Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 120057 dokumen yang sesuai dengan query
cover
Raihan Abdan Syakuran
Peningkatan Pengendalian Proses Non-Linear pada Proses Produksi Formaldehida dengan Menggunakan Penyetelan MMPC pada Proses Linear = Increasing Non-Linear Process Control in Formaldehyde Production Processes Using MMPC Tuning for Linear Process
"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%."
Depok: Fakultas Teknik Universitas Indonesia, 2022
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Muhammad Zulfikar Fauzi
Peningkatan Kinerja Pengendalian Proses Produksi Formaldehida di PT X Menggunakan Multivariable Model Predictive Control = Improvement of Formaldehyde Production Process Control in PT X using Multivariable Model Predictive Control
"ABSTRAK
Formaldehida merupakan senyawa kimia yang digunakan pada industri perekat. PT X merupakan produsen formaldehida di Jawa Timur. Sistem pengendali proses yang digunakan di PT X masih berbasis proportional integral (PI). Pengendali konvensional ini masih memiliki kekurangan. Multivariable model predictive control (MMPC) diajukan untuk meningkatkan kinerja sistem pengendali pada PT X. Model empiris dibuat menggunakan process reaction curve (PRC) dan perhitungan parameter first order plus dead time (FOPDT). Empat manipulated variable (MV) dan empat controlled variable (CV) membentuk 16 model empiris. Perhitungan parameter MMPC, meliputi sample time (T), prediction horizon (P), control horizon (M), dilakukan dengan metode Shridhar dan Cooper (1998) dan dioptimalkan dengan metode fine tuning. Kinerja pengendalian MMPC diuji dengan perubahan set point (SP) dan ketahanan atas gangguan (disturbance rejection). Empat pengendali yang diuji, yaitu pengendali tekanan evaporator (PIC-101), pengendali liquid percent level evaporator (LIC-101), pengendali laju alir steam (FIC-102), dan pengendali suhu udara (TIC-101). Nilai parameter MMPC meliputi T, P, dan M yang optimal berturut turut adalah 3, 62, dan 2. Pengendali MMPC dapat memberikan peningkatan kinerja pengendalian pada uji SP tracking dengan rata rata sebesar 33,24% untuk IAE dan 42,93% untuk ISE. Sedangkan, pada uji disturbance rejection, terdapat peningkatan kinerja dengan rata-rata sebesar 33,48% untuk IAE dan 58,08% untuk ISE.
ABSTRACT
Formaldehyde is chemical substances that is used in adhesive industry. PT X is formaldehyde producer in East Java. PT X is using proportional integral based control system. This conventional controller has several weaknesses. Multivariable model predictive control (MMPC) is used to increase the performance of control system at PT X. Empirical model is made with process reaction curve (PRC) followed by first order plus dead time (FOPDT) calculation. Four manipulated variable (MV) and four controlled variable (CV) will construct 16 empirical models. Calculation of MMPC parameter, which include sample time (T), prediction horizon (P), and control horizon (M), is done with Shridhar and Cooper method (1998) and optimized by fine tuning method. Performance of MMPC is tested by set point changes and disturbance rejection. Four controllers tested are evaporator pressure control (PIC-101), liquid percent level control (LIC-101), steam flow control (FIC-102), and air temperature control (TIC-101). The optimized parameter of MMPC which include T, P, and M are 3, 62, and 2 respectively. MMPC Controller can increase controller performance in SP tracking with average number of 33.24% for IAE and 42.93% of ISE. Meanwhile, in disturbance rejection, there is an increase in average of 33.485 for IAE and 58.08% for ISE."
