Hasil Pencarian  ::  Simpan CSV :: Kembali

"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 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."

"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."

"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."

"Penelitian ini akan mengembangkan pengendali MIMO Model Predictive Control (MPC) dengan constraints serta ditambahkannya fungsi Laguerre. Metode ini akan diterapkan pada sistem tata udara presisi atau biasa disebut sistem Precision Air Conditioning (PAC) dengan dua masukan, yaitu putaran kipas dan kompresor, dan dua keluaran, yaitu temperatur dan kelembapan relatif. Permasalahan yang ada pada proses kendali PAC ini ialah tetap menjaga temperatur dan kelembaban dari suatu sistem refrigasi sesuai dengan yang hasil yang diinginkan, yaitu pada temperatur 20-25 oC dan kelembaban relatif 40-55%. Penelitian ini adalah pengembangan dari penelitian sebelumnya yang tidak bisa mengendalikan sistem PAC dengan hasil yang memuaskan. Metode identifikasi yang digunakan menggunakan metode PO-MOESP untuk mencari model A, B, C, D dan menjadi masukan pengendali prediktif. Fungsi Laguerre ditambahkan untuk mengurangi waktu komputasi ke dalam MPC. Penelitian ini menggunakan software Matlab untuk melakukan proses simulasinya. Hasil keluaran pengendali MPC constraints biasa akan dibandingkan dengan pengendali MPC constraints dengan fungsi Laguerre.

---

This research will aim to develop MIMO Model Predictive Control (MPC) controller with constraints added with Laguerre function. This method will be applied to Precision Air Condition (PAC) system with two inputs : fan and compressor speed; and two outputs : temperature and humidity. The problem in this PAC control process is to maintain temperature and humidity of the refrigeration system as desired, which is temperature 20-25oC and relative humidity 40-55 %. This research is developed from previous research, which could not control PAC system with feasible result. System identification used in this research is PO-MOESP method to find A, B, C, D model as input for predictive controller process. Laguerre Function was added for reducing computation time into MPC Controller. This research use MatLab software to run the process simulation model. Output of the conventional MPC controller with constraints will be compared to MPC controller with constraints and Laguerre function."

"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."

"Perangkat di dalam pusat data berkerja secara terus menerus sepanjang waktu dan akan menghasilkan panas yang cukup tinggi. Dengan demikian ruangan pusat data akan dikondisikan dingin. Spesifikasi dari ruangan pusat data yaitu dengan ruangan suhu sebesar 18o-27o C dan kelembaban sebesar 45%-60%. Suhu tersebut dibutuhkan untuk menjaga perangkat didalam pusat data karena beberapa peralatan didalam pusat data sensitif terhadap panas. Kelembaban mempengaruhi kadar air didalam ruangan yang berpotensi mengakibatkan hubugan singkat listrik dari perangkat. Dengan demikian diperlukan suatu perangkat mesin pendingin data center atau dikenal dengan Computer Room Air Conditioner (CRAC) Laporan skripsi ini bertujuan untuk untuk merancang suatu pengendali prediktif MPC dengan constraint yang diterapkan pada sistem CRAC nonlinear, dimana model yang digunakan merupakan Model Linear bertingkat. Dilakukanproses Identifikasi dan Perancangan Pengendali MPC Sistem CRAC dengan menggunakan ketiga jenis model Least Square bertingkat. Hasil Simulasi identifikasi Least Square bertingkat dari sistem CRAC menunjukkan bahwa salah satu jenis model menghasilkan hasil yang baik dan dapat digunakan untuk mendisain pengendali MPC. Hasil validasi model tersebut pun baik. Model yang diperoleh dari hasil identifikasi dapat digunakan untuk pengendalian MPC sebab memiliki nilai 𝑱𝑳𝑺 dan FPE yang rendah, nilai eigen berada di dalam unit circle, serta memiliki sifat fully controllable dan fully observable. Dilakukan simulasi pengendali MPC dengan menggunakan model Least Square bertingkat untuk mengendalikan mesin pendingin CRAC yang bersifat MIMO (multi input singleoutput), dengan keluaran berupa temperatur udara masuk ke dalam pusat data. Percobaan simulasi menggunakan MPC dengan constraint dengan model linier dan nonlinier yang divariasikan parameter Hu, Hp, Q, dan R. Hasil dari pengujian tersebut adalah MPC menghasilkan nilai yang baik dan mengikuti acuan pada nilai Hp= 8, Hu=4, Q=1,5, dan R=50 untuk sistem linier, dan nilai Hp=8, Hu=4, Q=1,5, dan R=10 untuk sistem nonlinier. Serta hasil pengendalian MPC menggunakan model Least Square bertingkat menujukkan hasil yang lebih baik daripadapengendalian MPC menggunakan model Least Square biasa.

