Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pengontrol aliran banyak digunakan di berbagai industri, seperti di industri perminyakan untuk mengalirkan minyak dari minyak lepas pantai ke darat atau digunakan untuk distribusi minyak. Pengontrol aliran yang paling banyak digunakan dalam industri adalah pengontrol berbasis PID konvensional yang diimplementasikan menggunakan PLC. PLC banyak digunakan dalam industri karena kekompakannya, memiliki konektivitas standar dan memiliki keandalan yang tinggi. Dalam penelitian ini, pengontrol non-konvensional, yaitu pengontrol Neuro-Fuzzy, diterapkan pada pabrik prototipe yang mengandung air sebagai agen alirannya. Pabrik prototipe terdiri dari tangki air, pompa air, katup gerbang, katup kontrol, flow meter, dan sistem perpipaan. Kontroler Neuro-Fuzzy dalam penelitian ini dirancang berdasarkan algoritma ANFIS, dengan input berupa kesalahan dan perubahan kesalahan dari variabel proses yang diamati, dalam hal ini aliran air pada pipa keluaran pabrik prototipe. Pengontrol dioperasikan di lingkungan MATLAB/SIMULINK pada PC, yang memperoleh informasi laju aliran berasal dari flow meter yang terhubung ke PLC. PLC berkomunikasi dengan pengendali melalui fasilitas OPC. Output dari pengontrol, yang berupa bukaan katup kontrol, akan dikirim ke PLC melalui OPC, oleh karena itu PLC dapat mengontrol bukaan katup sesuai dengan laju aliran air yang diinginkan. Setelah menjalani proses pelatihan, pengendali berbasis ANFIS yang dikembangkan diuji dengan berbagai titik setel debit air untuk mendapatkan informasi kinerjanya. Dari penelitian ini ditemukan bahwa pengontrol berbasis ANFIS adalah pengontrol dengan kinerja yang baik, yang memiliki waktu naik rata-rata 16,88 detik, waktu penyelesaian 30,68 detik, dan dengan overshoot 0% dan 35,65%, dan memiliki relatif kecil kesalahan 2,59%.

---

Flow control is widely used in various industries, such as in the oil industry to flow oil from offshore to onshore oil or used for oil distribution. The most widely used flow controller in the industry is conventional PID-based controller which is implemented using PLC. PLCs are widely used in industry because of their compactness, standard connectivity and high reliability. In this study, a non-conventional controller, the Neuro-Fuzzy controller, is applied to a prototype plant that contains water as its flow agent. The prototype plant consists of a water tank, a water pump, a gate valve, a control valve, a flow meter, and a piping system. The Neuro-Fuzzy controller in this study was designed based on the ANFIS algorithm, with input in the form of errors and error changes of the observed process variables, in this case the flow of water in the prototype factory output pipe. The controller is operated in a MATLAB / SIMULINK environment on a PC, which gets flow rate information from a flow meter connected to the PLC. PLC communicates with controllers through OPC facilities. The output from the controller, which is the control valve opening, will be sent to the PLC via OPC, therefore the PLC can control the valve opening according to the desired flow rate. After undergoing the training process, the ANFIS-based controller that was developed was tested with various water discharge set points to obtain performance information. From this study it was found that ANFIS-based controller is a controller with good performance, which has an average rise time of 16.88 seconds, a completion time of 30.68 seconds, and with 0% and 35.65% overshoot, and has relatively small errors 2.59%."

"Dengan berkembangnya pembangunan perkotaan dan kebutuhan industri, semakin pipa panjang diperlukan. Untuk kebutuhan industri diperlukan suatu sistem system pengendalian yang kuat, adaptif, efisien, dan ramah lingkungan untuk memenuhi kebutuhan yang sangat besar. Pada penelitian ini telah dirancang sebuah sistem kendali berdasarkan kecerdasan buatan dengan logika fuzzy pada kontrol aliran air berdasarkan PLC. Pada penelitian ini sistem logika fuzzy menggunakan 2 input himpunan fuzzy yaitu error dan perubahan kesalahan. Setiap himpunan fuzzy menggunakan 5 fungsi keanggotaan yang bernilai negatif besar (NB), negatif sedang (NM), nol (ZO), positif sedang (PM), besar positif (PB). Sistem dapat melakukan kontrol debit sesuai kebutuhan. Sistem ini terletak pada komputer yang berfungsi sebagai pusat kendali dan mengambil data dari server OPC tempat data diambil dari PLC menggunakan komunikasi Ethernet yang terhubung langsung ke plant. Sistem kontrol berbasis logika fuzzy dioperasikan pada pabrik prototipe pada skala lab, dan analisis kinerja diverifikasi secara eksperimental. Data dapat langsung diambil dan dilihat menggunakan MATLAB SIMULINK. Berdasarkan hasil percobaan dapat disimpulkan kontrol menggunakan logika fuzzy lebih baik dari kontrol konvensional PID. Hasil kontrol menggunakan logika fuzzy mencapai kondisi tunak lebih cepat yaitu 24,24 detik tanpa overshoot dibandingkan dengan menggunakan PID yaitu ID 48,6 detik dengan overshoot 16,2%.

