Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKDalam banyak kendaraan modern, faktor keamanan menjadi pertimbangan penting dalam mendesain kendaraan. Sebagai salah satu bagian dari Advanced Driver Assistant Systems (ADAS) yang diperuntukkan untuk meningkatkan keamanan dalam berkendara, Adaptive Cruise Control (ACC) diperkenalkan untuk mengurangi kemungkinan terjadinya kecelakaan lalu lintas. Sistem pada ACCdapat membantu pengendara dalam menjaga jarak aman dengan kendaraan yang berada di depannya dengan mengendalikan besaran pada katup gas serta tekanan pada rem. Selain untuk meningkatkan faktor keamanan, sistem ACC harus mampu memberikan respon yang halus agar pengendara tetap merasa nyaman. Pada penelitian ini, sistem ACC akan didesain dengan memanfaatkan metode switchingyang memiliki respon yang halus dengan memanfaatkan kecepatan relatif, jarak antar kendaraan, dan percepataan kendaraan untuk menentukan kondisi follow mode ketika terdapat kendaraan di depannya, dan kondisi cruise mode ketika tidak terdapat halangan. Kemudian dalam mengendalikan kecepatan kendaraan, akan memanfaatkan pengendali Neural Network Predictive Control (NNPC) yang mengatur besaran katup gas dan tekanan rem yang diberikan. Metode NNPC akan memanfaatkan model Artificial Neural Network (ANN) dalam melakukan identifikasi model longitudinal kendaraan yang sangat tidak linier, dan menggabungkan dengan metode Model Predictive Control (MPC) untuk melakukan prediksi keadaan dari kendaraan yang dikendalikan. Hasil dari penelitian memperlihatkan bahwa pengendali NNPC serta algoritma switching yang digunakan mampu menjaga jarak dengan kendaraan yang ada di depannya, serta memiliki respon yang cukup halus.

---

ABSTRACTIn many modern vehicles, safety is an important consideration in designing a vehicle. As one part of the Advanced Driver Assistant Systems (ADAS) which is intended to improve safety in driving, Adaptive Cruise Control (ACC) is introduced to reduce the possibility of traffic accidents. The ACC system can help the driver maintain a safe distance from the vehicle in front of him by controlling the throttle and the pressure on the brakes. In addition to increasing the safety factor, the ACC system must be able to provide a smooth response so that the driver feels comfortable. In this study, the ACC system will be designed by using a switching method that has a smooth response by utilizing the relative speed, distance between vehicles, and vehicle acceleration to determine the condition of follow mode when there is a vehicle in front of it, and the cruise mode condition when there are no obstacles. Then in controlling vehicle speed, Neural Network Predictive Control(NNPC) controllers will control the amount of throttle and brake pressure applied. The NNPC method will utilize the Artificial Neural Network (ANN) model to identify longitudinal models of vehicles that are highly non-linear, and combine them with the Model Predictive Control (MPC) method to predict the state of the controlled vehicle. The results of the study show that the NNPC controller and switching algorithm used are able to maintain a distance from the vehicle in frontof it, and have a fairly smooth response."

"Dalam pengoperasiannya, motor induksi membutuhkan suatu metode pengendalian agar dapat bekerja dengan kinerja yang baik. Banyak metode pengendalian untuk motor induksi yang telah dikembangkan, yang paling umum digunakan adalah penggunaan pengendali PI, IP, dan decoupler. Namun perlu diperhatikan bahwa penggunaan pengendali konvensional tersebut masih memiliki performa pengendalian yang kurang baik Oleh karena itu pada skripsi ini, akan dilakukan aplikasi metode Simple Adaptive Control (SAC) dengan Artificial Neural Network (ANN) untuk pengendalian vektor arus dan pengendalian kecepatan rotor pada motor induksi. Model pengendali dinyatakan dalam kerangka acuan rotor (sumbu-dq), sedangkan model motor dinyatakan dalam kerangka acuan stator (sumbu-ab), dengan menggunakan state variable berupa arus stator dan fluks rotor. Pada skripsi ini, akan dilakukan simulasi metode SAC dengan ANN untuk pengendalian vektor arus dan pengendalian kecepatan rotor pada motor induksi untuk menverifikasi performa pengendaliannya, yaitu kemampuan output dari plant untuk dapat mengikuti output dari model referensi. Dalam perancangan pengendali menggunakan metode SAC dengan ANN untuk motor induksi ini, tidak perlu dilakukan sintesa decoupler untuk tujuan mengeliminasi interaksi antar input. Terlebih lagi, juga akan dilakukan simulasi pengendalian dengan menggunakan metode konvensional, yaitu pengendali IP, PI, dan decoupler. Hal ini dilakukan untuk keperluan perbandingan. Setelah menguji dan menverifikasikan hasil dari simulasi, pengendali dengan menggunakan metode SAC dengan ANN memiliki performa pengendalian yang lebih baik dibandingkan dengan pengendali yang menggunakan metode konvensional."

