Hasil Pencarian  ::  Simpan CSV :: Kembali

"Di dalam dunia industri, operasi pencampuran banyak digunakan untuk mengolah bahan mentah menjadi suatu produk seperti minyak bumi, bahan kimia, dan lainnya. Biasanya, pada plant skala industri digunakan PID kontroler sebagai sistem pengendaliannya, akan tetapi PID kontroler ini akan menjadi kurang baik ketika menghadapi sistem non-linear, sehingga pada penilitian ini dirancang suatu sistem kendali berbasis neural network yang diharapkan dapat memberikan performa yang lebih baik dan efisien dibandingkan PID konvensional. Model plant yang digunakan untuk simulasi di dalam penelitian ini adalah proses pencampuran air, dimana temperatur dan level air akan dikendalikan. Dibuat dua jenis sistem pengendali neural network (NN) dengan perbedaan pada input-nya, yaitu NN dengan input SP, PV(n), PV(n-1) dan NN dengan input SP, error, dan perubahan error. Kedua sistem pengendali neural network ini dibuat dengan menggunakan metode feed-forward neural network dan simulasinya dibuat dengan menggunakan Simulink. Berdasarkan hasil pengujian, dapat disimpulkan bahwa sistem pengendalian dengan menggunakan neural network memberikan performa yang lebih baik jika dibandingkan dengan sistem pengendalian PID konvensional, yaitu dengan settling time dan rise time yang lebih cepat, serta menghasilkan respon sistem yang tidak memiliki overshoot sama sekali.

---

In the industrial world, blending operations are widely used to process raw materials into products such as petroleum, chemicals, and others. Usually, in industrial-scale plants, the PID controller is used as a control system, but this controller will be less good when dealing with non-linear systems. In this study, a neural network-based control system is expected to provide better and more efficient performance compared to conventional PID control. The plant model used for simulation in this study is the process of mixing water, where the temperature and water level will be controlled. Created two types of neural network (NN) control systems with differences in the input, the first is a NN with SP, PV(n), PV(n-1) for the input, and the second is a NN with SP, error, and change of error for the input. Both of these neural network control systems are made using a feed-forward neural network method, and the simulation was created by using Simulink. Based on the test results, it can be concluded that the control system using a neural network provides better performance when compared to conventional PID control systems with a faster settling time and rise time, and produces a system response that has no overshoot at all."

"Proses Thermal Mixing adalah jenis dari proses pencampuran yang penting di berbagai industri, seperti industri pangan, pupuk, farmasi, material sampai petrochemical. Proses Thermal Mixing merupakan proses Multi input multi ouput (MIMO), karena bekerja dengan mengendalikan dua flow air panas dan air dingin untuk mengendalikan temperatur dan level campuran. Meskipun memiliki respon yang kurang baik untuk mengendalikan MIMO, namun PID masih banyak digunakan karena kesederhanaannya. Algoritma non konvensional yang lebih baik seperti fuzzy control memiliki kerumitan yang tinggi dibanding PID. Algoritma Adaptive Fuzzy PID Controller (AFPIDC) merupakan gabungan dari keduanya, memiliki basis PID yang cukup sederhana namun ditambahkan aspek Fuzzy untuk mempercepat pengendalian dengan cara mengubah konstanta PID secara real-time (on the fly). Algoritma AFPIDC ini diterapkan pada simulasi sistem pengendalian temperatur dan level air pada proses water Thermal Mixing dan dilakukan pada program MATLAB/SIMULINK di PC. Fuzzy yang digunakan memiliki dua input berupa error dan perubahan error, dan memiliki tiga output berupa perubahan nilai konstanta PID. Pengujian sistem dilakukan dengan simulasi perubahan setpoint dan gangguan berupa kebocoran flow. Dari hasil pengujian sistem, pengendali AFPIDC memiliki performa yang lebih baik dari PID dalam mengendalikan temperatur dan level pada sistem. Dalam pengendalian temperatur, didapatkan nilai settling time PID sebesar 830 detik, AFPIDC sebesar 328 detik dan untuk nilai overshoot PID 6,3% dan AFPIDC 0%. Untuk pengendalian level didapatkan settling time PID 3221 detik dan AFPIDC 235 detik dengan nilai overshoot PID 10,5% dan AFPIDC 0%. Dari pengujian sistem terhadap gangguan kebocoran, pengendali temperatur membutuhkan waktu untuk kembali stabil pada PID 780 detik, AFPIDC 250 detik. Sedangkan untuk pengendalian level untuk kembali stabil membutuhkan waktu PID 4510 detik, AFPIDC 225 detik.

