Hasil Pencarian  ::  Simpan CSV :: Kembali

"Optimalisasi pabrik regasifikasi liqufied natural gas LNG penting dilakukan untuk meminimilasi biaya, khususnya biaya operasional. Oleh karena itu penting untuk memilih desain pabrik regasifikasi LNG dan mendapatkan kondisi operasi yang optimum serta mempertahankan kondisi operasi yang optimum tersebut melalui implementasi model predictive control MPC. Kriteria optimalnya adalah minimumnya jumlah energi yang digunakan dan atau integral of square error ISE. Hasilnya, disain yang optimum adalah menggunakan skema 2 dengan penghematan energi sebesar 40. Sedangkan kondisi operasi yang optimum terjadi jika suhu keluaran vaporizer sebesar 6oC. Untuk mempertahankan kondisi optimum tersebut diperlukan MPC dengan setelan parameter P prediction horizon , M control horizon dan T sampling time sebagai berikut: pengendali tekanan tangki penyimpanan: 90, 2, 1; tekanan produk: 95, 2, 1; suhu vaporizer: 65, 2, 2; dan suhu heater: 35, 6, 5, dengan nilai ISE pada set point tracking masing-masing 0,99, 1792,78, 34,89 dan 7,54, atau peningkatan kinerja pengendalian masing-masing sebesar 4,6 , 63,5 , 3,1 dan 58,2 dibandingkan kinerja pengendali PI. Penghematan energi yang dapat dilakukan pengendali MPC saat terjadi gangguan pada kenaikan suhu air laut 1oC adalah 0,02 MW dan pengendali MPC juga mengurangi error terhadap kualitas produk sebesar 34,25 dibandingkan dengan menggunakan pengendali PI.

---

Optimization of liquified natural gas LNG regasification plant is important to minimize costs, especially operational costs. Therefore, it is important to select the LNG regasification plant design and obtain optimum operating conditions while maintaining the optimum operating conditions through the implementation of model predictive control MPC. The optimal criterion is the minimum amount of energy used and or the integral of square error ISE.

As a result, the optimum design is to use scheme 2 with an energy savings of 40 . While the optimum operating conditions occur if the vaporizer output temperature is 6oC. In order to maintain the optimum conditions, MPC is required with parameter setting P prediction horizon, M control horizon and T sampling time as follows tank storage pressure controller 90, 2, 1 product pressure 95, 2, 1 temperature vaporizer 65, 2, 2 and temperature heater 35, 6, 5, with ISE value at set point tracking respectively 0.99, 1792.78, 34.89 and 7.54, or improvement of control performance respectively 4.6, 63.5 , 3.1 and 58.2 compared to PI controller performance.

The energy savings that MPC controllers can make when there is a disturbance in sea temperature rise of 1oC is 0.02 MW and MPC controller also reduces error to product quality by 34.25 compared to the PI controller."

"ABSTRAKMMPC (Multivariable Model Predictive Control) digunakan untuk mengontrol suhu dan tekanan di kilang regasifikasi LNG untuk mengatasi masalah yang saling mempengaruhi variabel dan mengurangi jumlah pengontrol. Ada empat variabel yang dikontrol (variabel terkontrol, CV) dan empat variabel yang dimanipulasi variabel, MV). CV yang dikontrol adalah tekanan di tangki penyimpanan LNG yaitu tekanan keluaran vaporizer, suhu keluaran vaporizer, dan suhu gas ke pipa. MV dimanipulasi, yang masing-masing berpasangan dengan CV tersebut, adalah laju aliran produk tank top, laju aliran gas pipa, laju aliran air laut, dan pemanas tugas. Identifikasi Model empiris FOPDT (First Order Plus Dead-Time) akan dilakukan terhadap keempatnya pasang CV dan MV untuk menggambarkan interaksi antar variabel. FOPDT diperoleh digunakan sebagai pengontrol di MMPC dan menentukan pengaturan kinerja kontrol Parameter MMPC yaitu P (prediction horizon), M (control horizon), T (waktu sampling). Kinerja kontrol diukur dengan menggunakan metode ISE (Integral Square Error). Hasilnya, parameter MMPC (P, M, T) untuk kondisi regasifikasi LNG adalah optimum masing-masing adalah 330, 1, 1. Ukuran ISE dari pengontrol MMPC dalam setpoint pelacakan: 2.12 × 10-4; 23.834; 0,763; 0,085, dengan perkembangan kinerja pengontrol masing-masing 31.262%, 17%, 175%, 757% dibandingkan kinerja MPC.

