Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRACTGas alam yang diambil dari sumbernya masih memiliki sejumlah senyawa pengotor yang harus dihilangkan, yang salah satunya adalah gas asam seperti CO2 dan H2S. Proses yang paling umum digunakan untuk menghilangkan gas asam adalah dengan absorpsi yang dilangsungkan di kolom absorpsi. Untuk mendukung kelancaran proses tersebut, perlu diterapkan sistem pengendalian pada proses. Pada penelitian ini, akan diterapkan penggunaan multivariable model predictive control MMPC untuk mengendalikan proses absorpsi. MMPC adalah salah satu pengendali tingkat lanjut advanced control yang diharapkan dapat memberikan performa yang lebih baik dalam menjaga kestabilan proses, dan dapat mengatasi interaksi antarvariabel pada proses absorpsi yang memiliki sistem multiple input multiple output MIMO . Pasangan variabel yang teridentifikasi memiliki interaksi adalah tekanan gas dan laju alir make up water masuk absorber. Dengan menggunakan MMPC, didapatkan nilai ISE yang lebih baik daripada pengendali PI yang digunakan di lapangan sebesar 42,6 untuk pengendalian tekanan dan 65,04 untuk pengendalian laju alir. MMPC pun memberikan respon yang lebih baik dalam mengatasi interaksi antarvariabel.

---

ABSTRACTRaw natural gas contains impurities that need to be removed before it can be utilized as energy source. One of the impurities is sour gas, which includes CO2 and sulphur compound such as H2S. The most common process used to remove sour gas is absorption, which is carried out in an absorption column. One of the essential step to support the operation is applying control strategy on the process. In this research, multivariable model predictive control MMPC will be applied as the controller for absorption process. MMPC is classified in advanced control category, and is expected to give a better performance in handling the process, and is able to overcome intervariable interaction that is prone to happen in multiple input multiple output MIMO system. The identified intervariable interaction is between the pressure of gas feed in and the flow of make up water to absorber. By implementing MMPC, the ISE of controller rsquo s performance are improved from the PI controller that is currently used in the plant. The improvement for ISE is 42,6 for pressure control and 65,04 for flow control. MMPC implementation also shows a better response in handling intervariable interaction in the process."

"Proses dehidrasi gas merupakan salah satu proses yang umum dijumpai pada industri pengolahan gas. Unit dehidrasi gas ini tentu diharapkan dapat beroperasi pada kondisi produksi yang optimum sehingga dapat menghasilkan produk sales gas yang memberikan keuntungan bagi kedua belah pihak. Namun, adanya kandungan hidrokarbon dan uap air pada sales gas akan menyebabkan pembentukan hidrat yang bersifat korosif pada saluran pipa. Untuk mencegah hal tersebut, gas alam yang berasal dari reservoar perlu dikeringkan terlebih dahulu sebelum dijual sebagai sales gas. Oleh karena itu, dibutuhkan sistem pengendalian proses pada bagian-bagian yang penting pada unit dehidrasi gas agar kestabilan dan keselamatan proses produksi dapat terjaga. Sistem tersebut dirancang untuk menjaga keamanan operasi dan memastikan proses berjalan dengan optimal untuk mendapatkan kualitas produk sales gas yang baik. Selama ini pengendalian hanya dilakukan menggunakan pengendali Proporsional-Integral, akan tetapi belum optimal sehingga perlu digunakan pengendali Multivariabel MPC Model Predictive Control. Penyetelan pengendali menggunakan metode Non-Adaptif DMC dan fine tuning kemudian hasil penyetelan dengan metode yang lebih baik akan dibandingkan dengan pengendali PI. Evaluasi kineja pengendalian dilihat berdasarkan seberapa cepat respon pengendali dalam mengatasi perubahan set point dan menangani adanya gangguan serta berdasarkan nilai ISE Integral Square Error. Sebagai hasilnya, metode fine tuning lebih baik digunakan dengan konstanta penyetelan P Prediction Horizon, M Model Horizon, dan T Sampling Time yang optimum adalah 14, 5, dan 3, dengan nilai ISE pada perubahan set point pada pengendalian tekanan dan temperatur sebesar 55 dan 51, atau perbaikan kinerja pengendalian sebesar 11.29 dan 16.39 dibandingkan dengan kinerja pengendali PI.