---

The Thermal Mixing Process is a type of mixing process that is important in various industries, such as the food, fertilizer, pharmaceutical, material to petrochemical industries. The Thermal Mixing Process is a multiple-input multiple-output process (MIMO), because it works by controlling hot water and cold-water flows to control the temperature and level of the mixture. Although it has a poor response to control MIMO system, PID is still widely used because of its simplicity. There are some better control algorithm, such as fuzzy control, but have higher complexity than PID. The Adaptive Fuzzy PID Control (AFPIDC) algorithm is a combination of the two, has a simple PID basis with added Fuzzy aspects to speed up control by changing the PID constant in realtime. The AFPIDC algorithm is applied to the simulation of temperature and water level control systems in the process of water Thermal Mixing and is done on the MATLAB/SIMULINK program on a PC. The fuzzy algorithm uses two inputs in the form of errors and changes in errors and has three outputs in the form of changes in the value of the PID constant. System testing is done by simulating setpoint changes and disruption in the form of leakage flow. From the results of system testing, AFPIDC controllers have better performance than PID in controlling temperature and level in the system. In temperature control, the PID settling time is 830 seconds, AFPIDC is 328 seconds and the PID overshoot is 6,3% and AFPIDC is 0%. In level control, the settling time of PID is 3221 seconds while AFPIDC is 235 seconds with PID overshoot is 10,5% while AFPIDC 0%. From testing the system with leakage disturbance, the temperature controller needs time to regain stability at PID 780 seconds, AFPIDC 250 seconds. Meanwhile the level controlling stabilizes at PID 4510 seconds, and AFPIDC at 225 seconds."

"Sistem pengendalian temperatur campuran dan ketinggian air merupakan pengaplikasian yang umum ditemukan dalam bidang industri. Salah satu proses yang menggunakan sistem pengendalian tersebut adalah proses water thermal mixing. Proses tersebut bertujuan untuk menjaga nilai temperatur dan ketinggian air pada nilai yang diinginkan. Hal tersebut dapat diicapai dengan cara mengatur flow input air panas dan air dingin serta mengatur flow out dengan nilai konstan. Pada penelitian ini, diterapkan Reinforcement Learning (RL) dengan Deep Deterministic Policy Gradient (DDPG) Agent untuk melakukan simulasi proses tersebut pada Matlab dan Simulink. Proses training diperlukan untuk memberikan agent pengalaman dalam mengendalikan proses tersebut. Performa dari pengendali RL akan dilihat dari beberapa parameter seperti rise time, settling time, overshoot, dan steady-state error sebagai data kualitatif. Berdasarkan hasil pengendalian, didapatkan nilai overshoot dan steady-state error yang cukup kecil yaitu 1.3% dan 1.76%.

---

Mixture temperature and water level control systems are common applications in industrial field. One of the process that uses the control system is water thermal mixing process. The goal of the process is to maintain a temperature and water level at expected value. The goal can be achieved by adjusting the input flow of hot and cold water plus adjust flow out on a constant value. In this study, Reinforcement Learning (RL) with Deep Deterministic Policy Gradient (DDPG) agent was applied to simulate the process in Matlab and Simulink. The training process is needed to give agents experience in controlling the process. The performance of the RL controller will be seen from several parameters such as rise time, settling time, overshoot, and steady-state error as qualitative data. Based on the control results, the overshoot and steady-state error values are quite small, namely 1.3% and 1.76%."

