Hasil Pencarian  ::  Simpan CSV :: Kembali

"Skripsi ini mengatasi tantangan pelatihan agen Deep Reinforcement Learning (DRL) untuk mengemudi otonom dengan mengembangkan filter keselamatan prediktif berbasis model untuk mencapai pelatihan yang aman. Efektivitas pendekatan ini dievaluasi melalui analisis komparatif dari masalah mengemudi otonom yang diselesaikan menggunakan tiga skenario implementasi yang berbeda: pengendali berbasis pembelajaran konvensional, pengendali berbasis pembelajaran dengan filter keselamatan prediktif, dan pengendali prediktif berbasis model. Tujuan utama dari masalah mengemudi optimal dalam penelitian ini adalah meminimalkan waktu putaran pada lintasan tertutup, di mana agen tidak dibatasi oleh lintasan yang telah ditentukan tetapi dibatasi oleh batas lintasan. Oleh karena itu, filter keselamatan prediktif bertujuan untuk mempertahankan posisi agen dalam batas lintasan selama pelatihan, dengan intervensi minimal. Penelitian ini menyediakan desain dan implementasi dari pengendali prediktif berbasis model, pengendali berbasis pembelajaran konvensional, dan pengendali berbasis pembelajaran dengan filter keselamatan prediktif untuk masalah mengemudi optimal. Ditemukan bahwa filter keselamatan secara efektif mengurangi potensi kerusakan perangkat keras akibat tabrakan selama pelatihan dan meningkatkan efisiensi sampel. Dari segi kinerja, pengendali dengan filter keselamatan mencapai waktu putaran yang lebih cepat dibandingkan pengendali prediktif berbasis model, tetapi sedikit lebih lambat dibandingkan pengendali berbasis pembelajaran konvensional, terutama karena pendekatannya yang konservatif terhadap tikungan akibat penggunaan filter keselamatan prediktif berbasis model.

---

This thesis addresses the challenge of training Deep Reinforcement Learning (DRL) agents for autonomous driving with an emphasis on optimal performance and safety. The primary objective is to develop a model-based predictive safety filter to achieve safe training. The effectiveness of this approach is evaluated through a comparative analysis of an autonomous driving problem solved using three distinct implementation scenarios: a conventional learning-based controller, a learning-based controller with a predictive safety filter, and a model predictive controller. The core goal of the optimal driving problem in this research is to minimize lap times on a closed-loop track, where the agent is not restricted to predefined trajectories but is constrained by track boundaries. Consequently, the predictive safety filter aims to maintain the agent’s position within track boundaries throughout training, with minimal intervention This research provides implementation of a model predictive controller, a conventional learning-based controller, and a learning-based controller with a predictive safety filter for optimal driving problems. The findings reveal that the safety filter effectively reduces potential hardware damage from crashes during training and increases sample efficiency. Performance-wise, the safety filter-equipped controller achieves faster lap times than the traditional model predictive controller but is marginally slower than the conventional learning-based controller, primarily due to its conservative approach to turns because of using the model-based predictive safety filter."

"Pada sistem kendali konvensional, batasan-batasan seperti amplitudo dan slew rate sinyal kendali tidak diperhitungkan pada proses pengendalian. Hal ini tentu dapat menyebabkan hasil kendali menjadi kurang baik, terutama jika terjadi pemotongan paksa terhadap sinyal kendali sebelum masuk ke plant. Untuk mengatasi hal tersebut dirancanglah suatu pengendali MPC. Dengan MPC, keluaran proses yang akan datang dapat diprediksi dan batasan-batasan yang ada tidak diabaikan sehingga keluaran sistem menjadi bagus. Selain keluaran sistem menjadi bagus, adanya batasan juga dapat membuat kinerja alat menjadi optimal. Pada skripsi ini, sistem yang akan dikendalikan dengan metode MPC dengan constraints adalah Coupled-Tank Basic Process Rig 38-100. Model yang digunakan pada perancangan pengendali berbentuk ruang keadaan yang didapat dengan menggunakan metode Kuadrat Terkecil berdasarkan pada data masukan dan data variabel keadaan alat. Masukan sistem adalah tegangan pompa pada tangki pertama dan keluaran yang akan dikendalikan adalah ketinggian air pada tangki kedua. Dari uji eksperimen terbukti bahwa metode pengendali MPC dengan constraints memberikan hasil yang lebih baik dibandingkan dengan metode Aturan Kendali Ruang Keadaan. Hal tersebut dapat terlihat dari tanggapan sistem, dimana tanggapan sistem dengan menggunakan metode MPC lebih cepat serta tidak adanya overshoot maupun undershoot pada keluaran sistem saat terjadi perubahan nilai trayektori acuan.