"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."

"BLDC motor telah menjadi motor yang populer karena keunggulanannya. Untuk meningkatkan kinerja BLDC telah banyak Teknik pengendalian yang dikembangkan mulai dari yang konvensional seperti PID sampai dengan yang menggunakan kecerdasan buatan. Namun demikian, sebagian besar peneliti mendesain pengendali untuk BLDC motor dengan memanfaatkan sensor kecepatan. Penelitian ini bertujuan untuk membangun pengendali yang adaptif untuk aplikasi sensorless BLDC motor dengan dua tahapan penelitian yaitu 1 Mengembangkan Adaptif PID Controller untuk BLDC dan 2 Mengembangkan Teknik sensorless BLDC dengan Neural Network Ensemble Kalman Filter. Pada Penelitian ini, telah dikembangkan pengendali Adaptif PID berbasis Model Invers Neural Network dan teknik sensorless BLDC motor menggunakan Neural Network Ensemble Kalman Filter EnKF . Pengendali Adaptif PID berbasis Model Invers Neural Network yang dikembangkan mampu bekerja lebih baik jika dibandingkan dengan pengendali PID, PID Single Neuron, dan Pengendali Single Neuron Fuzzy. Respon waktu sistem menunjukkan rise time meningkat hingga 41,1 , Settling time meningkat hingga 178,9 dan overshoot menurun hingga 825,6 . Sedangkan teknik sensorless Neural Network Ensemble Kalman Filter mampu mengestimasi posisi dan kecepatan motor BLDC hanya dengan mengukur tegangan dan arus setiap phasa baik pada kondisi kerja adanya perubahan referensi kecepatan, adanya perubahan parameter motor BLDC, maupun adanya perubahan beban/gangguan dengan tingkat kesalahan estimasi yang sangat kecil yaitu sebesar 0.7 , serta bekerja baik pada kecepatan rendah dengan jumlah member sebanyak 8.

---

BLDC motor has become a popular motorcycle because of its advantages. To improve the performance of BLDC has a lot of control techniques developed ranging from conventional ones such as PIDs to those using artificial intelligence. Nevertheless, most researchers design controllers for BLDC motors by utilizing speed sensors. This research aims to build adaptive controller for sensorless BLDC motor applications with two stages of research that is 1 Developing Adaptive PID Controller for BLDC and 2 Developing BLDC Sensorless Technique with Neural Network Ensemble Kalman Filter. In this research, Adaptive PID controller has been developed based on Inverse Neural Network Model and BLDC sensorless motor technique using Neural Network Ensemble Kalman Filter EnKF. The Adaptive PID controller based on the developed Inverse Neural Network model works better than the PID controller, Single Neuron PID, and Single Neuron Fuzzy Controller. The system time response shows rise time rises up to 41.1 , settling time increases up to 178.9 and overshoot decreases to 825.6. While sensural technique Neural Network Ensemble Kalman Filter able to estimate position and speed of BLDC motor only by measuring voltage and current of each phase both at work condition of change of reference of speed, change of motor parameter BLDC, or existence of change of burden / interference with very estimate error rate Small that is equal to 0.7 , and works well at low speed with the number of members as much as 8."

"Untuk mendesain pengendali adaptif pada sistem nonlinier, dibutuhkan estimator dan sintesa pengendali agar parameter pengendali terus diperbaharui jika terjadi perubahan parameter model sistem. Pada skripsi ini, estimator yang digunakan untuk mengestimasi parameter model adalah recursive least square dengan faktor pelupaan, sedangkan sintesa pengendali yang digunakan adalah Generalized Predictive Conlrol (GPC).Perancangan pengendali dengan algoritma GPC berdasarkan pada model sistem yang linier. Oleh karena itu, untuk menerapkan algoritma GPC pada perancangan pengendali adaptif untuk sistem nonlinier, harus dilakukan estimasi parameter model sistem dengan algoritma recursive leasl square sehingga diperoleh model sistem yang linier. Model sistem yang diperoleh akan digunakan sebagai dasar untuk merancang pengendali yang diinginkan dengan menggunakan GPC.Kemampuan adaptasi metode pengendali GPC tergantung pada nilai horizon N dan vektor bobot yang digunakan dalam sintesa pengendali. Dari hasil ujicoba simulasi diperoleh bahwa semakin besar nilai N semakin baik respon sistem namun ada batasan nilai N dimana peningkatan nilai N tidak menunjukkan peningkatan unjuk keija sistem yang signifikan. Sedangkan untuk nilai ZSK, semakin kecil nilainya maka respon sistem akan mengalami osilasi sebelum menuju nilai tunaknya, dan semakin besar nilainya maka respon sistem akan semakin lambat menuju nilai tunaknya. Dengan penggunaan nilai A' dan AGPC yang tepat, diperoleh respon sistem yang baik jika sistem mengalami pembahan set point yang besar dan perubahan set point yang terjadi dalam waktu lebih besar daripada waktu yang dibutuhkan sistem untuk mencapai keadaan tunak. Dengan hasil tersebut dapat disimpulkan bahwa metode pengendali GPC memiliki kemampuan adaptasi yang baik dalam pengendalian sistem nonlinier."