"Sistem pengendalian merupakan suatu sistem yang banyak ditemukan dan berhubungan dengan beragam jenis proses yang ada pada berbagai bidang, terutama bidang industri. Proses pengendalian yang umum ditemukan dalam industri adalah proses thermal mixing. Salah satu contoh proses thermal mixing yang cukup sederhana adalah proses pencampuran air panas dan air dingin atau water thermal mixing, dengan tujuan untuk mencapai temperatur campuran yang diinginkan, tetapi tetap menjaga ketinggian air agar tidak melebihi kapasitas wadah. Nilai temperatur tersebut dapat dicapai dengan cara mengatur debit aliran air yang masuk ke dalam wadah pencampuran. Pada penelitian ini, diimplementasikan sistem pengendalian menggunakan Reinforcement Learning dengan algoritma Soft Actor-Critic pada simulasi pengendalian ketinggian dan temperatur air pada proses water thermal mixing menggunakan Simulink pada MATLAB. Agent dilatih agar dapat mengendalikan sistem secara cepat dan tepat dalam menentukan action berupa nilai untuk mengatur valve menghasilkan debit aliran air yang diperlukan. Hasil dari penelitian ini menunjukkan bahwa algoritma SAC dapat digunakan untuk mengendalikan sistem dengan baik, dengan nilai overshoot terbesar yaitu 1.33% untuk pengendalian ketinggian air dan steady-state error terbesar yaitu 0.33℃ saat mengendalikan temperatur campuran, dan nilai settling time terbesar yaitu 160 sekon saat terjadi perubahan set point untuk ketinggian air dari 2.5 dm menjadi 5 dm, serta mampu mengendalikan kestabilan sistem ketika mengalami gangguan dalam waktu 93 sekon.

---

The control system is a system that is widely found and relates to various types of processes that exist in various sector, especially the industrial sector. The control process commonly found in industry is the thermal mixing. One of the thermal mixing processes is the process of mixing hot and cold water or water thermal mixing, with the aim of reaching the desired temperature, but still maintaining the water level, so that it does not exceed the capacity of the container. This temperature value can be reached by adjusting the flow of water entering the mixing container. In this study, a control system was implemented using Reinforcement Learning with Soft Actor-Critic algorithm on a simulation of controlling water level and temperature in the water thermal mixing using Simulink in MATLAB. Agents are trained to be able to control the system quickly and precisely in determining the action in the form of a value to adjust the valve to produce the required water flow rate. The results of this study indicate that the SAC algorithm can be used to control the system properly, with the biggest overshoot of 1.33% for controlling water level and steady-state error of 0.33℃ when controlling the temperature of the mixture, and the settling time of 160 seconds when the set point value change for the water level from 2.5 dm to 5 dm, as well as being able to control the stability of the system when experiencing disturbances within 93 seconds."

"Beragam kebutuhan industri, membuat jenis-jenis proses pada industri pengolahan menjadi beragam dengan berberapa parameter input dan output, salah satunya adalah proses thermal mixing yang menggunakan sistem multi input multi output. Thermal mixing atau continuous stirred-tank reactor mengendalikan 2 aliran dengan temperatur berbeda kedalam tanki pencampur sehingga mendapat temperatur dan ketinggian tangki sesuai yang diinginkan. pada penelitian ini telah dirancang sistem pengendali berbasis logika fuzzy pada pengendalian temperatur dan level. Penelitian ini sistem logika fuzzy menngunakan 2 input dan 1 output unutk masing-masing parameter pengendalian. 2 input fuzzy set menggunakan nilai error dan change of error. Setiap fuzzy set menngunakan 7 membership function yaitu negative big (NB), negative medium (NM), negative small (NS), zero (Z), positive small (PS), positive medium (PM), dan positive big (PB). Sistem dapat melakukan pengendalian temperatur dan level sesuai yang diinginkan. Sistem ini menggunakan simulasi berbasis aplikasi MATLAB Simulink. Berdasarkan hasil simulasi, dapat disumpulkan bahwa pengendalian menggunakan fuzzy logic controller lebih baik dibandingkan pengendalian PID. Hasil pengendalian fuzzy memiliki rata-rata rise time dan settling time yang lebih cepat dan tidak memiliki overshoot.

---

A variety of industrial needs, making the types of processes in the processing industry to be diverse with several input and output parameters, one of which is a thermal mixing process that uses a multi-input multi output system. Thermal mixing or continuous stirred-tank reactor controls 2 streams with different temperatures into the mixing tank so that the temperature and height of the tank are as desired. In this research a fuzzy logic based controller system has been designed for controlling temperature and level. This study uses a fuzzy logic system using 2 inputs and 1 output for each control parameter. 2 fuzzy input sets use error and change of error values. Each fuzzy set uses 7 membership functions, namely negative big (NB), negative medium (NM), negative small (NS), zero (Z), positive small (PS), positive medium (PM), and positive big (PB). The system can control the temperature and level as desired. This system uses a simulation based on the MATLAB Simulink application. Based on the simulation results, it can be concluded that the control using fuzzy logic controller is better than PID control. Fuzzy control results have a faster average rise time and settling time and do not have overshoot."