Depok: Fakultas Teknik Universitas Indonesia, 2020
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Hendrik Seputra
Sistem deteksi kandungan formalin pada tahu berbasis hyperspectral imaging = System detection content of formaldehyde in tofu based of hiperspektral imaging
"Penelitian ini dilakukan untuk menguji kelayakan penerapan teknik pencitraan hiperspektral di wilayah variabel 400-1000 nm untuk mengetahui kandungan formalin. Sistem pencitraan hiperspektral terdiri dari kamera hiperspektral, slider, motor slider, dua sumber lampu halogen dan komputer yang digunakan untuk proses akuisisi data dan pengolahan data. Citra hiperspektral merupakan sebuah hypercube yang berisi informasi spasial dan spektral. ROI digunakan untuk memilih area sampel yang homogen. Data ROI diekstraksi dengan merata-ratakan data spasialnya, sehingga hanya diperoleh data spektral. Metode principle component analysis PCA digunakan untuk mereduksi dimensi data data spektral dan memilih fitur yang akan digunakan sebagai masukan dalam klasifikasi. Linear discriminant analysis LDA digunakan sebagai model untuk mengklasifikasikan kelas yang berbeda, yaitu formalin dan nonformalin. Model PCA regresi digunakan untuk menguji akurasi nilai prediksi terhadap nilai pengujian laboratorium. Dari hasil percobaan pada pengamatan hari pertama, kedua dan ketiga menunjukkan keefektifan model LDA dalam memisahkan sampel tahu berformalin dan tahu tanpa formalin dengan akurasi diatas 86,81 , 93,06 , dan 100 . Serta dari hasi regresi linier pada pengamatan hari pertama, kedua dan ketiga diperoleh koefisien korelasi R2 sebesar 0,98, 0,99 dan 0,99 serta nilai RMSE sebesar 1,83, 1,40 dan 1,27. Hasil ini menunjukkan bahwa pencitraan hiperspektral merupakan pendekatan yang menjanjikan untuk memprediksi kandungan formalin yang dengan cepat dan akurat.
This study was carried out to examine the feasibility of applying hiperspektral imaging technique in the spectral region 400 1000 nm for classification formaldehyde tofu. The system hardware of hiperspektral imaging consists of hiperspektral camera with spectral region 400 1000 nm, workbench, motor slider, two halogen lamp source and personal computer used for the data acquisition process and data processing. Hyperspectral image is a hypercube that contains of spatial and spectral information. ROI is used to select a homogeneous sample area. ROI data is extracted by averaging its spatial data, so that only spectral data are obtained. The principle component analysis PCA method is used to reduce dimensions of the data and select the features to be used as input in the classification. The linear discriminant analysis LDA is used as a model to classify to distinct classes, that is formaldehyde tofu and without formaldehyde tofu. PCA Regression model is used to test the accuracy prediction values against the value of laboratory testing. Result from the experiment on the first, second and third day observations showed the effectiveness of the LDA model in separating the informal sample of formalin and tofu without formalin with an accuracy above 86.81 , 93.06 , and 100 . As well as from the results of linear regression on first, second and third observations obtained correlation coefficient R2 of 0.98, 0.99 and 0.99 and RMSE of 1.83, 1.40 and 1.27. These results suggest that hyperspectral imaging is a promising approach to predicting rapidly and accurately formaldehyde content."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2018
T-Pdf
UI - Tesis Membership  Universitas Indonesia Library
cover
Muhammad Farhan Pratama
PENINGKATAN KINERJA PENGENDALIAN PROSES NON-LINEAR PENGHILANGAN GAS CO2 DARI GAS ALAM DENGAN MENGGUNAKAN PENYETELAN PENGENDALI MULTI-LOOP PI PADA PROSES LINEAR = Enhanced Performance of Non-linear CO2 Removal from Natural Gas Process Control Through Linear Multi-loop PI Controller Process Design
"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."
Depok: Fakultas Teknik Universitas Indonesia, 2022
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Muhammad Adjisetya
Penyetelan Multivariable Model Predictive Control (MMPC) Pengendalian Proses Kompresi Nonlinear Produksi Biohidrogen Menggunakan Metode Turnamen = Tuning of Multivariable Model Predictive Control (MMPC) Control of Nonlinear Compression Process of Biohydrogen Production Using Tournament Method
"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."