---

In conventional control system, constraints, such as amplitude and slew rate of input signal are not computed in control process. This matter of course can make the control result become worst, especially when force cutting occur to input signal before it enters to the plant. To solve those problems, a MPC controller is designed. With MPC, process output can be predicted and the existence of constraints will not be ignored and, as the result, it makes output system become well. Besides improve output system quality, the existence of the constraints can also make the device works at optimum condition everytime.

In this following final thesis, system that will be controlled by MPC with constraints method is Coupled-Tank Basic Process Rig 38-100. Model that is used in controller design has state space form. This model is formed by using Least Squares method based on input and state variable data. Input system is pump in first tank and output that will be controlled is water level in second tank.

Experiments prove that MPC with constriants give better result than State Controller method. With MPC, system response become faster and there are no overshoot nor undershoot when the set point change."

"Kemajuan teknologi dibidang otomotif telah berkembang sangat pesat. Salah satu perkembangannya yaitu sistem kendali pada kendaraan dengan menggunakan mikroprosesor. Sistem kendali ini digunakan untuk pengamanan kendaraan yang dapat mengurangi angka kecelakaan yang terjadi. Sistem keamanan yang dikembangkan untuk mencegah terjadinya kecelakaan berkendara yang berpusat pada stabilitas yaw dan slip samping pada kendaraan. Dalam rangka mengembangkan sistem tersebut dibutuhkan pengujian berulang-ulang untuk mendapatkan hasil yang sesuai dengan keinginan. Perancangan yang dibantu dengan simulasi Hardware in The Loop (HIL) merupakan metode yang tepat untuk melakukan pengujian dari sistem. Pengujian ini dapat mengurangi waktu dan jumlah uji kendaraan yang sebenarnya di jalan, menurunkan biaya pengembangan dan meningkatkan kualitas pengembangan produk baru. Pada penelitian ini akan dilakukan simulasi HIL menggunakan Model Predictive Control (MPC) yang diawali dengan simulasi Software In The Loop untuk mempelajari dan menguji sistem kendali untuk stabilitas laju yaw pada otomotif. Dimana hasil pengujian simulasi HIL berjalan cukup baik dan bekerja secara real time.

---

Advances in automotive technology has developed very rapidly. One development is the vehicle control system using a microprocessor. This control system is used for security vehicles that can reduce the number of accidents that occur. Security system developed to prevent accidents driving centered yaw stability and side slip of the vehicle. In order to develop such a system required repeated testing to get the results as you wish. The design with Hardware in The Loop (HIL) is an appropriate method for the testing of the system. This test can reduce the time and the amount of the actual vehicle test on the road, lowering development costs and improve the quality of new product development. This research will be conducted HIL simulation that use Model Predictive Control (MPC) with doing Software In The Loop Simulation previuosly to learn and test the stability control system for yaw rate at automotive. The result of the simulation are doing very well and give the real time output."

"Turbo expander TE dan Model Predictive Control MPC diusulkan untuk digunakan pada unit depropanizer untuk meningkatkan recovery propana dan memperbaiki kinerja pengendalian di unit tersebut. Model yang digunakan dalam MPC adalah model first-order plus dead time FOPDT, yang diuji kinerja pengendaliannya menggunakan pengujian perubahan set point SP dan gangguan, dengan ukuran kinerjanya menggunakan integral of absolute error IAE. Hasilnya menunjukkan bahwa penggunaan TE pada depropanizer mampu meningkatkan recovery propana sebesar 8,44 dari 82,11 menjadi 90,55. Sedangkan untuk struktur pengendalian, digunakan pengendalian tekanan pada TE menggunakan pengendali proportional-integral, PI, pengendalian komposisi propana pada aliran distilat menggunakan MPC dan pengendalian tekanan kolom depropanizer menggunakan MPC. Setelah melakukan pengujian perubahan SP didapatkan bahwa kinerja pengendali MPC pada pengendali komposisi dan pengendali tekanan depropanizer dapat memperbaiki kinerja pengendali PI sebesar 1,62 dan 93,40. Sedangkan pada pengujian terjadinya gangguan didapatkan bahwa kinerja pengenali MPC pada pengendali komposisi dan pengendali tekanan depropanizer dapat memperbaiki kinerja pengendali PI sebesar 60,54 dan 6-,21 sehingga pengendali MPC lebih baik dibandingkan pengendali PI untuk digunakan pada pengendali komposisi dan pengendali tekanan pada depropanizer yang menggunakan Turbo Expander.