---

ABSTRACTMMPC (Multivariable Model Predictive Control) is used to control temperature and pressure in the LNG regasification plant to overcome the problem of interplaying variables and reducing the number of controllers. There are four controlled variables (controlled variable, CV) and four manipulated variablesvariable, MV). CV that is controlled is the pressure in the LNG storage tank, namely the vaporizer output pressure, the vaporizer output temperature, and the gas temperature to the pipe. MV manipulated, each of which is paired with the CV, is the tank top product flow rate, the pipeline gas flow rate, the seawater flow rate, and the heating duty. Identification of the FOPDT (First Order Plus Dead-Time) empirical model will be carried out on the four CV and MV pairs to describe the interactions between variables. The obtained FOPDT is used as a controller in the MMPC and determines the control performance settings for the MMPC parameters, namely P (prediction horizon), M (control horizon), T (sampling time). Control performance is measured using the ISE (Integral Square Error) method. As a result, the MMPC parameters (P, M, T) for the optimum LNG regasification conditions were 330, 1, 1. ISE size of the MMPC controller in the tracking setpoint: 2.12 × 10-4; 23,834; 0.763; 0.085, with the development of the controller performance respectively 31,262%, 17%, 175%, 757% compared to the performance of MPC."

"Ester base oil merupakan pelumas alami yang telah diterima secara luas dikarenakan kemampuan pelumasannya yang tinggi, serta keunggulan seperti kinerja suhu rendah, indeks viskositas yang tinggi, pengurangan gesekan yang sangat baik, dan sifat anti aus. Proses sintesis ester base oil melibatkan dua tahapan utama, yaitu oligomerisasi dan esterifikasi. Penelitian ini bertujuan untuk mendapatkan rancangan serta mendesain pengendalian proses pada proses pre- treatment oligomerisasi pabrik ester base oil dengan multivariable model predictive control (MMPC) 4x4. Metode yang digunakan untuk mendapatkan model first order plus dead time (FOPDT) 4x4 adalah dengan cara dilakukan identifikasi sistem menggunakan metode Smith, metode Wade, dan metode Solver. Selanjutnya, ditentukan model FOPDT terbaik dengan membandingkan nilai root- mean-square error (RMSE) terkecil dari setiap metode. Metode tuning yang digunakan untuk MMPC adalah metode Shridhar-Cooper dilanjutkan dengan fine- tuning untuk mendapatkan nilai parameter P (prediction horizon), M (control horizon), dan T (sampling time). Parameter MMPC tersebut akan diuji berdasarkan respon kinerja pengendali terhadap pengujian set point (SP) tracking dan pengujian disturbance rejection. Kinerja MMPC juga akan dibandingkan dengan kinerja pengendali propotional-integral (PI) dengan perhitungan integral absolute error (IAE) dan integral square error (ISE). Hasil identifikasi sistem didapatkan model FOPDT terbaik menggunakan metode Smith yaitu M1V3, M2V1 ; metode Wade yaitu M1V2, M2V3, M2V4, M4V2 ; metode Solver yaitu M1V1, M1V4, M2V2, M3V1, M3V2, M3V3, M3V4, M4V1, M4V3, M4V4. Metode fine-tuning pada penyetelan MMPC menghasilkan parameter P, M, T terbaik masing-masing sebesar 350, 300, dan 2. Pada pengujian SP ttacking, MMPC menunjukkan kinerja terbaik dalam pengendalian suhu sedangkan kinerja pengendali PI lebih baik dalam pengendalian laju alir. Pada pengujian disturbance rejection, kinerja MMPC lebih baik dibandingkan pengendali PI dengan perbaikan kinerja pengendalian sebesar 7,16% - 61,35% untuk nilai IAE dan 13,96% - 88,60% untuk nilai ISE.

