang digunakan adalah pengendali yang bekerja dengan nilai masukan berupa nilai eror dari nilai keluaran plant yang dibandingkan dengan nilai keluaran referensi. Kesuksesan percobaan ditinjau dari seberapa bagus keluaran plant yang dipasang pengendali ketika dibandingkan dengan sinyal referensinya dan ketahanannya terhadap gangguan. Hasil percobaan menunjukkan NN dengan metode Backpropagation memberikan performa yang baik walaupun diberi gangguan dengan batasan nilai tertentu.

---

ABSTRACTThis project discuss about the application of Neural Network in a simulation as a controller of a plant. Pressure Process Rig 38-714 is used as the plant. Error based NN is used as the controller. The controller’s input is the error signal from the output signal of plant compared to reference signal. The success rate is viewed by the similarity of the output of plant compared to the reference signal amd their robustness against noise. The testing result shows that NN based on backpropagation method has a great performance and robustness when there is noise."

"Dewasa ini, kebutuhan industri akan pengendali semakin luas. Salah satunya adalah mengenai pengendali yang dapat menangani kelas besar yang bersifat nonlinier, dengan tingkat kesulitan yang tidak begitu besar. Kebutuhan tersebut terjawab dengan adanya model Fuzzy Takagi-Sugeno. Skripsi ini membahas identifikasi dan perancangan pengendali fuzzy Takagi-Sugeno pada sistem Pressure Process Rig Feedback 38-714. Sistem diidentifikasi dengan menggunakan metode fuzzy clustering Gustafson-Kessel dan Least Square, berbasis data pengukuran berupa sinyal masukan dan sinyal keluaran. Identifikasi dilakukan dengan memberi masukan berupa sinyal multisinusoidal yang acak, sehingga didapatkan model fuzzy Takagi-Sugeno dengan model NARX (Nonlinear Auto Regressive eXogeneous) pada bagian konsekuen. Kemudian pengendali Fuzzy Takagi-Sugeno dirancang dalam skema Internal Model Control (IMC) dengan karakteristik invers model fuzzy. Hasil pengendalian menunjukkan kinerja yang cukup baik, dimana sistem dapat menyerupai sinyal acuan yang diberikan. Pada kondisi sistem diberi gangguan juga didapatkan hasil yang juga cukup baik, dimana sistem dapat menyesuaikan diri untuk kembali mengikuti sinyal acuan yang diberikan."

"Pengendali konvensional dengan parameter yang tetap tidak dapat mengatasi sistem yang mengalami perubahan parameter seiring berjalannya waktu, sehingga unjuk kerja lingkar tertutup akan mengalami penurunan bahkan dapat mengakibatkan ketidakstabilan. Sedangkan pada kenyataannya, sistem nyata sangat dinamis sehingga memungkinkan perubahan-perubahan karakteristik sistem yang harus diantisipasi oleh pengendali. Dalam skripsi ini dilakukan perancangan dan implementasi sistem kendali adaptif dengan menggunakan bantuan perangkat komputer secara waktu-nyata (real-time) pada Pressure Process Rig (38-714, Feedback Instruments Limited) dengan menggunakan Metode Kuadrat Terkecil Rekursif sebagai estimator dan Metode Penempatan Kutub sebagai aturan sintesa parameter pengendali. Pengendalian dilakukan dengan membandingkan dua struktur, yaitu pengendali dengan Dua-derajat-kebebasan (Two-degree-of-freedom Controller) dan Kendali Kenaikan (Incremental Control). Keberhasilan pengendalian swatala ditunjukkan oleh penggunaan struktur pengendali dengan Kendali Kenaikan, yang ditandai dengan hilangnya galat tunak dalam waktu antara 10 hingga 20 detik setelah titik kerja baru diaplikasikan. Pengendalian ini dilakukan dengan menentukan letak kutub-kutub lingkar tertutup pada titik 71,2,3 = +0,92, +0,92, dan +1,0 dan lambda RLS sebesar 0,9999. Struktur pengendali dengan Dua-derajat-kebebasan tidak dapat diterapkan dengan baik karena ketidakidealan dan ketidaklinearan yang dimiliki oleh Pressure Process Rig."