"

Perkembangan kecerdasan buatan (artificial intelligence/AI) bergerak semakin cepat dan mengalami kemajuan pesat dalam setiap bidang kehidupan manusia, tak terkecuali dalam dunia kendali industri. Sementara kendali industri mensyaratkan sistem pengendali yang mampu mengatasi perubahan karakteristik secara otomatis serta dapat beradaptasi dengan dinamika perubahan sistem yang diakibatkan adanya perubahan kondisi lingkungan kerja. Pengendali berbasis kecerdasan buatan dianggap mampu untuk beradaptasi dengan perubahan karakteristik dari sistem secara otomatis adalah pengendali berbasis neural network. Dalam penelitian ini disajikan desain dan simulasi sistem pengendali berbasis neural network dengan metode pembelajaran back propagation yaitu pengendali inverse langsung(direct inverse control/DIC), pengendali neuron tunggal(single neuron controller), serta pengendali PID pada plant modul training pressure process rig(PPR 38-417). Untuk pengujiannya, didesain sistem identifikasi berbasis neural network sebagai simulator plant. Hasilnya, semua sistem kendali yang didesain tersebut mampu mengendalikan plant sesuai dengan sinyal referensi yang dinginkan. Namun pengendali single neuron dan PID mampu mempertahankan keluarannya dengan baik saat diberi gangguan pada sinyal kendali maupun plant dibandingkan dengan pengendali inverse langsung(ANN-DIC). Hal ini dikarenakan kendali single neuron dan PID bersifat close loop sehingga mampu mengkoreksi kesalahan secara langsung. Sementara jika dibandingkan dengan kendali PID, kendali single neuron lebih adaptif untuk berbagai kondisi gangguan karena memiliki metode pembelajaran langsung, sementara kendali PID perlu dilakukan tunning untuk mendapatkan unjuk kerja yang handal.

---

The development of artificial intelligence (AI) is moving faster and experiencing rapid progress in every area of human life, not least in the world of industrial control. While industrial control requires a control system that is able to overcome changes in characteristics automatically and can adapt to the dynamics of system changes caused by changes in working environment conditions. Artificial intelligence-based controllers are considered capable of adapting to changes in the characteristics of the system automatically is a neural network-based controller. In this study, the design and simulation of a neural network-based controller system with back propagation learning methods, namely direct inverse control (DIC) and single neuron controller, as well as PID controllers for the pressure process rig (PPR 38-417) training module. For the test, a neural network-based identification system is designed as a simulator plant. As a result, all the control systems designed are able to control the plant in accordance with the desired reference signal. However, single neuron and PID controllers are able to maintain their output well when given interference with the control signal or plant compared to the direct inverse controller (ANN-DIC). This is because single neuron control and PID are close loop so that they can correct errors directly. Meanwhile, when compared to PID control, single neuron control is more adaptive for a variety of disruption conditions because it has a direct learning method, while PID control needs to be tuned to get reliable performance.

"

"In electric power systems that consist of some generators, electric power stability in supplies sidebecomes the most important problems, which must be paid attention. In the interconnection system, ifthere are some troubles in transmission, generator or load will cause another generators feel theexistence of instability condition. For instability condition which not too serious, system can overcomethe fault and will not influence stability of system as a whole. However, for in big scale of fault andhappened in a long duration can be ejected system becoming unstable and will result hampered ofelectrics energy supply to the load For the worst condition could be blackout condition.This article studies about improvement of the stability of the system by using excitation current andthe prime mover of generators, which is coordinated fuzzy logic control in synchronize generator. Byusing annexation from three methods above, the condition of stability of the power system can attain thestability. The transient stability needed control in order that system with good stability can return tonormal condition. Faulted electric power system often caused by failure in controlling the transientstability. It is because in transient stability forms critical condition for electrical power system. By controlling the level of excitation current and mechanical energy from the prime mover ofgenerators which controlled by fuzzy logic when the fault is happened will make acceleration areabecome decreasing and deceleration area become increasing with the result that system can be stablequickly. It visible that from result of simulation obtained if using generator oscillation of fuzzy logiccontrol, transient period becoming shorter and amplitude of oscillation wave is smaller compare by usingwithout fuzzy logic. Likewise, this method is able loo to overcome transient condition at starting period ofa generator."