---

Ester base oil is a natural lubricant widely accepted due to its high lubricating ability, as well as advantages such as low-temperature performance, high viscosity index, excellent friction reduction, and anti-wear properties. The synthesis process of ester base oil involves two main stages, namely oligomerization and esterification. This research aims to obtain a design and design process control in the pre-treatment process of oligomerization in the ester base oil plant with multivariable model predictive control (MMPC) 4x4. The method used to obtain the first-order plus dead time (FOPDT) 4x4 model is by identifying the system using Smith's method, Wade's method, and Solver's method. Furthermore, the best FOPDT model is determined by comparing the smallest root-mean-square error (RMSE) values from each method. The tuning method used for MMPC is the Shridhar-Cooper method followed by fine-tuning to obtain the parameter values P (prediction horizon), M (control horizon), and T (sampling time). These MMPC parameters will be tested based on controller performance responses to set point (SP) tracking testing and disturbance rejection testing. The performance of MMPC will also be compared with proportional-integral (PI) controllers using integral absolute error (IAE) and integral square error (ISE) calculations. The results of the system identification obtained the best FOPDT model using Smith's method, namely M1V3, M2V1; Wade's method, namely M1V2, M2V3, M2V4, M4V2; Solver's method, namely M1V1, M1V4, M2V2, M3V1, M3V2, M3V3, M3V4, M4V1, M4V3, M4V4 .The fine-tuning method in MMPC tuning resulted in the best P, M, T parameters of 350, 300, and 2 respectively. In SP tracking testing, MMPC showed the best performance in temperature control while PI controller performance was better in flow rate control. In disturbance rejection testing, MMPC performance was better than PI controllers with performance improvement ranging from 7.16% to 61.35% for IAE values and 13.96% to 88.60% for ISE values."

"Model Predictive Control is an important technique used in the process control industries. It has developed considerably in the last few years, because it is the most general way of posing the process control problem in the time domain. The Model Predictive Control formulation integrates optimal control, stochastic control, control of processes with dead time, multivariable control and future references. The finite control horizon makes it possible to handle constraints and non linear processes in general which are frequently found in industry. Focusing on implementation issues for Model Predictive Controllers in industry, it fills the gap between the empirical way practitioners use control algorithms and the sometimes abstractly formulated techniques developed by researchers. The text is firmly based on material from lectures given to senior undergraduate and graduate students and articles written by the authors"

"Hidrogen merupakan salah satu zat/gas yang sangat banyak kegunaannya, terutama dalam industri kimia. Banyaknya unit pada sebuah pabrik membuat banyak gangguan yang akan terjadi pada suatu proses pabrik, gangguan tersebut akan berdampak kepada keefektifan dan kestabilan operasi pabrik tersebut yang juga berpengaruh kepada lingkungan sekitar. Kompresor dan steam reformer merupakan unit-unit yang penting dalam pabrik biohidrogen dari biomassa. Kompresor berguna untuk mencapai tekanan tinggi pada kondisi operasi selanjutnya sedangkan Steam Reformer merupakan proses utama dari pabrik ini yang berguna untuk menghasilkan gas H2. Model Predictive Control (MPC) merupakan suatu pengendali yang dapat bekerja dengan basis model yang diharapkan akan menghasilkan kinerja yang lebih baik daripada pengendali lainnya. Pemodelan proses dilakukan dengan menggunakan model empirik sedangkan proses optimasi dilakukan dengan penyetelan terhadap paramter-parameter pengendali MPC seperti waktu sampel (T), prediction horizon (P), dan control horizon (M). Hasil pengendalian tekanan kompresor dan suhu steam reformer adalah pengendali MPC memiliki kinerja yang lebih baik dari pada pengendali PI dengan melakukan reidentifikasi sistem untuk mendapatkan pemodelan yang sesuai.