---

Gas dehydration process is one of the most common processes in gas processing industry. To produce sales gas that could benefit both parties, an optimum operation condition have to be obtained. However, the presence of hydrocarbon and water vapor on sales gas will lead to the formation of hydrates that are corrosive to the pipeline. Natural gas originating from the reservoir needs to be drained first before being sold as a sales gas to prevent the formation of hydrates. Therefore, a process controlling system is required in the critical parts of gas dehydration unit in order to maintain the stability and safety of the production process. This system is designed to maintain the security of operations and ensure the process runs optimally to get good quality sales gas. Current control system are mostly using Proportional Integral controller, but MPC Model Predictive Control controller is more preferable to optimize the process control. Adjustment of the controller were done using the DMC Non Adaptive method and fine tuning. The best tunning result from those two methods then will be compared with the PI controller. Evaluation of control performance is based on how fast controller could overcoming set point changes, handling disturbance and ISE Integral Square Error value. As a result, fine tuning methods are better used with P Prediction Horizon , M Model Horizon , and T Sampling Time optimization constants of 14, 5, and 3, with ISE values for set point changes in pressure control and temperatures are 55 and 51, or improvement in control performance by 11.29 and 16.39 compared to PI controller performance."

"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."

"Tingginya kandungan gas CO₂ pada cadangan gas alam di Indonesia merupakan tantangan yang cukup berdampak bagi proses produksi dan pemanfaatan cadangan gas alam tersebut. Untuk meningkatkan aspek teknis dan terhindar dari masalah-masalah operasional pada proses penghilangan gas CO₂, salah satu aspek yang dapat ditingkatkan adalah sistem pengendalian yang diaplikasikan ke sistem tersebut. Adanya variabel disturbance pada suatu sistem dapat menurunkan kinerja sistem pengendali yang digunakan. Dalam mengatasi masalah tersebut, aplikasi pengendali multi-loop PI dengan melibatkan disturbance model dinilai mampu meningkatkan kinerja sistem pengendalian dan mengeliminasi efek dari variabel disturbance tersebut. Dengan demikian, penelitian ini bertujuan untuk memperoleh disturbance model berdasarkan first order plus dead time (FOPDT) yang telah diverifikasi dan memperoleh kinerja pengendalian yang optimal dengan melibatkan model tersebut ke dalam sistem pengendali multi-loop PI. Dalam memperoleh kinerja pengendalian yang optimal dilakukan proses tuning dengan menggunakan metode biggest log modulus tuning (BLT) dan fine tuning, untuk dibandingkan dengan kinerja pengendalian multivariable model predictive control (MMPC) oleh Wahid, Meizvira dan Wiranoto (2018) pada sistem linear dan non-linear. Disturbance model dirancang berdasarkan perubahan variabel disturbance laju alir gas alam dengan membuat setpoint controlled variable (CV) tidak berubah, yaitu tekanan gas alam umpan sebesar 511,4 psia dan laju alir make-up water sebesar 10,5 psig. Hasil disturbance model yang paling merepresentasikan sistem yang dikendalikan adalah yang diperoleh menggunakan metode Solver. Dengan melakukan uji perubahan setpoint dan variabel disturbance, diketahui bahwa pengendali multi-loop PI-fine tuning menghasilkan kinerja pengendalian yang lebih baik daripada sistem pengendali MMPC, PI re-tuning dan multi-loop PI-BLT, baik pada sistem linear maupun non-linear. Hal ini menunjukkan bahwa penyusunan pengendali multi-loop PI pada sistem linear dengan melibatkan disturbance model dapat digunakan sebagai dasar dalam meningkatkan kinerja pengendalian pada sistem non-linear.