---

Turbo expander TE and Model Predictive Control MPC is suggested for depropanizer unit to increase propane recovery and improve control performance of the unit. The model used in the MPC is first order plus dead time FOPDT, which tested the performance of the control using set point and disturbance change test with measurement of the performance using integral of absolute error IAE. As a result, use of TE in the depropanizer able to increase recovery of propane of 8,44 from 82.11 to 90.55. As for the control structure, pressure control is use on the TE using proportional integral control, composition control in the distillate flow using MPC, and pressure control in depropanizer column using MPC.

After doing SP changed test, the result showed performance of MPC controller at composition control and pressure control in depropanizer can improve performance compared by PI controller of 1.62 and 93.40. and then for disturbance rejection test, the result showed the MPC controller perfromance can improve PI controller performance at composition control and pressure control in depropanizer is able to improve PI controller performance by 60.54 and 60.21. So that, MPC controller is better than PI controller if it use at composition controller and pressure controller in depropanizer unit with Turbo Expander."

"Proses dehidrasi gas merupakan salah satu proses yang umum dijumpai pada industri pengolahan gas. Unit dehidrasi gas ini tentu diharapkan dapat beroperasi pada kondisi produksi yang optimum sehingga dapat menghasilkan produk sales gas yang memberikan keuntungan bagi kedua belah pihak. Namun, adanya kandungan hidrokarbon dan uap air pada sales gas akan menyebabkan pembentukan hidrat yang bersifat korosif pada saluran pipa. Untuk mencegah hal tersebut, gas alam yang berasal dari reservoar perlu dikeringkan terlebih dahulu sebelum dijual sebagai sales gas. Oleh karena itu, dibutuhkan sistem pengendalian proses pada bagian-bagian yang penting pada unit dehidrasi gas agar kestabilan dan keselamatan proses produksi dapat terjaga. Sistem tersebut dirancang untuk menjaga keamanan operasi dan memastikan proses berjalan dengan optimal untuk mendapatkan kualitas produk sales gas yang baik. Selama ini pengendalian hanya dilakukan menggunakan pengendali Proporsional-Integral, akan tetapi belum optimal sehingga perlu digunakan pengendali Multivariabel MPC Model Predictive Control. Penyetelan pengendali menggunakan metode Non-Adaptif DMC dan fine tuning kemudian hasil penyetelan dengan metode yang lebih baik akan dibandingkan dengan pengendali PI. Evaluasi kineja pengendalian dilihat berdasarkan seberapa cepat respon pengendali dalam mengatasi perubahan set point dan menangani adanya gangguan serta berdasarkan nilai ISE Integral Square Error. Sebagai hasilnya, metode fine tuning lebih baik digunakan dengan konstanta penyetelan P Prediction Horizon, M Model Horizon, dan T Sampling Time yang optimum adalah 14, 5, dan 3, dengan nilai ISE pada perubahan set point pada pengendalian tekanan dan temperatur sebesar 55 dan 51, atau perbaikan kinerja pengendalian sebesar 11.29 dan 16.39 dibandingkan dengan kinerja pengendali PI.

---

Gas dehydration process is one of the most common processes in gas processing industry. To produce sales gas that could benefit both parties, an optimum operation condition have to be obtained. However, the presence of hydrocarbon and water vapor on sales gas will lead to the formation of hydrates that are corrosive to the pipeline. Natural gas originating from the reservoir needs to be drained first before being sold as a sales gas to prevent the formation of hydrates. Therefore, a process controlling system is required in the critical parts of gas dehydration unit in order to maintain the stability and safety of the production process. This system is designed to maintain the security of operations and ensure the process runs optimally to get good quality sales gas. Current control system are mostly using Proportional Integral controller, but MPC Model Predictive Control controller is more preferable to optimize the process control. Adjustment of the controller were done using the DMC Non Adaptive method and fine tuning. The best tunning result from those two methods then will be compared with the PI controller. Evaluation of control performance is based on how fast controller could overcoming set point changes, handling disturbance and ISE Integral Square Error value. As a result, fine tuning methods are better used with P Prediction Horizon , M Model Horizon , and T Sampling Time optimization constants of 14, 5, and 3, with ISE values for set point changes in pressure control and temperatures are 55 and 51, or improvement in control performance by 11.29 and 16.39 compared to PI controller performance."