---

With the development of urban development and industrial needs, more and more long pipes are needed. For industrial needs, a strong, adaptive, efficient, and environmentally friendly control system is needed to meet enormous needs. In this research, a control system based on artificial intelligence has been designed with fuzzy logic on water flow control based on PLC. In this study, the fuzzy logic system uses 2 input fuzzy sets, namely error and error change. Each fuzzy set uses 5 membership functions with large negative values ​​(NB), medium negative (NM), zero (ZO), moderate positive (PM), large positive (PB). The system can perform discharge control as needed. This system is located on a computer that functions as a control center and retrieves data from the OPC server where data is retrieved from the PLC using Ethernet communication that is connected directly to the plant. Fuzzy logic based control system is operated in a prototype factory on a lab scale, and performance analysis experimentally verified. Data can be directly retrieved and viewed using MATLAB SIMULINK. Based on the experimental results, it can be concluded that the control using fuzzy logic is better than conventional PID control. The results of the control using fuzzy logic reached steady state faster, namely 24.24 seconds without overshooting compared to using PID, namely ID48.6 seconds with 16.2% overshoot."

"Dengan berkembangnya konstruksi perkotaan dan kebutuhan industri, maka semakin diperlukannya pipa yang panjang. Untuk Kebutuhan industri diperlukannya sistem pengendalian yang kuat, adaptif, efisien, dan ramah lingkungan untuk memenuhi kebutuhan yang sangat besar. Pada penelitian ini telah dirancang suatu sistem kendali berbasis kecerdasan buatan dengan logika fuzzy pada pengendalian debit air berbasis PLC .Dalam penelitian ini sistem logika fuzzy menggunakan 2 input fuzzy set yaitu error dan perubahan error. Setiap Fuzzy set menggunakan 5 fungsi keanggotaan yaitu negatif besar (NB), negatif medium(NM), zero(ZO), positif medium(PM), positif besar(PB). Sistem dapat melakukan pengendalian debit sesuai yang dibutuhkan.Sistem ini berada pada sebuah komputer yang berfungsi sebagai pusat pengendalian dan mengambil data dari OPC server dimana data tersebut diambil dari PLC menggunakan komunikasi ethernet yang langsung terhubung dengan plant. Sistem pengendalian berbasis logika fuzzy dioperaasikan pada prototype plant dalam skala lab, dan analisis performa diverivikasi secara eksperimental. Data secara langsung dapat diambil dan dilihat menggunakan SIMULINK MATLAB. Berdasarkan hasil eksperimen dapat simpulkan pengendalian menggunakan logika fuzzy lebih baik dibanding pengendalian konvesional PID. Hasil pengendalian menggunakan logika fuzzy lebih cepat mencapai steady state yaitu 24.24 sekon tanpa adanya overshoot dibandingkan dengan menggunakan PID yaitu 48.6 sekon dengan overshoot sebesar 16.2%.

---

With the development of urban construction and industrial needs, the need for long pipes is increasing. For industrial needs, a control system that is strong, adaptive, efficient, and environmentally friendly is needed to meet huge needs. In this study, a control system based on artificial intelligence has been designed with fuzzy logic for PLC-based water flow control. In this study, the fuzzy logic system uses 2 fuzzy set inputs, namely error and error change. Each Fuzzy set uses 5 membership functions, namely large negative (NB), medium negative (NM), zero (ZO), medium positive (PM), large positive (PB). The system can control the discharge as needed.

This system is located on a computer that functions as a control center and retrieves data from the OPC server where the data is retrieved from the PLC using ethernet communication which is directly connected to the plant. The fuzzy logic-based control system was operated on a prototype plant on a lab scale, and the performance analysis was verified experimentally. Direct data can be retrieved and viewed using SIMULINK MATLAB. Based on the experimental results, it can be concluded that controlling using fuzzy logic is better than conventional PID control. The result of controlling using fuzzy logic reaches a steady state faster, which is 24.24 seconds without overshoot, compared to using PID, which is 48.6 seconds with an overshoot of 16.2%."