"Dalam penelitian ini dilakukan simulasi pengendalian temperatur dan level air (multivariable) pada proses pencampuran dalam suatu tangki berkapasitas 80 liter menggunakan MATLAB Simulink. Tujuan dari penelitian ini adalah menjaga temperatur dan level air di set point pada sebuah proses dengan mengendalikan debit air dingin dan panas yang masuk ke tangki pencampuran. Keterkaitan antara satu variabel dengan variabel lainnya dapat direduksi menggunakan decoupling. Sistem akan diuji dengan banyak perubahan set point dan diberikan input gangguan berupa ketidakakuratan temperature transmitter dalam membaca temperatur air campuran. Pengujian sistem dilakukan menggunakan pengendali PI dan ANFIS. Pengendali PI digunakan sebagai data training ANFIS. Pada penelitian ini diberikan batasan bahwa debit maksimal yang digunakan adalah 15 l/min, temperatur maksimum pada tangki campuran adalah 90℃, dan level air maksimum tangki adalah 75 cm. Performa dari kedua pengendali akan dibandingkan dengan melihat parameter-parameter seperti RMSE, rise time, settling time, dan %Overshoot sebagai data kualitatif. Penelitian ini menunjukkan bahwa pengendali ANFIS secara keseluruhan lebih baik daripada pengendali PI dalam pengujian perubahan set point yang dapat dilihat dari nilai RMSE ANFIS untuk kendali temperatur berada di angka rata-rata 0.174 dan level pada angka 0.196. RMSE pengendali PI untuk kendali temperatur adalah 0.21 dan level 0.2. Pemberian input gangguan menunjukkan pengendali ANFIS lebih baik daripada pengendali PI dalam menangani adanya kesalahan pembacaan sensor oleh temperature transmitter.

---

In this research, a simulation program for temperature and level control on a liquid (water) mixing process with assumed to have a tank volume 80 liter is proposed using MATLAB Simulink. The purpose of this study is to maintain the temperature and water level at the set point in a process by controlling the flowrate of cold and hot water that enters the mixing tank. The influence of one variable with others can be reduced using decoupling technique. The system will be tested with many set point changes and given input an inaccurate transmitter temperature in reading the temperature of the mixed water. System testing is performed using a PI and ANFIS Controller. PI Controller is used to generate the ANFIS training data. In this research, a limit is given that the maximum discharge used is 15 liters/min, the maximum temperature and level in the mixed tank is 90℃ and 75 cm. The performance of those two controllers will be compared by observing parameters such as RMSE, rise time, settling time, and %Overshoot as qualitative data. This research shows that ANFIS controllers are generally better than PI controllers when tested with set point changes which can be seen from the ANFIS RMSE values ​​for temperature control at an average rate of 0.174 and a level of 0.196. The RMSE of the PI controller for temperature control is 0.21 and level 0.2. Tests with disturbance input show that ANFIS controllers are better at handling inaccurate transmitter temperature in reading the temperature of the mixed water than PI Controller."

"Debit air (flowrate) yang bernilai konstan merupakan besaran fisis fundamental dalam sistem transportasi fluida dari satu tempat ke tempat lain. Untuk mencapai hal tersebut, dibutuhkan suatu sistem kendali yang mampu menghasilkan debit air bernilai konstan. Pada penelitian ini, transportasi fluida dibuat dalam sebuah rangkaian plant miniatur dengan menerapkan sistem kendali didalamnya. Pada plant tersebut terdapat actuator control valve, flow transmitter, dan Programmable Logic Controller (PLC). OPC Server merupakan perangkat lunak antarmuka menggunakan mode client/server berbasis COM/ DCOM yang memungkinkan MATLAB dapat berkomunikasi dengan PLC. Dalam proses komunikasi antara PLC dengan MATLAB digunakan OPC server yang berfungsi sebagai "jembatan" antara keduanya. Sistem kendali yang diterapkan berupa PID-Controller dan soft computing Neural Network (NN) dengan menggunakan MATLAB SIMULINK. Penerapan soft computing Neural Network (NN) bertujuan untuk mengoptimasi performa sistem kendali PID-Controller yang telah umum digunakan. Faktor-faktor performa yang dijadikan parameter pembanding adalah nilai rise time, settling time, maximum overshoot, dan steady-state error. Berdasarkan hasil percobaan, Neural Network Controller memiliki nilai permformansi yang lebih baik daripada PID-Controller. Nilai performansi Neural Network Controller yang didapatkan yakni maximum overshoot = 5.36% dan steady-state error = 0.85%.