---

Hydrogen is one of the substances / gases that used by people, especially in the chemical industry. The number of units in a factory making many distractions that will occur in a process plant, the interference will affect the effectiveness and stability of the plant's operations that also affect the surrounding environment. Compressors and a steam reformer are the important units in biohidrogen from biomass plant. The compressor is useful for achieving high-pressure operating conditions while Steam Reformer next is the main process of this plant are useful to produce H2 gas.

Model Predictive Control (MPC) is a controller that can work with the base model is expected to has better performance than other controllers. Process modeling is done by using the empirical model while the optimization process is done by setting the parameter-MPC controller parameters such as sample time (T), prediction horizon (P), and the control horizon (M). The results of the compressor pressure control and temperature control of steam reformer is the MPC controller has better performance than the PI controller by performing system reidentification to obtain appropriate model."

"ABSTRAKFormaldehida merupakan senyawa kimia yang digunakan pada industri perekat. PT X merupakan produsen formaldehida di Jawa Timur. Sistem pengendali proses yang digunakan di PT X masih berbasis proportional integral (PI). Pengendali konvensional ini masih memiliki kekurangan. Multivariable model predictive control (MMPC) diajukan untuk meningkatkan kinerja sistem pengendali pada PT X. Model empiris dibuat menggunakan process reaction curve (PRC) dan perhitungan parameter first order plus dead time (FOPDT). Empat manipulated variable (MV) dan empat controlled variable (CV) membentuk 16 model empiris. Perhitungan parameter MMPC, meliputi sample time (T), prediction horizon (P), control horizon (M), dilakukan dengan metode Shridhar dan Cooper (1998) dan dioptimalkan dengan metode fine tuning. Kinerja pengendalian MMPC diuji dengan perubahan set point (SP) dan ketahanan atas gangguan (disturbance rejection). Empat pengendali yang diuji, yaitu pengendali tekanan evaporator (PIC-101), pengendali liquid percent level evaporator (LIC-101), pengendali laju alir steam (FIC-102), dan pengendali suhu udara (TIC-101). Nilai parameter MMPC meliputi T, P, dan M yang optimal berturut turut adalah 3, 62, dan 2. Pengendali MMPC dapat memberikan peningkatan kinerja pengendalian pada uji SP tracking dengan rata rata sebesar 33,24% untuk IAE dan 42,93% untuk ISE. Sedangkan, pada uji disturbance rejection, terdapat peningkatan kinerja dengan rata-rata sebesar 33,48% untuk IAE dan 58,08% untuk ISE.

---

ABSTRACT

Formaldehyde is chemical substances that is used in adhesive industry. PT X is formaldehyde producer in East Java. PT X is using proportional integral based control system. This conventional controller has several weaknesses. Multivariable model predictive control (MMPC) is used to increase the performance of control system at PT X. Empirical model is made with process reaction curve (PRC) followed by first order plus dead time (FOPDT) calculation. Four manipulated variable (MV) and four controlled variable (CV) will construct 16 empirical models. Calculation of MMPC parameter, which include sample time (T), prediction horizon (P), and control horizon (M), is done with Shridhar and Cooper method (1998) and optimized by fine tuning method. Performance of MMPC is tested by set point changes and disturbance rejection. Four controllers tested are evaporator pressure control (PIC-101), liquid percent level control (LIC-101), steam flow control (FIC-102), and air temperature control (TIC-101). The optimized parameter of MMPC which include T, P, and M are 3, 62, and 2 respectively. MMPC Controller can increase controller performance in SP tracking with average number of 33.24% for IAE and 42.93% of ISE. Meanwhile, in disturbance rejection, there is an increase in average of 33.485 for IAE and 58.08% for ISE."

"Kemampuan produksi minyak di Indonesia semakin menurun sejak tahun 1997 hingga sekarang sedangkan kebutuhan produk minyak/ BBM menunjukkan kecenderungan yang semakin meningkat. Maka produk dimetil eter (DME) dapat digunakan sebagai sumber energi alternatif yang lebih ramah lingkungan dan berkelanjutan. Pada pabrik purifikasi DME ini, umpan dengan komposisi DME, metanol dan air akan dipisahkan sehingga diperoleh DME murni dengan konsentrasi 99%. Dalam proses produksinya, unit-unit proses mengalami banyak gangguan yang berdampak pada menurunnya efisiensi dan kestabilan operasi dan juga berpengaruh pada aspek keselamatan.

