Hasil Pencarian  ::  Simpan CSV :: Kembali

"Formaldehida merupakan bahan kimia yang memiliki banyak kegunaan seperti bahan baku dalam pembuatan resin, disinfektan, serta pengawet. Pada proses produksi di pabrik, salah satu aspek yang memiliki peran penting adalah aspek pengendalian. Saat ini PT. X masih menggunakan pengendali Proportional-Integral (PI) yang masih memiliki sejumlah kekurangan. Dalam rangka mengatasi kekurangan yang dimiliki oleh pengendali PI, pengaplikasian pengendali MMPC dengan model gangguan dinilai mampu menghasilkan performa pengendalian yang lebih baik. Model empiris pada penelitian ini didapatkan dari penelitian sebelumnya yang telah dilakukan oleh Wahid dan Fauzi (2021), sedangkan model gangguan dibuat dengan bantuan process reaction curve dan perhitungan parameter First Order Plus Dead Time (FOPDT). Dalam memperoleh kinerja pengendalian yang optimal dilakukan proses tuning menggunakan metode Shridhar dan Cooper dan dioptimalkan dengan metode fine tuning. Kinerja pengendali MMPC dengan model gangguan diuji dengan perubahan Set Point (SP) dan ketahanan atas gangguan (disturbance rejection) dan diukur melalui perhitungan Integral Absolute Error (IAE) dan Integral Square Error (ISE). Pada uji perubahan Set Point (SP), pengendali MMPC berbasis model gangguan menghasilkan peningkatan kinerja dimana IAE mengalami penurunan yang berkisar dari 14,04-95,88% dan ISE mengalami penurunan yang berkisar dari 11,27-99,81%.

---

Formaldehyde is a compound that has many functions such as raw material of resin, disinfectant, and preservative. In the process production at the factory, one aspect that has significant role is controlling aspect. Currently PT X still uses Proportional-Integral controller which still has a few disadvantages. In order to overcome several disadvantages of PI controller, application of MMPC controller with disturbance model is considered to be able to achieve better control performance. Empirical model in this study was obtained from previous research conducted by Wahid and Fauzi (2021), while the disturbance model was made with the help of process reaction curve and First Order Plus Dead Time (FOPDT) parameters. In order to obtain optimal control performance, the tuning process is carried out using Shridhar and Cooper method and optimized by fine tuning method. The performance of the MMPC controller based on disturbance model was tested by changing the Set Point (SP) and the resistance to disturbance (disturbance rejection) and measured by calculating the Integral Absolute Error (IAE) and Integral Square Error (ISE). In the Set Point (SP) change test, the MMPC controller with the disturbance model result in increased performance, where IAE decreased about 14.04-95.88% and ISE decreased about 11.27-99.81%."

"Penyetelan ulang pengendali proporsional-integral dilakukan pada proses produksi formaldehida di PT X. Penyetelan ulang dilakukan untuk meningkatkan kinerja controller, karena penyetelan pengendali PI pada pabrik seringkali masih menggunakan metode ziegler-nichols close-loop yang kurang optimal. Model proses akan diestimasi dengan first order plus dead time model (FOPDT), dan kemudian parameter pengendali disetel ulang menggunakan Ziegler-Nichols (PRC), Wahid-Rudi-Victor (WRV), Cohen-Coon, autotuning, dan fine tuning. Kinerja pengendali diuji menggunakan set point (SP) tracking dan disturbance rejection. Integral of square error (ISE) akan digunakan sebagai indikator kinerja. Ada tiga pengendali yang diuji, yaitu, pengendali laju alir steam (FIC-102), pengendali temperatur udara (TIC-101), dan pengendali level tangki (LIC-102). Metode fine tuning memberikan kinerja pengendali yang paling baik untuk FIC-102 dan TIC-101, sedangkan metode autotuning memberikan kinerja pengendali yang lebih baik untuk LIC-102 dibandingkan dengan setelan di lapangan. Peningkatan kinerja untuk set point (SP) tracking adalah 81,59% (FIC-102), 94,11% (TIC-101), dan 85,61% (LIC-102). Sedangkan peningkatan kinerja untuk disturbance rejection adalah 95,5% (FIC-102), 94,53% (TIC-101), dan 93,16% (LIC-102). Pengujian penurunan kapasitas produksi sebesar 12,5% juga dilakukan, dan didapatkan bahwa controller masih mampu mencapai SP. Dengan demikian, penyetelan ulang pengendali PI berfungsi dengan baik.