"Neural networks and fuzzy systems are model free control design approaches that represent an advantage over classical control when dealing with complicated nonlinear actuator dynamics. Neuro-Fuzzy Control of Industrial Systems with Actuator Nonlinearities brings neural networks and fuzzy logic together with dynamical control systems. Each chapter presents powerful control approaches for the design of intelligent controllers to compensate for actuator nonlinearities such as time delay, friction, deadzone, and backlash that can be found in all industrial motion systems, plus a thorough development, rigorous stability proofs, and simulation examples for each design. In the final chapter, the authors develop a framework to implement intelligent control schemes on actual systems. Rigorous stability proofs are further verified by computer simulations, and appendices contain the computer code needed to build intelligent controllers for real-time applications. Neural networks capture the parallel processing and learning capabilities of biological nervous systems, and fuzzy logic captures the decision-making capabilities of human linguistics and cognitive systems."

"Dengan berkembangnya pembangunan perkotaan dan kebutuhan industri, semakin pipa panjang diperlukan. Untuk kebutuhan industri diperlukan suatu sistem system pengendalian yang kuat, adaptif, efisien, dan ramah lingkungan untuk memenuhi kebutuhan yang sangat besar. Pada penelitian ini telah dirancang sebuah sistem kendali berdasarkan kecerdasan buatan dengan logika fuzzy pada kontrol aliran air berdasarkan PLC. Pada penelitian ini sistem logika fuzzy menggunakan 2 input himpunan fuzzy yaitu error dan perubahan kesalahan. Setiap himpunan fuzzy menggunakan 5 fungsi keanggotaan yaitu negatif besar (NB), negatif sedang (NM), nol (ZO), positif sedang (PM), besar positif (PB). Sistem dapat melakukan kontrol debit sesuai kebutuhan. Sistem ini adalah pada komputer yang berfungsi sebagai pusat kendali dan mengambil data dari server OPC tempat data diambil dari PLC menggunakan komunikasi Ethernet yang terhubung langsung ke plant. Sistem kontrol berbasis logika fuzzy dioperasikan pada pabrik prototipe pada skala lab, dan analisis kinerja diverifikasi secara eksperimental. Data dapat langsung diambil dan dilihat menggunakan MATLAB SIMULINK. Berdasarkan hasil percobaan, dapat disimpulkankontrol menggunakan logika fuzzy lebih baik dari kontrol konvensional PID. Hasil kontrol menggunakan logika fuzzy mencapai kondisi tunak lebih cepat yaitu 24,24 detik tanpa overshoot dibandingkan dengan menggunakan PID yaitu ID 48,6 detik dengan overshoot 16,2%.With the development of urban development and industrial needs, more and more long pipes are needed. For industrial needs, a strong, adaptive, efficient, and environmentally friendly control system is needed to meet enormous needs. In this research, a control system based on artificial intelligence has been designed with fuzzy logic on water flow control based on PLC. In this study, the fuzzy logic system uses 2 input fuzzy sets, namely error and error change. Each fuzzy set uses 5 membership functions, namely large negative (NB), medium negative (NM), zero (ZO), medium positive (PM), large positive (PB). The system can perform discharge control as needed. This system is on a computer that functions as a control center and retrieves data from the OPC server where data is retrieved from the PLC using Ethernet communication that is connected directly to the plant. The fuzzy logic based control system is operated in a prototype factory on a lab scale, and the performance analysis is verified experimentally. Data can be directly retrieved and viewed using MATLAB SIMULINK. Based on the experimental results, it can be concluded control using fuzzy logic is better than conventional control PIDs. The results of the control using fuzzy logic reached steady state faster, namely 24.24 seconds without overshoot than using PID, namely ID 48.6 seconds with 16.2% overshoot."

"ABSTRAKSaat ini persaingan didunia Industri semakin meningkat, efisiensi produksi umumnya dianggap sebagai kunci untuk sukses. Efisiensi produksi meliputi area yang luas seperti kecepatan, dimana peralatan produksi dan line produksi dapat di set untuk membuat suatu produk, menurunkan biaya material dan upah kerja dari suatu produksi, meningkatkan kualitas dan menurunkan reject, meminimalkan downtime dari mesin produksi, biaya perawatan produksi murah. Programmable Logic Controller memenuhi kebanyakan dari persyaratan diatas dan merupakan salah satu kunci dalam meningkatkan efesiensi produksi dalam industri. Dalam skripsi ini akan dibahas cara kerja sistem pada Alat Bantu Pengukur Ballast yang sudah ada, pembuatan sistem pengembangan pada Alat Bantu Pengukur Ballast dengan menggunakan PLC diagram ladder sebagai programnya dan membuat model pengembangan dari Alat Bantu Pengukur Ballast berbasis Programmable Logic Control.