Pada penelitian ini, pengendali Model Predictive Control (MPC) memiliki kinerja yang lebih baik dibanding pengendali PI dalam mengatasi gangguan dengan penurunan integral of absolute error (IAE) sebesar 40,08% hingga 96,26% dari pengendali PI. Parameter penyetelan (tuning) pada pengendali MPC yang berupa sampling time (T), prediction horizon (P), dan control horizon (M) dicari menggunakan metode non-adaptive dan fine tuning. Analisis kelaikan ekonomi pemasangan MPC menunjukkan bahwa payback period adalah sebesar 14,5 tahun dan 13,4 tahun serta net present value (NPV) sebesar -11juta rupiah dan -9,3 juta rupiah pada skenario gangguan umpan 5% dan 8% secara berturut-turut, sehingga penggantian pengendali dari PI menjadi MPC pada pabrik purifikasi DME secara ekonomi tidak menguntungkan.

---

Oil and gas production in Indonesia always decreasing since 1997 until now, and yet the need of oil and fuel product show increasing trajectory. Dimethyl ether (DME) can be used as altenative energy source, it is environmentally safe and sustainable. In this DME purification plant, feed stream containing DME, methanol, and water mixture is separated to obtain DME with 99% purity. In its production process, process unit in DME plant must get disturbances that will affect to the decreasing of process efficiency, operation stability and even safety aspect.

In this research, Model Predictive Control (MPC) has better performance than PI controller in order to overcome disturbances with error (IAE) reduction ranging from 40,08% up to 96,26% than PI controller. Tuning parameters in MPC controller, which are sampling time (T), prediction horizon (P) and control horizon (M), are estimated by both non-adaptive and fine tuning method. Economic feasibility analysis on MPC controller implementation shows that the payback period is 14,5 years and 14,3 years, then NPV -11 million rupiah and -9,3 million rupiah in disturbance scheme of 5% and 8% respectively . Hence, it is not economically feasible to change PI controller into MPC controller on dimethyl ether purification plant."

"Masalah yang dihadapi pada terminal regasifikasi skala kecil ini adalah kondisi operasi yang unsteady. Dikarenakan terdapat 2 kondisi, yaitu pada saat unloading LNG dari kapal LNG dan juga pada saat holding karena operasi on-off dari vaporizer berjenis AAV (Ambient Air Vaporizer) yang disebabkan terjadinya frosting. Dalam penelitian ini, dilakukan simulasi dinamik dari terminal regasifikasi skala kecil dengan pengendalian dalam perangkat lunak UniSim. Jika simulasi dilakukan tanpa pengendalian, menghasilkan laju alir yang menyimpang 14% dari seharusnya, dan setelah 6 jam suhu gas keluaran kurang dari 2,5°C yang artinya output tidak dapat memenuhi requirement pembangkit. Pengendali yang digunakan adalah pengendali tipe digital on-off  untuk unloading dan switch AAV dan PI untuk pengendalian laju alir LNG. Pengendali digital on-off pompa diatur untuk menghentikan unloading saat LNG di carrier bersisa 10%, sementara AAV akan diset untuk melakukan aksi switch AAV saat suhu gas keluaran mencapai 3°C. Untuk pengendali PI didapat parameter pengendali dengan nilai Kc = 0,00638 dan Ti = 0,00043. Waktu maksimal operasi 1 buah AAV adalah 7 jam 30 menit sebelum akhirnya akan dilakukan switch. Setelah pengendalian, spesifikasi gas keluaran terminal mampu untuk memenuhi requirement pembangkit yaitu laju alir molar 6,53 MMSCFD dan suhu gas minimum 2,5°C.