---

The high content of CO₂ in natural gas reserves in Indonesia is a challenge that has quite an impact on its production and utilization process. To improve the technical aspects and avoid operational problems in the CO₂ gas removal, one aspect that can be improved is the applied control system. The existence of a disturbance variables in a system may downgrade the performance of the used control system. To overcome this problem, the application of a multi-loop PI controller which involves disturbance model is considered to be able to improve the performance of the control system and eliminate the effects of the disturbance. Thus, this study aims to obtain a disturbance model based on the verified first order plus dead time (FOPDT), to be applied to the design of a linear multi-loop PI control system. To obtain optimal control performance of multivariable model predictive control model (MMPC) which has been conducted by Wahid, Meizvira and Wiranoto (2018), both on linear and non-linear system. The disturbance model is designed based one changes in the natural gas flow rate as disturbance variable by setting the setpoint of all controlled variables (CV) unchanged), which are the feed natural gas pressure on 511,4 psig, and make-up water flow rate on 10,5 psig. Through setpoint and disturbance variable change tests, it is known that the multi-loop PI-fine tuning controller produces better control performance than MMPC, PI re-tuning and multi-loop PI-BLT control system, both on linear and non-linear systems. Thus, by involving the disturbance model on linear multi-loop PI controller system design might be a bases for improving control system performance in non-linear system."

"Model Predictive Control (MPC) merupakan sistem pengendalian yang menggunakan model berdasarkan data hasil pengukuran keluaran (output) saat ini atau masa sebelumnya untuk memprediksi nilai dari variabel proses (input) pada masa yang akan datang. Pada penelitian ini, sistem pengendalian MPC digunakan untuk menangani pengendalian proses variabel jamak dalam unit operasi Continous Stirred Tank Reactor (CSTR) dengan reaksi pembuatan propylene glycol. Model dinamik sesuai dengan kondisi operasi yang dapat mewakili interaksi antara variabel jamak dibuat untuk diterapkan pada sistem pengendali. Sistem pengendalian proses disimulasikan dengan menggunakan perangkat lunak Unisim R390.1. Simulasi pengendalian proses dilakukan untuk menghasilkan performa pengendalian yang optimum dan untuk mengendalikan variable jamak yang saling berinteraksi dalam sistem pada CSTR. Optimasi pada sistem pengendalian dilakukan dengan cara tuning terhadap parameter-parameter MPC seperti model horizon (N), waktu sampel (T), prediction horizon (P), dan control horizon (M).Hasil dari simulasi menunjukkan Model F sebagai model dinamik terbaik pada pengendali MPC multivariable mampu menangani jangkauan perubahan setpoint dalam rentang perubahan yang kecil dari 0,33 ke 0,331 dengan IAE sebesar 0,10602. Secara keseluruhan, pengendali MPC belum dapat mengendalikan sistem CSTR secara optimum berdasarkan nilai IAE, namun pengendali MPC lebih mampu menjaga kestabilan sistem dibandingkan dengan pengendali PI.Model Predictive Control (MPC) are control system which use model based on value output variable at present or past to predict value of future process variable. In this research, MPC control system use to handle multivariable process control in unit operation Continous Stirred Tank Reactor (CSTR) with propylene glycol reaction system. Dynamics model based on operating condition which representative interaction between multivariable are made to implement in control system. Process control system simulating in Unisim R390.1 software. The simulation of process control aims to achieve optimum performance of controller and to control interaction between multivariable in CSTR system. Optimasion will be doing in system control with MPC parameters tuning such as model horizon (N), time sampling (T), prediction horizon (P), and control horizon (M).

The Results show that Model F as the best model in MPC multivariable can control the change of setpoint in short length from 0,33 to 0,331 with 0,10602 IAE. Overall, MPC controller can?t controlled CSTR system with optimum result based on IEA value, but MPC can make system more stabile than PI controller."

"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."