---

Hardwares in data center work continuously over time and will produce high enough heat. Thus the data center will be conditioned cool. The spesification of data center temperature is 18o-27o C and the humidity is 45%-60%. The temperature needed to keep the hardwares work in their optimal state. Humidity affect water content of air in data center. Thus we need a device to keep temperature and humidity. The device known as Computer Room Air Conditioner (CRAC). This essay aims to report the design of a predictive controller with MPC constraint applied to the CRAC nonlinear systems, where the model used a multi stage linear model. Carried out the MPC Identification and Control Design CRAC system with three types of models using Least Square multistage. Simulation results of a multistage least squares identification of CRAC system shows that the model produces one type of good results and can be used to design the MPC controller. The results of the validation of the model also good. Models obtained from the identification could be used to control MPC because gives low value of JLS and FPE, eigen value in unit circle, and have fully controllable and fully observable characteristic. MPC controller simulation using Least Square multistage models. Simulation experiments using MPC with constraints with linear and nonlinear models were varied parameters Hu, Hp, Q, and R. The results of these tests are MPC produces good value and follows the reference at Hp= 8, Hu=4, Q=1,5, and R=50 for linear system, and Hp=8, Hu=4, Q=1,5, and R=10 for nonlinear system. And the results of the MPC control using Least Square multilevel models showed better results than the MPC control using ordinary least square models."

"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."

"Sistem tata udara presisi merupakan sistem multivariabel yang mempunyai beberapa masukan dan keluaran (MIMO). Hal ini menyebabkan mencari model fisik dari sistem ini menjadi relatif sulit. Sehingga diperlukan identifikasi sistem yang bersifat black box. Selain itu, dibutuhkan identifikasi model yang bersifat adaptif, sehingga model yang didapat lebih baik dalam merepresentasikan sistem tata udara presisi. Identifikasi model ruang keadaan multivariabel pada sistem tata udara presisi dilakukan dengan menggunakan metode 4SID. Sistem tata udara presisi direpresentasikan dalam model linear dan sistem tidak linear. Model linear didapat dari model ruang keadaan, sedangkan sistem tidak linear didapat dari persamaan matematis sistem tersebut. Metode 4SID yang digunakan adalah MOESP rekursif dan PO-MOESP rekursif. Setelah didapat model ruang keadaan menggunakan kedua metode tersebut, selanjutnya dilakukan tes validasi dari model ruang keadaan yang didapat. Parameter yang digunakan untuk mengetahui tingkat validasi identifikasi adalah menggunakan nilai kesalahan (Jee). Selain itu, pada penelitian ini juga dituliskan hasil identifikasi model ruang keadaan menggunakan metode linearisasi dan N4SID offline. Hasil identifikasi secara offline yang terbaik dari model linear yang dilakukan adalah menggunakan metode N4SID. Untuk identifikasi secara rekursif, metode MOESP rekursif dan PO-MOESP rekursif pada penelitian ini belum dapat merepresentasikan sistem tidak linear. Metode-metode identifikasi rekursif ini relatif baik dalam mengidentifikasi model tidak linear dari sistem tata udara presisi berdasarkan nilai kesalahan (Jee). Pada penelitian ini, MOESP rekursif untuk identifikasi model linear menghasilkan model yang lebih baik disbanding PO-MOESP rekursif berdasarkan nilai kesalahan (Jee) juga.

---

Precision Air Conditioning System is a multivariable system with multi input and multi output (MIMO). It makes difficult to find out physical model of this system. Therefore, it is necessary to identify system using black box model. Besides, it is also necessary to identify model adaptively, so that it could represent the system better.