Depok: Fakultas Teknik Universitas Indonesia, 2023
T-pdf
UI - Tesis Membership  Universitas Indonesia Library
cover
Ikbal Faturohman
Simulasi proses pengendalian pH air menggunakan pengendali proporsional integral derivatif (PID) non-linear pada unit mini plant = Simulation of water pH control process in mini plant unit using non-linear proportionan integral derrivative (PID) control
"Air limbah sebelum dibuang ke lingkungan harus memenuhi baku mutu lingkungan, di antaranya memenuhi pH netral. Karena itu, pengendalian pH sangat penting dilakukan. Unit mini plant WA921 bekerja untuk mengolah air buangan asam atau basa seperti yang digunakan di industri. Semula setelan parameter pengendali PID dan PID Non-linear didasarkan pada kondisi air di tempat peralatan itu dibuat sehingga perlu diuji kinerjanya dengan menggunakan kondisi air lokal. Penelitian sebelumnya sudah mendapatkan setelan parameter pengendali PID yang optimum, sedangkan setelan parameter pengendali PID Non-linear yang optimum belum dievaluasi. Pengujian kinerja dilakukan pada kondisi air lokal dengan pH larutan asam dan basa 0,1 N, dan perubahan pH dari 3,8 ke 7,0 dalam rangka mendapatkan kondisi non-linear. Hasilnya, untuk skema proses Short didapat setelan terbaik parameter pengendali PID non-linear adalah PB 10, Ti 120, Td 10, Gw 10, dan Gg 0.3 dengan IAE (integral of absolute error) sebesar 154, lebih kecil dibanding dengan IAE pengendali PID linear sebesar 223. Sedangkan untuk skema Long, setelan terbaiknya pada PB 5, Ti 425, Td 40, Gw 30, dan Gg 0.25 dengan IAE sebesar 656 lebih kecil dibanding dengan IAE PID linear sebesar 888.
Waste water before discharge into the environment must meet environmental quality standards, of which meets a neutral pH. Therefore, pH control is very important. WA921 unit mini plant work for processing waste water of acid or base as used in the industry. Original PID controller parameter settings and Non-linear PID based on water conditions at the place it was made, so that the equipment needs to be tested its performance by using local water conditions. Previous research had a PID controller parameter setting reach the optimum, while the non-linear PID controller parameter setting the optimum has not been evaluated. Performance testing conducted on local water conditions with a pH of 0.1 N acid and base, and changes in pH from 3.8 to 7.0 in order to obtain non-linear conditions. The result, for the scheme Short the best suits obtained for non-linear PID control parameters are PB 10, 120 Ti, Td 10, Gw 10, and 0.3 Gg by IAE (integral of absolute error) of 154, is smaller than the IAE for PID linear controller 223. As for the scheme Long, his best suit on the PB 5, 425 Ti, Td 40, Gw 30, and 0:25 with IAE Gg of 656 smaller than the IAE for PID linear 888."
Depok: Fakultas Teknik Universitas Indonesia, 2012
S42690
UI - Skripsi Open  Universitas Indonesia Library
cover
Sultan Shiddiqi Salman
Peningkatan Kinerja Pengendalian Proses produksi Formaldehida di PT X Menggunakan Model Predidictive Control = Formaldehyde production Process Control Performance Improvement in Company X Using Model Prdeictive Control
"ABSTRAK
Formaldehida merupakan senyawa kimia yang populer dengan banyak kegunaan, dengan jumlah kebutuhan yang cenderung terus bertambah. PT X merupakan salah satu produsen formaldehida yang masih memiliki permasalahan terkait kapasitas produksinya. PT X masih menggunakan pengendali Proportional-Integral (PI) yang masih mempunyai ruang untuk peningkatan produksinya. Model Predictive Control (MPC) digunakan untuk mengoptimalisasikan parameter pengendalian proses produksi formaldehida di PT X. Model empiris dibuat untuk diterapkan pada pengendali MPC berdasarkan Process Reaction Curve (PRC) dengan menggunakan pendekatan First Order Plus Dead Time (FOPDT). Kinerja pengendali diuji menggunakan set point (SP) tracking dan disturbance rejection. Ada empat pengendali yang diuji, yaitu pengendali laju alir steam (FIC-102), pengendali temperatur udara (TIC-101), pengendali level evaporator (LIC-101), dan pengendali tekanan evaporator (PIC-101). Didapatkan hasil model empirik FOPDT untuk masing-masing pengendali, dengan nilai parameter pengendalian Prediction Horizon (P), Control Horizon (M), dan Sampling Time (T) yang optimal secara berurutan: (1, 2, dan 1) pada FIC-102, (62, 21, dan 1) pada TIC-101, (50, 10, dan 6) pada PIC-101, dan (70, 21, dan13) untuk LIC-101. Terjadi perbaikan kinerja berdasarkan uji perubahan nilai set point baik dihitung melalui IAE maupun ISE sebesar 26,9% dan 8,03% untuk FIC-102, 15,37% dan 32,51% untuk TIC-101, 13,37% dan 25,9% pada PIC-101, serta 23,35% dan 6,71% pada LIC-101. Pada uji disturbance rejection juga terjadi perbaikan kinerja baik dihitung melalui IAE maupun ISE sebesar 96,4% dam 99.74% untuk FIC-102, 13,37% dan 25,9% untuk TIC-101, 54,25% dan 76,67% pada PIC-101, serta 15,96% dan 4,4% pada LIC-101.