---

Flowrate is a fundamental physical quantity in the fluid transportation system from one place to another. To achieve this, a control system is needed that is able to produce a constant flow of water. In this study, fluid transport was made in a miniature plant series by implementing a control system in it. At the plant there is a control valve actuator, flow transmitter, and Programmable Logic Controller (PLC). OPC Server is interface software using COM / DCOM-based client / server mode that allows MATLAB to communicate with the PLC. In the process of communication between PLC and MATLAB, the OPC server is used as a "bridge" between the two. The control system applied is in the form of PID-Controller and soft computing Neural Network (NN) using MATLAB SIMULINK. The application of soft computing Neural Network (NN) aims to optimize the performance of the PID-Controller control system that has been commonly used. Performance factors that are used as comparison parameters are the value of rise time, settling time, maximum overshoot, and steady-state error. Based on the results of the experiment, the Neural Network Controller has a better value of permformance than PID-Controller. The performance value of the Neural Network Controller obtained is maximum overshoot = 5.36% and steady-state error = 0.85%."

"

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.

"

"Penelitian ini menyimulasikan sistem pengendalian temperatur dan ketinggian air pada sistem pengendali MIMO, yang bekerja dengan cara mengendalikan debit air dingin dan air panas untuk menghasilkan temperatur dan ketinggian air yang diinginkan. Simulasi ini dilakukan dengan menggunakan pengendali Reinforcement Learning dengan algoritma Proximal Policy Optimization (PPO) pada Simulink MATLAB. Tujuan dari penelitian ini, sistem dapat menjaga temperatur campuran dan ketinggian air yang terukur agar tetap berada di daerah set point yang ditentukan. Hasil training pengendali PPO diuji dengan melakukan perubahan set point, baik penambahan nilai ataupun pengurangan nilai set point. Pada penelitian ini diasumsikan bahwa proses pencampuran temperatur terdistribusi secara sempurna dan tangki tidak menyerap kalor. Penelitian ini memiliki batasan dimana temperatur air dingin 25℃ dan air panas 90℃ serta ketinggian maksimum tangki sebesar 7,5 dm. Kemampuan agent PPO dilihat dari beberapa parameter seperti overshoot, settling time, rise time, dan error steady state sebagai data kualitatif. Berdasarkan hasil simulasi, secara keseluruhan agent PPO meiliki hasil settling time dan rise time yang berbanding lurus dengan banyaknya perubahan set point. Nilai error steady state tertinggi sebesar 0.98%, terjadi pada pengendalian ketinggian air. Sedangkan nilai overshoot tertinggi sebesar 1,02% dan terjadi pada pengendalian ketinggian air juga.

---

This research simulates water level and temperature control system on MIMO control system, which works by controlling the flow of cold water and hot water to produce the desired temperature and water level. This simulation is carried out using Reinforcement Learning with Proximal Policy Optimization algorithm on Simulink MATLAB. The purpose of this research, the system can maintain measured temperature of mixture and water level in order to remain in the set point area. The results training of the PPO controller set point, either adding or reducing the set point. In this study, it is assumed that the temperature mixing process is perfectly distributed and the tank does not absorb heat. This research has a limit where the temperature of cold water is 25 and hot water is 90, and the maximum height of the tank is 7.5 dm. The ability agent of the PPO can be seen from overshoot, settling time, rise time, and steady state error as qualitative data. Based on the result of simulation, overall the agent PPO has settling time and rise time that is directly proportional to the number of changes at set point. The highest value of steady state error is 0.98%, occurred in controlling water level. While the highest value of overshoot is 1.02% and occurs in controlling water level as well.

"