Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam beberapa tahun terakhir, riset dalam bidang keamanan dalam berkendara menjadi sebuah perhatian penting bagi industri otomotif, hal ini disebabkan oleh kecelakaan lalu lintas yang masih marak terjadi. Sudah banyak penelitian mengenai metode pengendali yang dikembangkan untuk mengatasi masalah kestabilan pada kendaraan. Salah satunya adalah metode kendali Linear Parameter Varying Model Predictive Control (LPV-MPC). Kelebihan dari metode LPV-MPC ini adalah model nonlinear dapat diekspresikan sebagai sebuah kombinasi dari model-model linear dengan parameter yang bersifat varying dengan beberapa time varying parameter tanpa harus menggunakan linierisasi. Pada penelitian ini, dikembangkan sebuah sistem Active Safety berbasis LPV-MPC yang berguna untuk menjaga kestabilan kendaraan bus listrik dalam melakukan manuver berkendara seperti manuver Double Lane Change (DLC) dengan tetap pada kecepatan yang ditentukan. Pengendali LPV-MPC mengatur gaya masing-masing roda dan sudut belok roda depan sehingga dapat stabil dalam melewati track acuan yang diberikan. Hasil dari penelitian menunjukkan bahwa metode LPV-MPC mampu untuk menjaga kestabilan bus listrik pada saat melewati track acuan dengan tetap pada kecepatan target yang ditentukan pada penelitian thesis ini. Sehingga dapat disimupulkan kendaraan bus listrik dengan sistem Active Safety berbasis LPV-MPC dapat menjaga kestabilan dalam melakukan manuver berkendara.

---

In recent years, research in the field of safety in driving has become an important concern for the automotive industry, this is due to traffic accidents that are still rife. There have been many studies on control methods developed to overcome stability problems in vehicles. One of them is the Linear Parameter Varying Model Predictive Control (LPV-MPC) control method. The advantage of this LPV-MPC method is that the nonlinear model can be expressed as a combination of linear models with varying parameters with several time varying parameter without having to use linearization. In this study, an Active Safety system based on LPV-MPC was developed which is useful for maintaining the stability of electric bus vehicles in carrying out driving maneuvers such as the Double Lane Change (DLC) maneuver while remaining at a specified speed. The LPV-MPC controller regulates the force of each wheel and the turning angle of the front wheels so that they can be stable in passing the given reference track. The results of the study indicate that the LPV-MPC method is able to maintain the stability of the electric bus when passing the reference track while remaining at the target speed specified in this thesis research. So it can be concluded that electric bus vehicles with an Active Safety system based on LPV-MPC can maintain stability in driving maneuvers."

"Energi matahari merupakan sumber energi terbarukan yang paling potensial, disamping mudah didapatkan energi matahari tidak menimbulkan dampak lingkungan dalam pemanfaatannya. Solar thermal plant merupakan salah satu proses untuk mengubah energi matahari menjadi energi panas mekanik oleh media yang dipanaskan berdasarkan proses thermal melalui beberapa peralatan seperti solar collector, thermal energy storage, dan sistem instalasi perpipaan. Pengoperasian solar thermal plant sangat di pengaruhi oleh beberapa faktor antara lain besarnya intensitas radiasi matahari yang selalu mengalami perubahan secara dinamis dan tidak dapat dimanipulasi, adanya faktor disturbance berupa suhu lingkungan yang sangat bergantung pada kondisi cuaca, serta faktor penggunaan beban yang berubah-ubah tergantung dengan kebutuhan pengguna. Oleh karena itu diperlukan sistem kendali yang dapat mengatasi masalah dan dinamika perubahan yang terjadi. Salah satu permasalahan yang dihadapi dalam perancangan sistem kendali adalah tidak tersedianya model yang dapat merepresentasikan kondisi plant secara real. Pada solar thermal plant sering kali parameter fisik dari model tidak didapatkan karena keterbatasan informasi. Sehingga dibutuhkan proses identifikasi dan pemodelan untuk mendapatkan parameter fisik dari plant. Model solar thermal plant merupakan model dengan karakteristik nonlinear yang cukup kuat dan beroperasi pada range yang cukup lebar yang dipengaruhi oleh faktor eksternal disturbance. Sehingga diperlukan pendekatan yang berbeda untuk dapat merepresentasikan model secara utuh. Pada tesis ini dikembangkan metode pengendalian prediktif berbasis model linear time varying (LPV-MPC) untuk solar thermal plant dengan studi kasus pada sistem pendingin bertenaga surya yang terpasang pada Gedung Mechanical Research Centre FT UI. Optimal setpoint proses dihasilkan secara real time menggunakan dynamic real time optimization (DRTO) berdasarkan informasi keluaran sistem dan disturbance yang terukur. Keterbatasan pengukuran dari plant diatasi dengan merancang nonlinear state estimator berbasis Extended Kalman Filter. Dengan adanya sistem kendali LPV-MPC dengan DRTO berbasis EKF yang telah di uji dan validasi dengan data real plant , sistem kendali yang dirancang dapat membuat temperature keluaran dari plant lebih stabil serta meningkatkan efisiensi dengan meminimalkan penggunaan tenaga listrik pada sistem serta mengoptimalkan penyerapan energi matahari. Berdasarkan hasil simulasi pengendalian yang telah dilakukan selama 4 hari operasional solar thermal plant didapatkan penurunan konsumsi tenaga listrik hingga 32.23% serta peningkatan penyerapan energi matahari hingga 69.38%.