---

A proportional-integral controller retuning is performed on formaldehyde production process at PT X. Retuning is carried out to improve the control performance, because PI controller in the factory often still uses ziegler-nichols close-loop tuning method which is not optimal. The process model is estimated by a first order plus dead time model (FOPDT), and then the controller parameters is tuned using the Ziegler-Nichols (PRC), Wahid-Rudi-Victor (WRV), Cohen-Coon, autotuning, and fine tuning. The control performance is tested using set point (SP) tracking and disturbance rejection with integral of square error (ISE) as performance indicator. There are three controllers that are tested, i.e., the steam flow controller (FIC-102), air temperature controller (TIC-101), and tank level controller (LIC-102). Fine tuning method give the better control performance for FIC - 102 and TIC-101, while autotuning method gives the better control performance for LIC-102 compared to the previous settings in the field. Performance improvement for set point (SP) tracking are 81.59% (FIC-102), 94.11% (TIC-101), and 85.61% ( LIC-102). While performance improvement for the disturbance rejection are 95.5% (FIC-102), 94.53% (TIC-101), 93.16% ( LIC-102). A test using reduction in production capacity of 12.5% was also carried out, and it was found that the controller was still able to reach SP. Thus, retuning PI controllers work well."

"Hidrogen merupakan salah satu gas yang memiliki banyak kegunaan. Salah satunya pada industri kimia. Pada pabrik biohidrogen, unit kompresor merupakan salah satu unit yang penting dalam pabrik biohidrogen dari biomassa. Kompresor berfungsi untuk mencapai tekanan tinggi pada kondisi operasi selanjutnya. Multivariable model predictive control (MMPC) digunakan untuk mengendalikan proses pada pabrik. Untuk mendapatkan pengendalian yang optimal, perlu dilakukan penyetelan. Penyetelan akan dilakukan pada Matlab-Simulink yang diintegrasikan dengan Aspen Plus Dynamics. Sistem pengendalian akan dibuat pada Simulink dan simulasi proses akan dilakukan pada Aspen Plus Dynamic. Penyetelan ini dilakukan dungeon metode Genetic Algorithm dungeon metode pencarian seleksi turnamen. Setelah itu, hasil penyetelan akan dijalankan juga dengan unisim design agar kinerja pengendalian dapat dibandingkan dengan penelitian sebelumnya. Model first order plus dead time (FOPDT) digunakan sebagai model prediksi MMPC. Pada penelitian ini, model FOPDT yang digunakan di MMPC pada Matlab harus dihasilkan dengan cara satuan tekanan keluaran kompresor terlebih dahulu diubah menjadi satuan persentase karena MMPC pada Matlab akan menginterpretasikan variabel-variabel perhitungan dalam satuan persen. Parameter time sampling (T), prediction horizon (P), dan control horizon (M) terbaik yang diperoleh dari metode penyetelan seleksi turnamen pada simulasi dengan unisim untuk perubahan set-point (SP) yaitu 1 detik, 18, dan 3. Untuk uji gangguan parameter T, P, dan M yang diperoleh dengan penyetelan fine tuning terbaik yaitu 1 detik, 341, dan 121. Pada simulasi Matlab-Simulink-Aspen Plus Dynamics, parameter T, P, dan M yang terbaik yaitu 0,05 detik, 18, dan 2 untuk perubahan SP dan 0,05 detik, 7, dan 1 untuk perubahan gangguan.