"Model Predictive Control is an important technique used in the process control industries. It has developed considerably in the last few years, because it is the most general way of posing the process control problem in the time domain. The Model Predictive Control formulation integrates optimal control, stochastic control, control of processes with dead time, multivariable control and future references. The finite control horizon makes it possible to handle constraints and non linear processes in general which are frequently found in industry. Focusing on implementation issues for Model Predictive Controllers in industry, it fills the gap between the empirical way practitioners use control algorithms and the sometimes abstractly formulated techniques developed by researchers. The text is firmly based on material from lectures given to senior undergraduate and graduate students and articles written by the authors"

"Kenyamanan dalam berkendara merupakan salah satu hal penting yang dikembangkan pada industri otomotif. Salah satu komponen yang memegang peranan penting dalam memberikan rasa nyaman bagi pengemudi saat berkendara adalah sistem suspensi, salah satu jenisnya adalah sistem suspensi semi-aktif. Sumber tenaga eksternal tidak diperlukan pada sistem suspensi semi aktif dimana nilai damping coefficient dapat diubah untuk mengendalikan disipasi energi pada damper. Karakteristik sistem suspensi semi-aktif yang hanya dapat mendisipasikan energi menjadi constraint sinyal kendali sesuai dengan state dari sistem. Kontur jalan juga menjadi gangguan pada sistem suspensi yang akan mempengaruhi kinerja sistem, oleh karena itu diperlukan pengendali yang prediktif.Pengendali model predictive control (MPC) dengan constraint digunakan untuk mengendalikan sistem suspensi semi-aktif diskrit hasil identifikasi dari sistem kontinu dengan menggunakan metode identifikasi least square. Perancangan pengendali MPC dilakukan dengan menentukan panjang prediction horizon, control horizon serta matriks bobot Q dan R. Uji pengendalian sistem suspensi semi-aktif menggunakan pengendali MPC dengan constraint dilakukan dengan mengamati kinerja pengendalian perpindahan sprung mass dari sistem suspensi semi-aktif dengan road profile sebagai gangguan sistem. Hasil pengendalian sistem suspensi semi-aktif kontinu dengan half car model yang dilakukan dengan simulasi menunjukkan kinerja pengendalian perpindahan sprung mass yang baik untuk berbagai jenis road profile.

---

Ride comfort is one of the important things in automotive industry. The component which took the responsibility in ride comfort are suspension system, one of them is semi-active suspension. An external power source is not needed in semi-active suspension system where the damping coefficient value is adjusted to control the amount of dissipated energy by damper. The characteristics of semi-active suspension system which only can dissipate energy become constraints to control signal appropriate with the state of system. The height of road surface also affect suspension system?s performance as disturbances so in order to overcome that problem a predictive controller is needed.

Controller with model predictive control (MPC) strategy with constraints is used to control discrete semi-active suspension system from identification result of continuous system by using least square identification method. Design of MPC controller is done by determine the length of prediction horizon, control horizon and weight matrix Q and R. The test of semi-active suspension system control using MPC controller with constraints is determined by sprung mass displacement control performance of semi-active suspension system with road profile as disturbances. Simulation result of the control of continuous semi-active suspension system with half car model show that the sprung mass displacement control performance is good for many kinds of road profiles."

"Sistem coupled tank merupakan salah contoh penerapan sistem kontrol level industri yang memiliki karakteristik yang kompleks dengan non linieritas yang tinggi. Pemilihan metode pengendalian yang tepat perlu dilakukan untuk dapat diterapkan dalam sistem coupled tank agar dapat memberikan kinerja dengan presisi tinggi. Sejak awal kemunculannya, Reinforcement Learning (RL) telah menarik minat dan perhatian yang besar dari para peneliti dalam beberapa tahun terakhir. Akan tetapi teknologi ini masih belum banyak diterapkan secara praktis dalam kontrol proses industri. Pada penelitian ini, akan dibuat sebuah sistem pengendalian level pada sistem coupled tank dengan menggunakan Reinforcement Learning dengan menggunakan algoritma Twin Delayed Deep Deterministic Policy Gradient (TD3). Reinforcement Learning memiliki fungsi reward yang dirancang dengan sempurna yang diperlukan untuk proses training agent dan fungsi reward tersebut perlu diuji terlebih dahulu melalui trial and error. Performa hasil pengendalian ketinggian air pada sistem coupled tank dengan algoritma TD3 mampu menghasilkan pengendalian yang memiliki keunggulan pada rise time, settling time, dan peak time yang cepat serta nilai steady state eror sangat kecil dan mendekati 0%.