ABSTRACT
Formaldehyde is a chemical compound known for its many uses, with the increase of its demand. PT X is one of the producers of formaldehyde that has problems related to its production capacity. PT X right now still uses Proportional-Integral (PI) that still have rooms of improvements. Model Predictive Control (MPC) is used to optimize the process control parameters of formaldehyde production in PT X. The empirical model is made for the MPC based on the Process Reaction Curve (PRC) using First Order Plus Dead Time (FOPDT). The control performance is tested using set point (SP) tracking and disturbance rejection. There are four controls that were tested, which are steam flow control (FIC-102), air temperature control (TIC-101), evaporator level control (LIC-101), and evaporator pressure control (PIC-101). Thus, the results of the empirical FOPDT model for each control is obtained, with the value of Prediction Horizon (P), Control Horizon (M), and Sampling Time (T) parameters are optimal and its value respectively are: (1, 2, and 1) for FIC-102 , (62, 21, and 1) for TIC-101, (50, 10, and 6) for PIC-101, and (70, 21, and 13) for LIC-101. The performance improvement based on the set point change test calculated through the IAE and ISE are 26.9% and 8.03% for FIC-102, 15.37% and 32.51% for TIC-101, 13.37% and 25, 9% for PIC-101, and 23.35% and 6.71% for LIC-101. Based on the disturbance rejection test it is also improvements on the performance both calculated through the IAE and ISE of 96.4% and 99.74% for FIC-102, 13.37% and 25.9% for TIC-101, 54.25% and 76.67% for PIC-101, and 15,96% and 4.4% on the LIC-101."
Depok: Fakultas Teknik Universitas Indonesia, 2020
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Muhammad Fachry Arrifqi
Pengendalian suhu dan laju alir pada proses oligomerisasi di Pabrik Ester base oil menggunakan pengendali Multivariable Model Predictive Control (MMPC) = Temperature and flow rate control in the oligomerization process in Ester base oil plant using Multivariable Model Predictive Control (MMPC)
"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."