"Pengendalian tekanan udara sulit karena sistem tersebut umumnya memiliki konstanta waktu dan time delay yang besar yang mempersulit pengendalian. Tesis ini membahas penelitan menggunakan backpropagasi dengan aritmatika fuzzy untuk mengendalikan sistem Process Pressure Rig (PPR). Pendekatan ini menggunakan gabungan dari kemampuan belajar dari backpropagasi dan kemampuan menghadapi nilai yang awang-awang (fuzzy) dari instrumentasi untuk mengendalikan suatu proses. Data crisp dari sensor difuzzifikasikan menjadi bilangan fuzzy dan dihitung dalam jaringan menggunakan aritmatika fuzzy, dan bobotnya disesuaikan untuk memperkecil error. Keluarannya didefuzzifikasikan kembali menjadi sinyal kendali. Di tesis ini, sistem PPR adalah sistem SISO dengan karakteristik konstanta waktu dan time delay yang besar dan derau bacaan sensor yang cukup besar. Hasil pengujian kendali dengan metode backpropagasi dengan aritmatika fuzzy ini menunjukkan hasil yang lebih baik daripada kendali dengan backpropagasi dengan bilangan crisp.

---

Pressure control are usually difficult because of large time constant and large time delays. This thesis propose a new method of backpropagation with fuzzy arithmathic to control Process Pressure Rig(PPR). This approach combines the ability of neural network to learn pattern and fuzzy logic ability to handle fuzzy values. Crisp input from sensors are fuzzified and normalized to fuzzy data. Backpropagation calculate fuzzy data and adjust connection weight to reduce error. The output are then defuzzified and denormalized back to crisp control signals. In this thesis, PPR is a Single in Single out system with large time constant, large delays, and noisy pressure sensors. Test results shows that backpropagation with fuzzy arithmathic can produce better control with less error compared to control using backpropagation with crisp numbers."

"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."

"Jaringan Saraf Tiruan adalah salah satu metode baru yang dikembangkan untuk pemecahan berbagai masalah kompleks yang tidak dapat diselesaikan secara analitik. Salah satu pengembangannya adalah metode jaringan saraf pembelajaran Radial Basis Function, dengan metode inisialisasi bobot Nguyen-Widrow dan Orthogonal Least Square (OLS). Akurasi dan kecepatan pembelajaran yang dimiliki oleh Radial Basis Function (RBF) sangat menarik untuk diaplikasikan pada sistem kendali. Pemodelan Forward dan Invers sistem dilakukan dengan metode RBF dengan mengambil data sistem SISO Pressure Process Rig. Setelah dilakukan pemodelan, jaringan saraf tiruan akan diuji dengan Direct Inverse Test. Hasil identifikasi sistem dan identifikasi invers pada sistem Pressure Process Rig memiliki hasil yang baik. Begitu pula saat diuji coba dengan Direct Inverse Test, sistem kendali mempunyai performa cukup baik, namun tidak menutup kemungkinan adanya skema model lain yang dapat digunakan dalam pemodelan sistem.

---

Artificial Neural Network is a newer field of study that could solve any complex problem that could not be done by analytical solution. Radial Basis Function (RBF) is one of the newer method of Artificial Neural Network with two distinct weight initialization method ; Nguyen-Widrow and Orthogonal Least Square (OLS) methods. RBF?s high recognition rate and very fast learning speed are interesting enough to be used in control system. RBF is used in forward and inverse identification in modelling Pressure Process Rig system. Direct Inverse Test is also done in order to make sure Radial Basis Function perform well in identifying a particular system. Radial Basis Function had a great perfomance in both forward and inverse system identification and also in Direct Inverse Test, but it is possible to have another learning scheme in system modelling."