---

The coupled tank system is an example of the application of an industrial level control system that has complex characteristics with high non-linearity. It is necessary to select an appropriate control method to be applied in coupled tank systems in order to provide high-precision performance. Since its inception, Reinforcement Learning (RL) has attracted great interest and attention from researchers in recent years. However, this technology is still not widely applied practically in industrial process control. In this research, a level control system in a coupled tank system will be made using Reinforcement Learning using the Twin Delayed Deep Deterministic Policy Gradient (TD3) algorithm. Reinforcement Learning has a perfectly designed reward function that is required for the agent training process and the reward function needs to be tested first through trial and error. The performance of the results of controlling the water level in the coupled tank system with the TD3 algorithm is able to produce controls that have advantages in rise time, settling time, and peak time which are fast and the steady state error value is very small and close to 0%."

"Sistem coupled tank merupakan salah contoh penerapan sistem kontrol level industri yang memiliki karakteristik yang kompleks dengan non linieritas yang tinggi. Pemilihan metode pengendalian yang tepat perlu dilakukan untuk dapat diterapkan dalam sistem coupled tank agar dapat memberikan kinerja dengan presisi tinggi. Sejak awal kemunculannya, Reinforcement Learning (RL) telah menarik minat dan perhatian yang besar dari para peneliti dalam beberapa tahun terakhir. Akan tetapi teknologi ini masih belum banyak diterapkan secara praktis dalam kontrol proses industri. Pada penelitian ini, akan dibuat sebuah sistem pengendalian level pada sistem coupled tank dengan menggunakan Reinforcement Learning dengan menggunakan algoritma Twin Delayed Deep Deterministic Policy Gradient (TD3). Reinforcement Learning memiliki fungsi reward yang dirancang dengan sempurna yang diperlukan untuk proses training agent dan fungsi reward tersebut perlu diuji terlebih dahulu melalui trial and error. Performa hasil pengendalian ketinggian air pada sistem coupled tank dengan algoritma TD3 mampu menghasilkan pengendalian yang memiliki keunggulan pada rise time, settling time, dan peak time yang cepat serta nilai steady state eror sama dengan 0%.

---

The coupled tank system is an example of the application of an industrial level control system that has complex characteristics with high non-linearity. It is necessary to select an appropriate control method to be applied in the coupled tank system in order to provide high-precision performance. Since its inception, Reinforcement Learning (RL) has attracted great interest and attention from researchers in recent years. However, this technology is still not widely applied practically in industrial process control. In this research, a level control system in a coupled tank system will be created using Reinforcement Learning using the Twin Delayed Deep Deterministic Policy Gradient (TD3) algorithm. Reinforcement Learning has a perfectly designed reward function that is required for the agent training process and the reward function needs to be tested first through trial and error. The performance of the results of controlling the water level in the coupled tank system with the TD3 algorithm is able to produce controls that have advantages in rise time, settling time, and peak time which are fast and the steady state error value is equal to 0%."

"Detailing tulangan pengekang kolom balok persegi pada struktur kolom beton bertulang yang dibangun di daerah rawan gempa memerlukan perhatian khusus mengingat banyaknya kegagalan struktur yang terjadi di lapangan akibat kurangnya pemahaman yang benar mengenai konsep desainnya maupun kesalahan implementasinya di lapangan. Building Code Requirements for Reinforced Concrete and Comentary (ACI 318-14) yang diikuti oleh SNI 2847-2019 melakukan perubahan signifikan pada perhitungan luas tulangan pengekang yang memasukkan unsur tulangan longitudinal khususnya pada kolom dengan beban aksial yang tinggi atau mutu beton diatas 70 MPa untuk sistem rangka pemikul momen khusus dalam rangka meningkatkan kemampuan daktilitasnya. Penelitian ini merupakan studi parametrik menggunakan data eksperimental yang tersedia. 22 kolom persegi beton bertulang dari mutu beton 29-88 MPa serta konfigurasi tulangan mulai dari konfigurasi tanpa pengikat silang (cross ties) hingga kolom dengan 3 kaki pengikat silang pada tiap sisinya. Data penelitian yang ada dievaluasi dan analisis untuk mendapatkan daktilitas lateral maupun kurvaturnya. Hasil dari studi ini menekankan perlunya penggunaan pengikat silang yang mengekang secara lateral tulangan longitudinal, penggunaan pengikat silang memberikan peningkatan daktilitas yang signifikan, standar luas tulangan pengekang terbaru memberikan tingkat daktilitas yang lebih baik dari sebelumnya."