---

The problem encountered at this regasification terminal is unsteady operating conditions. Because of unloading LNG from a carrier and holding that involve on-off operation from AAV (Ambient Air Vaporizer) caused by frosting. In this study, a dynamic simulation of small-scale regasification terminal with controls UniSim carried out. If the simulation carries without control, it produces a flow rate that deviates 14% from what it should be, and after 6 hours of operation, the output temperature less than 2,5°C, which means cannot meet generator requirements. The controllers used in this case is digital on-off type controller for unloading and switch AAV and PI type controller to control LNG flowrate. For digital on-off controller, the controller is set to stop unloading when remaining LNG in the carrier is 10%, meanwhile AAV will be set to act on the switch when output temperature reach 3°C . For PI controllers, the control parameters with Kc = 0,00638 and Ti = 0,00043. The maximum operating time for 1 AAV is 7 hours 30 minutes before it will be switched. After controlling, the gas specifications from terminal able to meet the generator requirements, molar flow rate 6,53 MMSCFD and minimum gas temperature 2,5°C."

"Recent developments in model-predictive control promise remarkable opportunities for designing multi-input, multi-output control systems and improving the control of single-input, single-output systems. This volume provides a definitive survey of the latest model-predictive control methods available to engineers and scientists today.The initial set of chapters present various methods for managing uncertainty in systems, including stochastic model-predictive control. With the advent of affordable and fast computation, control engineers now need to think about using “computationally intensive controls,” so the second part of this book addresses the solution of optimization problems in “real” time for model-predictive control. The theory and applications of control theory often influence each other, so the last section of Handbook of Model Predictive Control rounds out the book with representative applications to automobiles, healthcare, robotics, and finance.The chapters in this volume will be useful to working engineers, scientists, and mathematicians, as well as students and faculty interested in the progression of control theory. Future developments in MPC will no doubt build from concepts demonstrated in this book and anyone with an interest in MPC will find fruitful information and suggestions for additional reading."

"Untuk menangani gangguan pada proses operasi nonlinear diperlukan suatu bentuk pengendalian. Representative Model Predictive Control (RMPC) adalah salah satu cara untuk memperoleh sekumpulan MPC lokal yang dapat merepresentasikan keseluruhan rentang operasi. MPC lokal ini nantinya digunakanpada Multiple Model Predictive Control (MMPC) untuk mensimulasikanproses operasi nonlinear multi variabel.Skripsi ini membahas penggunaan RMPC untuk memilih beberapa MPC lokal yang kemudian digunakan sebagai model pada MMPC untuk menangani gangguan. Penelitian ini menggunakan model kolom distilasi biner ?Kolom A? yang disimulasikan dengan perangkat lunak MATLAB. Variabel yang dimanipulasi adalah laju refluks dan laju boil up sedangkan variabel yang dikontrol adalah komposisi produk distilat dan komposisi produk bawah. Hasil IAE MMPC dibandingkan dengan IAE kontroler PI konvensional. Untuk gangguan single step; MPC terbaik dengan IAE 0,2564, lebih baik dari IAE kontroler PI 0,7494.Sedangkan untuk gangguan multi step; MMPC terbaik dengan IAE 0,7730, lebih baik dari IAE kontroler PI 0,9808.

---

In order to handle disturbances in the nonlinear operation some form of control is required. Representative Model Predictive Control (RMPC) is one way to obtain a set of local MPC which able to represent the entire operating range. The local MPC is later used in the Multiple Model Predictive Control (MMPC) to simulate the operation of nonlinear multi-variable process. This thesis discusses the use of RMPC to select some local MPC which is then used as a model for dealing with disturbances in the MMPC. This study uses a model of a binary distillation column "Column A" which is simulated with MATLAB software. The manipulated variable is the rate of reflux and boil-up rate, while the controlled variable is the product composition of the distillate and bottom product composition. MMPC IAE results compared with conventional PI controller IAE. For single step disturbance; the best MPC with IAE 0.2564, is better than PI controller IAE 0.7494. As for the multi-step disturbance; the best MMPC with IAE 0.7730, is better than PI controller IAE 0.9808."