Depok: Fakultas Teknik Universitas Indonesia, 2024
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Dio Arif Alwafi
Perancangan pengendalian suhu, tekanan, dan level proses oligomerisasi pada pabrik Ester Base Oil dengan pengendali MMPC = Design of temperature, pressure and level control of the oligomerization process in an Ester Base Oil plant using Multivariable Model Predictive Control (MMPC)
"Pelumas dapat didefinisikan sebagai substansi yang ditempatkan di antara dua permukaan yang bergerak relatif untuk mengurangi gesekan di antara keduanya. Pelumas dapat mengurangi gesekan, tingkat keausan, dan konsumsi energi. Oleh karena itu, pelumas secara luas diterapkan di hampir semua bidang industri, terutama pada bidang transportasi, manufakur, hingga pembangkit listrik. Proses oligomerisasi dalam pembuatan ester minyak dasar dilakukan dengan menggabungkan senyawa asam karboksilat dengan poliol. Melalui reaksi oligomerisasi ini, jumlah cabang samping akan meningkat seiring pertumbuhan panjang rantai utama, yang pada gilirannya dapat meningkatkan viskositas ester minyak dasar. Penelitian ini bertujuan untuk mendapatkan rancangan serta mendesain pengendalian proses pada proses oligomerisasi pabrik ester base oil dengan multivariable model predictive control MMPC 100 (2×2) dan MMPC 101 (2×2) dengan identifikasi proses model first order plus dead time (FOPDT) dengan metode Smith, Wade, dan 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) terbaik. Parameter MMPC tersebut akan diuji berdasarkan respon kinerja pengendali terhadap perubahan set point (SP) dan pengujian disturbance rejection dengan perhitungan integral absolute error (IAE) dan integral square error (ISE). Hasil identifikasi sistem didapatkan model FOPDT terbaik seluruhnya menggunakan metode Solver. Metode fine tuning pada penyetelan MMPC menghasilkan parameter T, P, M untuk MMPC 100 (2×2) sebesar 9, 120, dan 20 dan untuk MMPC 101 (2×2) sebesar 1, 230, dan 150. Pada pengujian Set Point (SP) tracking, MMPC merupakan pengendali terbaik untuk seluruh pengendalian dibandingkan pengendali PI. Pada pengujian disturbance rejection terhadap perubahan suhu inlet, pengujian dilakukan dengan membandingkan tiga kondisi, yaitu dengan adanya pengendalian pre treatment (Full Control), tanpa adanya pengendalian pre treatment (Local Control) dan PI. Didapatkan kinerja MMPC Full Control lebih baik dibandingkan kinerja MMPC Local Control dengan pemulihan kinerja pengendali sebesar 7,36%, 0,007%, 0,086%, dan 0,03% untuk nilai IAE dan 0,61%, 0,00%, 0,00%, dan 0,00% untuk nilai ISE.
A lubricant can be defined as a substance placed between two relatively moving surfaces to reduce the friction between them. Lubricants can reduce friction, wear rate, and energy consumption. Therefore, lubricants are widely applied in almost all industrial fields, especially in transportation, manufacturing, and power generation. The oligomerization process in the preparation of base oil esters is carried out by combining carboxylic acid compounds with polyols. Through this oligomerization reaction, the number of side branches will increase as the main chain length grows, which in turn can increase the viscosity of the base oil ester. This study aims to obtain the design and design of process control in the oligomerization process of base oil ester plant with multivariable model predictive control MMPC 100 (2×2) and MMPC 101 (2×2) with first order plus dead time (FOPDT) model process identification by Smith, Wade, and Solver methods. Next, the best FOPDT model is determined by comparing the smallest root-mean-square error (RMSE) value from each method. The tuning method used for MMPC is the Shridhar-Cooper method followed by fine tuning to get the best parameter values of P (prediction horizon), M (control horizon), and T (sampling time). MMPC parameters will be tested based on the controller performance response to set point (SP) changes and disturbance rejection testing with integral absolute error (IAE) and integral square error (ISE) calculations. The results of system identification obtained the best FOPDT model entirely using the Solver method. The fine-tuning method on MMPC tuning produces parameters T, P, M for MMPC 100 (2×2) of 9, 120, and 20 and for MMPC 101 (2×2) of 1, 230, and 150. In the Set Point (SP) tracking test, MMPC is the best controller for all controls compared to PI controllers. In testing disturbance rejection to changes in inlet temperature, testing is done by comparing two conditions, namely with the presence of pre-treatment control (Full Control) and without pre-treatment control (Local Control). MMPC Full Control performance is better than MMPC Local Control performance with controller performance recovery of 7.36%, 0.007%, 0.086%, and 0.03% for IAE values and 0.61%, 0.00%, 0.00%, and 0.00% for ISE values."
Depok: Fakultas Teknik Universitas Indonesia, 2024
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Dyah Kunti Surya Andari
Penyetelan ulang pengendali proportional-integral untuk meningkatkan kinerja pengendali pada proses produksi formaldehida di PT X = Returning PI controller to improve the controller performance in formaldehyde production process at PT X
"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."
Depok: Fakultas Teknik Universitas Indonesia, 2019
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
<<   1 2 3 4 5 6 7 8 9 10   >>