"Indonesia tengah menghadapi tantangan terus-menerus dengan meningkatnya permintaan bahan bakar fosil dan masalah lingkungan yang menyertai seperti emisi rumah kaca, sehingga sumber energi alternatif yang berpotensi mengurangi kerugian ini harus dikembangkan. Salah satu kemungkinan untuk mengatasi kelemahan ini adalah melalui pemanfaatan Dimethyl Ether (DME). Salah satu bagian penting dalam proses produksi DME adalah proses purifikasi metanol melalui kolom distilasi, dimana perolehan kembali metanol yang tinggi menghasilkan produksi DME yang lebih tinggi. Karena kolom distilasi sifatnya kompleks dan nonlinier, pendekatan yang berbeda dari pemodelan parametrik konvensional dicoba untuk memberikan model proses yang lebih akurat. Pendekatan ini menggunakan pendekatan pemodelan statistik, dimana diimplementasikan model Auto-Regressive Exogenous (ARX). Model ARX dibandingkan dengan model FOPDT yang dikembangkan oleh Wahid dan Brillianto (2020) dengan nilai root mean square error (RMSE) antara data model simulasi dan data proses aktual. Hasil penelitian menunjukkan bahwa model ARX mampu memberikan representasi yang lebih baik dari proses aktual dengan peningkatan akurasi dalam hal nilai RMSE mulai dari 22,22% hingga 99,28% untuk 14 dari 16 pasangan model proses (4 ✕ 4). Tiga set model (FOPDT, ARX, dan Mixed yang berisi model ARX dan FOPDT terbaik berdasarkan nilai RMSE-nya) diimplementasikan dalam MMPC 4 ✕ 4 dengan 2 variabel disturbance yang terukur. Hasil akhir menunjukkan bahwa kontroler set model Mixed memberikan hasil kontrol terbaik untuk pengujian set-point dan disturbance rejection, dengan peningkatan dalam hal nilai IAE mulai dari 14,3% hingga 95,81% dan dalam hal nilai ISE mulai dari 37,39% hingga 99,95%.

---

As Indonesia faces the constant challenge of rising fossil fuel demands and environmental issues attached such as greenhouse emissions, an alternative energy source that could potentially mitigate these disadvantages should be developed. One possibility to counteract these disadvantages is through the utilization of Dimethyl Ether (DME). One important section in the DME production process is the recovery of methanol through a distillation column, where high recovery of methanol yields higher DME production. As the distillation column is highly complex and nonlinear, a different approach to conventional parametric modelling is attempted to provide a more accurate process model. This approach uses a statistical modelling approach, in which the Auto-Regressive Exogenous (ARX) model is implemented. The ARX model is compared to that of the FOPDT models developed by Wahid and Brillianto (2020) with the root mean square error (RMSE) value between the simulated model data and actual process data. The results show that the ARX model is able to provide better representation of the actual process with fitness improvements in term of RMSE value ranging from 22.22% to 99.28% for 14 of the 16 process model pairs (4 ✕ 4). Three model sets (FOPDT, ARX, and Mixed which contains the best ARX and FOPDT model based on their RMSE value) are implemented in a 4 ✕ 4 MMPC with 2 measured disturbance variables. The final result shows that the Mixed model set controller provides the best control result for both set-point and disturbance rejection testing, with improvements in term of IAE value ranging from 14.3% to 95.81% and in term of ISE value ranging from 37.39% to 99.95%."

"Laju pertumbuhan penduduk Indonesia memaksa konsumsi akan bahan bakar terus meningkat, karena saat ini bahan bakar telah menjadi salah satu kebutuhan utama masyarakat modern di Indonesia. Sebagian besar bahan bakar tersebut berasal dari minyak bumi yang dalam satu dekade ini produksinya mengalami penurunan di dalam negeri. Oleh sebab itu peluang pengembangan energi alternatif harus terus di kembangkan di Indonesia, salah satunya dengan membuat Pabrik Dimetil Eter (DME) dengan bahan baku utama gas sintesis. Gas sintesis ini diperoleh dari gas alam melalui proses autotermal reforming. Indonesia sendiri memiliki cadangan gas alam yang lebih besar ketimbang minyak bumi. DME dipilih karena merupakan bahan bakar alternatif yang ramah lingkungan. Proses pembuatan DME secara indirect melibatkan sintesis metanol, dehidrasi metanol, purifikasi DME hingga purifikasi metanol untuk di recylce. Dalam penelitian ini akan dijelaskan sistem pengendalian pada proses purifikasi DME hingga purifikasi metanol. Unit-unit yang ada pada proses purifikasi DME ialah unit heater, unit distilasi DME, unit cooler, unit flash drum dan unit storage tank, sedangkan pada proses purifikasi metanol terdapat unit distilasi metanol, unit cooler dan unit pompa. Pengendalian pada kedua proses purifikasi itu penting untuk menjaga proses tetap pada kondisi optimumnya. Proses purifikasi DME dan Metanol ini mengandalkan Unit Distilasi yang memiliki temperatur operasi hingga 190oC dan tekanan hingga 1950 kPa. Sistem pengendalian yang dipilih untuk proses ini ialah jenis pengendali Proportional Integral (PI) karena dapat menangani hampir setiap situasi kontrol proses di dalam skala industri. Penelitian ini menggunakan pemodelan penyetelan pengendali Ziegler Nichols dan Lopez, lalu dibandingkan nilai parameter kinerja pengendalinya yaitu Offset, Rise Time, Time of First Peak, Settling Time, Periode osilasi, Decay Ratio, Overshoot, Deviasi maksimum, Integral Absolute Error (IAE) dan Integral Square Error (ISE) dari kedua jenis penyetelan tersebut. Hasil penelitian ini dapat digunakan untuk penentuan variabel input dan output yang optimum pada proses purifikasi DME dan Metanol yang dapat diterapkan pada pabrik DME.