---

Hydrogen is one of the gases that has many uses, including in the chemical industry. In a biohydrogen plant, the compressor unit is one of the important units in the biomass-based biohydrogen plant. The compressor unit works to achieve high pressure for further operational conditions. Multivariable Model Predictive Control (MMPC) is used to control the processes in the plant. To obtain optimal control performance, tuning process is necessary. The tuning process will be conducted in Matlab-Simulink integrated with Aspen Plus Dynamics. The control system will be designed in Simulink, and the process simulation will be executed in Aspen Plus Dynamics. The tuning was done using the Genetic Algorithm with tournament selection search method. Subsequently, the tuning results will also be implemented in Unisim Design to compare the control performance with previous research. The First Order Plus Dead Time (FOPDT) model is applied as the prediction model for MMPC. In this study, the FOPDT model used in MMPC in Matlab must be generated by converting the compressor output pressure unit into a percentage unit due to the MMPC in Matlab will interpret the calculation variables in percent units. For the set-point change, the best time sampling (T), prediction horizon (P), and control horizon (M) parameters that were obtained from the tournament selection tuning method in the simulation with Unisim design are 1 second, 18, and 3. For disturbance testinwere obtainedest parameters are 1 second, 341, and 121 that obtained by fine-tuning method. In the Matlab-Simulink-Aspen Plus Dynamics simulation, the best parameters T, P, and M for set-point changes are 0.05 seconds, 18, and 2, and for disturbance changes are 0.05 seconds, 7, and 1."

"Budidaya mikroalga menggunakan PBR mampu memberikan hasil yang maksimal dikarenakan PBR mampu dikontrol secara maksimal. Meskipun begitu sistem ini sulit untuk dikembangkan untuk skala besar dikarena volume dan biaya yang dibutuhkan sangat besar. Pada penelitian ini dikembangkan sistem sepuluh photobioreactor (PBR) volume kecil dengan sistem kontinu yang disusun secara seri dengan sistem sirkulasi. Hal ini terbukti mempu meningkatkan produktivitas produksi biomassa mikroalga. Model yang dikembangkan mendapatkan hasil yang baik yaitu 162,2 g/m3 ­dan 192,2 g/m3 konsentrasi biomassa pada dua kondisi tekanan parsial karbon dioksida yang berbeda. Menggunakan metode regresi linear didapatkan bahwa model ini merupakan sistem yang tidak linear terhadap perubahan lajur alir masuk PBR dengan nilai regresi sebesar 0,69. Dikarenakan tingkat ke non-linearannya yang tinggi maka digunakan neural network model predictive control (NNMPC) pada sistem PBR ini sebagai pengendali. NNMPC digunakan dikarenakan kelebihannya dalam identifikasi sistem dibandingkan model MPC konvensional serta memiliki kinerja yang lebih baik dibandingkan pengendali MPC dan PID. NNMPC menggunakan neural network untuk mengidentifikasi hubungan nonlinear pada sistem dan mampu mengidentifikasi dengan akurat. Pada sistem ini konsentrasi biomassa dikontrol dengan cara memanipulasi laju alir masuk PBR. NNMPC terbukti mampu mengendalikan sistem PBR dengan baik dengan model neural network dan desain NNMPC yang tepat. Parameter optimum NNMPC yang berupa sampling time (T), prediction horzion (P), dan control horizon (M) yang digunakan pada sistem PBR ini berturut-turut adalah 0,2, 10, dan 3. NNMPC mampu mengatasi perubahan set point dan gangguan meskipun terdapat overshoot dan offset yang relatif kecil yaitu di bawah 1%. Selain itu settling time ketika menggunakan NNMPC berkisar 110 hingga 269 jam.

---

Microalgae cultivation using PBR is able to provide maximum results because PBR can be controlled optimally. This system is difficult to develop for a large scale because the volume and cost required are substantial. In this study, a ten-volume photobioreactor (PBR) system with a continuous system was developed in series with the circulation system. This has proven to be able to increase the productivity of microalgae biomass production. The developed model has good results, namely 162.2 g / m3 ¬ and 192.2 g / m3 biomass concentration under two different carbon dioxide partial pressure conditions. Using the linear regression method, it was found that this model is a non-linear system for changes in the PBR inlet flow with a regression value of 0.69. Due to the high level of non-linearity, the neural network predictive control (NNMPC) model is used as a controller in this PBR system . NNMPC is used because of its advantages in system identification compared to conventional MPC models and has better performance than MPC and PID controllers. NNMPC uses neural networks to identify non-linear relationships in the system and able to identify accurately. In this system, the biomass concentration was controlled by manipulating the PBR inflow rate. NNMPC is proven able to control PBR systems well with neural network models and the right NNMPC designs. The optimum parameters of NNMPC in the form of sampling time (T), prediction horizon (P), and control horizon (M) used in this PBR system are 0.2, 10, and 3. NNMPC is able to overcome changes in setpoints and interference, although there is a relatively small overshoot and offset, which is below 1%. Besides settling time when using NNMPC ranges from 110 to 269 hours."