Identification of multivariable state space model in precision air conditioning system uses 4SID method. PAC system is represented by linear model and nonlinear system. Linear model of PAC is formed by state space model, and nonlinear system is formed by mathematical modeling of such system. 4SID methods that used are recursive MOESP and recursive PO-MOESP. After state space model is formed, the state space model is validated. Parameter that used for this validation is lost function (Jee). In this research, there are also identifications of state space model using linearization method and offline N4SID method.

The best result of offline identification of linear model in this research is N4SID method. In recursive identification, recursive MOESP and recursive PO-MOESP could not represent nonlinear system well. These recursive algorithms could represent linear model well based on criterion of lost function (Jee). In this research, the result of recursive MOESP identification is better than recursive PO-MOESP based on criterion of lost function (Jee) also."

"Penelitian ini berfokus pada perancangan pengendali Adaptive Model Predictive Control (MPC) atau MPC Adaptif pada sistem tata udara presisi atau Precision Air Conditioning (PAC) untuk mengendalikan termperatur dan kelembapan relatif, keluaran PAC tersebut, agar sesuai dengan yang diinginkan. PAC yang dikendalikan ini akan digunakan sebagai pendingin kabinet-kabinet yang ada di ruang pusat data (data center) sebuah perusahan telekomunkasi. Untuk itu, diharapkan keluaran dari PAC yang sudah dikendalikan berada pada kisaran 20°C hingga 22°C untuk temperaturnya dan 40% - 55% untuk kelembapan relatif (RH)-nya. Namun, penelitian ini masih pada tahap perancangan pengendali untuk temperatur saja. Pengendali MPC Adaptif yang dirancang adalah pengendali MPC dengan constraint yang memanfaatkan identifikasi rekursif. Dengan demikian, masukan MPC berupa parameter ruang keadaan akan di-update secara rekursif melalui tahap identifikasi sehingga mampu menghasilkan nilai keluaran sistem yang lebih baik untuk setiap updateannya. Identifikasi yang dilakukan adalah menggunakan algoritma PO-MOESP rekursif. Adapun pengendali MPC Adaptif yang dirancang masih menggunakan model SISO (single input single output), dimana hanya masukan kompresor dan keluaran temperatur yang diukur, sementara masukan kipas dijaga konstan dan keluaran kelembapan relatifnya diabaikan. Sebelum MPC Adaptif diterapkan, terlebih dahulu dirancang pengendali MPC dengan constraint untuk identifikasi offline, dan apabila hasil keluarannya sudah sesuai dengan yang diinginkan, maka pengendali MPC tersebut akan digabungkan dengan identifikasi rekursif. Pengendali MPC Adaptif yang dirancang masih menggunakan m-file. Akan tetapi, program m-file ini bisa diaplikasikan untuk sistem MIMO (multi input multi ouput). Pengendali yang didesain diharapkan mampu menjamin kestabilan sistem dengan error yang cenderung lebih kecil dibandingkan pengendali MPC biasa, serta mampu menjaga kestabilan temperatur apabila direalisasikan pada PAC.

---

This research focuses on Adaptive MPC Design for Precision Air Conditioning (PAC) in order to control the temperature and the relative humidity produced by PAC on desired interval. This controlled PAC would be utilized as air conditioner for cabinets in data center for telecommunication. Therefore, the controlled PAC is expected to produce temperature within 20°C - 22°C and relative humidity within 40% - 55%. Nevertheless, this research is still focusing on controlling the temperature, whereas on controlling relative humidity would be in further research.

The proposed adaptive MPC is designed by integrating recursive identification on MPC with constraint. Thus, Inputs (state variables) for MPC is updated recursively by online identification which is expected to produce better output for each update.

Identification itself implements recursive PO-MOESP algorithm for SISO (single input single output) by measuring the compressor as the input and temperature as the output, whereas the fan (input) is made constant and the relative humidity (output) is neglected. MPC with constraint for offline identification is firstly designed before implementing it with online identification. Online identification would be integrated to modeled MPC only if the modeled MPC for offline identification produces desired output.

The proposed adaptive SISO MPC is designed using m-file program in Matlab. Nevertheless, the m-file program is also applicable for MIMO (multi input multi output) system. The designed controller is expected to minimize the error and to guarantee the stability of the system. Besides, the designed adaptive SISO MPC is also expected to be able to control the temperature when it's embedded to PAC system."