---

Increases of Indonesia’s population makes consumption of fuel was high, because nowadays fuel become primary needs for modern people in Indonesia. Fuel in Indonesia is mostly from petroleum, which is has slowly production in one decade behind. Therefore, chance in alternative energy must be develop in Indonesia, one of them is making Industry of Dimethyl Ether (DME) from synthetic gas feed. Synthetic gas was get from natural gas in autothermal reforming process. Indonesia has more reserve natural gas than petroleum. The another benefit from DME is friendly for our environment as alternative fuel. Indirect process in production of DME consists of synthesis methanol, dehidration methanol, purification DME and purification methanol for recycle.

The research will explain about control system in purification DME and purification methanol. Purification DME consists of heater, distillation column of DME, cooler, flash drum and storage tank, furthermore purification methanol consists of distillation column of methanol, cooler and pump. Controlling both of purification process is really important to keep the process in optimum condition. Purification process of DME and methanol used distillation column in temperature up to 190oC and pressure up to 1950 kPa.

Type of control system in this research is Proportional Integral (PI) controller, it is because the controller can handle much process control condition in industry scale. This research used tuning model Ziegler Nichols and Lopez, then compares the performance parameter of Offset, Rise Time, Time of First Peak, Settling Time, Osilation Period, Decay Ratio, Overshoot, Maximum Deviation, Integral Absolute Error (IAE) and Integral Square Error (ISE) by both tuning model. The result of this research can be use to define optimum input and output variable in Purification process of DME and Methanol that can applied in Industry of DME."

"ABSTRACTModel Predictive Control MPC digunakan untuk mengoptimalisasi parameter pengendalian pada penghilangan CO2 di lapangan Subang. MPC digunakan untuk mengendalikan laju aliran amina, laju aliran makeup water, dan tekanan gas umpan untuk mempertahankan konsentrasi CO2 pada keluaran sweet gas. Model empiris dibuat untuk diterapkan di MPC controller berdasarkan kurva reaksi proses PRC dengan menggunakan pendekatan fisrt order plus dead time FOPDT . Parameter pengendalian Prediction Horizon P , Control Horizon M dan Sampling Time T yang optimal dihasilkan secara berurutan: 91, 32 dan 1 pada PIC-1101, 34, 10 dan 5 pada FIC-1102 dan 40, 10 dan 5 pada FIC-1103. Hasil penyetelan pengendali dengan metode MPC yang optimal kemudian dibandingkan dengan pengendali yang ada dilapangan yang menggunakan pengendali Proportional ndash; Integral PI . Pengkuran kinerja pengendalian secara keseluruhan diwakilkan oleh nilai Integral Square Error ISE . Berdasarkan nilai ISE, penggunaan MPC dapat memperbaiki kinerja pengendalian sebesar 14,02 pada PIC-1101, 76,74 pada FIC-1102, dan 16,31 pada FIC-1103.