---

ABSTRACTCurrently the industry is increasing competition in the world, the production efficiency is generally regarded as the key to success. Efficiency of production includes a large area such as speed, where production equipment and production line can be set to make a product, lowering the cost of materials and wages of a production, improve quality and lower reject, minimize downtime of the production machine, production maintenance costs low. Programmable Logic Controller meets most of the requirements above and is one key to improving the efficiency of production in the industry. In this paper will discuss how the system works in Ballast Measuring Tools that already exists, the manufacturing system development in Ballast Measuring Tools by using PLC ladder diagram as a program and make a model of development based Ballast Measuring Tools Programmable Logic Control."

"Perkembangan ilmu dibidang kontrol diiringi pula dengan aplikasinya yang sejalan pada dunia industri. Sehingga, kendala-kendala aplikasi pada industri juga menjadi dasar dioptimasinya sistem-sistem pengendali. Salah satunya adalah sistem logika fuzzy (fuzzy logic) yang secara luas sudah banyak digunakan untuk pengendalian, sebagai salah satu alternatif selain PID kontroler. Fuzzy logic controller sebagai jawaban terhadap sistem yang membutuhkan output dengan ketelitian tinggi, yang tentunya sistem pengendaliannya cukup kompleks. Salah satu penerapan pengendali logika fuzzy di industri adalah untuk pengendalian tangki pengontro! density, yang merupakan sub sistem dalam suatu proses pengolahan bahan pembuatan atap asbes. Aplikasi pengendaliannya dilakukan terhadap target pencapaian set point density dan level kapasitas bahan pada tangki tersebut. Pengendalian sistem ini dapat dikatakan mempunyai multi input-multi output (MIMO), yaitu dengan set point input density dan level kapasitas, output yang diharapkan adalah tercapainya density dan level bahan sesuai yang ditargetkan pada tangki. Pencapaian salah satu set point akan mempengaruhi set point lainnya, dimana ketika pencapaian target density diupayakan maka level bahan juga terpengaruh atau berlaku sebaliknya. Pada tugas akhir ini, dibahas konsep dan rancangan proses dengan simulasi pengendalian pada tangki pengontrol density berbasis fuzzy logic controller dengan menggunakan simulink pada program matlab versi 6.1."

"Pada skripsi ini dibuat sebuah sistem kendali tertutup dengan menerapkan logika fuzzy sebagai pengendali. Sistem ini dibuat untuk menguji algoritma real-time reasoning fuzzy controller yang diterapkan pada sistem kendali posisi motor do berbasis komputer. Sistem yang dikendalikan diimplementasikan berupa gerakan rotasi satu dimensi. Perangkat keras yang digunakan dalam skripsi ini, terdiri dari empat bagian utanu, yaitu antarmuka PC, rangkaian pengubah sinyal (ADC dan DAC), penggerak motor dan sensor. Antarmuka PC berfungsi untuk mengatur pengalamatan dan jalur data antara perangkat keras dan perangkat lunak. Sensor berfungsi untuk memberikan masukan pada perangkat lunak fu=ry, melalui antar-muka PC, kemudian pengendalifuzzy memberikan keluaran pada penggerak motor. Sinyal yang keluar dari sensor adalah sinyal analog, untuk itu perlu diubah menjadi sinyal digital oleh ADC sebelum masuk ke komputer. Sebaliknya, sinyal yang keluar dari komputer adalah sinyal digital dan harus diubah menjadi sinyal analog untuk dapat dipakai oleh penggerak motor. Perangkat lunak dalam sistem ini digunakan sebagai antarmuka pemakai dengan sistem untuk melakukan fungsi-fungsi seperti menset sistem untuk inisialisasi, menjalankan algoritma pengendali fuzzy berdasarkan sinyal input yang masuk ke dalam bus data, mengeluarkan sinyal pengendali yang sesuai kepada penggerak motor melalui DAC, memasukkan komposisi Memori Assosiatif Fuzzy, memonitor tanggapan waktu sistem dan melakukan analisis respons sistem. Hasil yang dicapai menunjukkan bahwa penerapan pengendali fuzzy pada sistem kendali posisi gerakan rotasi satu dirnensi ini dapat menurunkan overshoot dan mengurangi galat tunak."

"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."