---

ABSTRACTA model predictive control MPC is used for optimazing the control parameters on CO2 Removal in Subang Field. The MPC is used for controlling the amine flow rate, makeup water flowrate, and feed gas pressure to maintain CO2 concentration in sweet gas. Empirical models are made to appllied in MPC controller based on process reaction curve PRC from fisrt order plus dead time FOPDT approach. The Prediction Horizon P , Control Horizon M and Sampling Time T of control parameters are produced sequentially 91, 32 and 1 on PIC 1101, 34, 10 and 5 on FIC 1102 and 40, 10 and 5 on FIC 1103. The result of control setting by MPC method is then compared with current controller that is Proportional Integral PI to get optimal tuning result. The overall performance control performance is represented by the Integral Square Error ISE value. Based on ISE values, the use of MPC can improve performance by 14.02 in PIC 1101, 76.74 in FIC 1102, and 16.31 in FIC 1103."

"Pada tahun 2015, Indonesia diproyeksikan mengalami defisit bahan bakar minyak sebesar 562.000 barrel/ hari. Untuk menutupi defisit tersebut diperlukan upaya luar biasa berupa pembangunan terminal transit bahan bakar minyak impor atau pembangunan kilang baru dan modifikasi kilang eksisting dengan kapasitas pengolahan sebesar minimal 300.000 barrel/ hari guna menjaga ketahanan energi nasional. Disain kilang yang ada harus dipasang dengan sistem pengendalian untuk menghindari gangguan pada proses yang berdampak pada keefektifan dan kestabilan operasi pabrik. Pada awalnya minyak bumi akan diproses pada bagian Crude Distillation Unit (CDU) untuk mendapatkan produk straight run. Unit ini sangat menentukan rate produk sehingga perlu diterapakan konfigurasi sistem pengendalian yang optimum. Jenis pengendali yang akan diterapkan pada penelitian ini adalah pengendali PI (Proportional - Integral) karena dapat menangani hampir setiap situasi pengendalian proses di dalam skala industri. Telah banyak rancangan kilang dengan model konfigurasi tertentu dan metode pengendali tertentu, misalnya kilang dengan dominasi produk bensin dengan pengendali PID dan kilang dengan dominasi produk kerosene dengan pengendali PI. Pengendalian proses kolom distilasi ini dilakukan dengan mensimulasikan secara dinamik pada perangkat lunak Aspen Hysys v.8. Penyetelan pengendali dilakukan untuk mendapatkan parameter kinerja alat kendali yang optimum yaitu dihitung berdasarkan metode Ziegler - Nichols, Lopez dan fine tunning. Sebagai hasilnya, pada pengendali laju alir diesel dan light naphta, pengendali tekanan pada reboiler, dan pengendali temperatur feed masukan kolom distilasi digunakan penyetelan Lopez. Sedangkan untuk pengendali laju alir AGO (atmospheric gas oil) dan level kondenser digunakan penyetelan fine tuning.

---

By 2015, Indonesia is projected in deficit of fuel oil by 562.000 barrels/ day. To cover that deficit, Indonesia requires a tremendous efforts such as the construction of a transit terminal which is imported fossil fuels or the construction of new refineries and modification of the existing refinery with a processing capacity of at least 300.000 barrels/ day in order to maintain national energy security. The design of the existing refinery has to be fitted with a control system to avoid interruptions that have an impact on the effectiveness and stability of plant operations. At first, crude oil will be processed at the Crude Distillation Unit (CDU) to obtain straight run products. This unit will determine the rate of product that needs to be applied an optimum configuration of system control. PI controller (Proportional - Integral) will be applied to the system control because it can handle almost any situation in process control in industrial scale. Have many designs refineries with a particular configuration model and specific control methods, such as a refinery with a petrol product dominance with a PID controllers and refineries with kerosene product dominance with a PI controller. The distillation column of process control is done by simulating the plant dynamically in Aspen Hysys v.8 software. Adjustments made to obtain the optimum performance parameters of control device that is calculated based on Ziegler - Nichols, Lopez and fine tunning methods. As a result, the diesel and light naphtha flowrate controllers, reboiler pressure controller, and input feeds temperature of a distillation column controller used Lopez adjustment. As for the AGO (atmospheric gas oil) flowrate controller and the level of conndenser controller used fine tuning adjustment."