---

Solar energy is the most potential renewable energy source, besides being easy to obtain, solar energy does not cause environmental impacts in its utilization. The solar thermal plant is one of the processes for converting solar energy into thermal energy by heating fluid based on thermal process through several equipments such as solar collectors, thermal energy storage, and piping systems. The operation of solar thermal plants is strongly influenced by several factors, including the amount of solar radiation intensity which always changes dynamically and can not be manipulated, disturbance factors in the form of environmental temperature which is highly dependent on weather conditions, and the user load that varies depending on the user needs. Therefore, a control system strategy that can overcome these problems is needed. One of the problems that arise in the design of the control system is the unavailability of a plant model that can represent the real condition of the plant. Especially in solar thermal plants, the physical parameters of the model are often unknown due to limited information. Hence identification and modeling process to get the physical parameters of the plant should be done. The solar thermal plant model is a model with strong nonlinear characteristics and operates over a fairly wide range of operating conditions which is influenced by external disturbance factors. Consequently, a different approach to represent the model as a whole is needed. This thesis develops a predictive control method based on a linear time-varying model (LPV-MPC) for a solar thermal plant with a study case on a solar thermal cooling system installed in the Mechanical Research Center Building, FT UI. The optimal setpoint process is generated in real-time using Dynamic Real-Time Optimization (DRTO) based on system output information and measured disturbances. The limitation of plant measurement is overcome by designing a nonlinear state estimator based on the Extended Kalman Filter. By using LPV-MPC integrated with DRTO based on EKF that has been tested and validated with real plant data, the proposed control system strategy are able to achieve a more stable output temperature of the solar thermal plant and increase efficiency by minimizing electricity usage in the system and optimizing solar energy absorption. Based on the simulation results that have been carried out for 4 days of solar thermal plant operation, it is found that there is a decrease in electricity consumption by 32.23% and an increase in solar energy absorption by 69.38%."

"Di era dengan ketersediaan bahan bakar fosil yang semakin rendah, diperlukan sumber energi terbarukan. Salah satu pembangkit dengan efisiensi optimal adalah pembangkit listrik tenaga nuklir. Badan Energi Atom Jepang (JAEA) memulai proyek HTTR pada tahun 1985 dengan inti prismatik, moderator grafit, dan reaktor berpendingin gas helium. Model matematis dan parameter merupakan acuan yang penting digunakan untuk melakukan suatu desain pengendali. Model kinetik reaktor nuklir yang digunakan terdiri dari model point kinetics, model thermal hydraulic, dan model reaktivitas masukan dan umpan balik ke model point kinetics. Beberapa parameter model pada reaktor nuklir sering kali tidak diketahui, oleh karena itu dilakukan estimasi model parameter menggunakan metode curve fitting nonlinear least squares. Didapatkan model yang telah dioptimasi dengan nilai akurasi dari hasil pada tingkat daya 9, 15 dan 18 MW berturut-turut yaitu sebesar 98.85%, 94.60% dan 97.95% dengan nilai RMSE masing-masing sebesar 0.0778, 0.2366 dan 0.1469. Sudah banyak sekali peneliti yang mengembangkan metode kendali untuk reaktor nuklir. Pada penelitian ini digunakan metode kendali terbaru yaitu Linear Parameter Varying Model Predictive Control (LPV-MPC). Kelebihan pada metode LPV-MPC yaitu model nonlinear dapat dibentuk dari model linear dan nonlinear dengan parameter yang bersifat varying tanpa harus menggunakan linearisasi.

---

In an era where the availability of fossil fuels is getting lower, renewable energy sources are needed. One of the plants with optimal efficiency is a nuclear power plant. The Japan Atomic Energy Agency (JAEA) started the HTTR project in 1985 with a prismatic core, graphite moderator, and a helium gas-cooled reactor. Mathematical models and parameters are important references used to carry out a controller design. The nuclear reactor kinetic model consists of a point kinetics model, a thermal hydraulic model, and an input reactivity model and feedback to the point kinetics model. Some model parameters in nuclear reactors are often unknown, therefore the parameter model estimation is carried out using the nonlinear least squares curve fitting method. The model has been optimized with accuracy values from the results at power levels of 9, 15 and 18 MW, respectively, 98.85%, 94.60% and 97.95% with RMSE values of 0.0778, 0.2366 and 0.1469, respectively. Many researchers have developed control methods for nuclear reactors. In this study, the latest control method is used, namely Linear Parameter Varying Model Predictive Control (LPV-MPC). The advantage of the LPV-MPC method is that nonlinear models can be formed from linear and nonlinear models with varying parameters without having to use linearization. "

"Di era dengan ketersediaan bahan bakar fosil yang semakin rendah, diperlukan sumber energi terbarukan. Salah satu pembangkit dengan efisiensi optimal adalah pembangkit listrik tenaga nuklir. Badan Energi Atom Jepang (JAEA) memulai proyek HTTR pada tahun 1985 dengan inti prismatik, moderator grafit, dan reaktor berpendingin gas helium. Model matematis dan parameter merupakan acuan yang penting digunakan untuk melakukan suatu desain pengendali. Model kinetik reaktor nuklir yang digunakan terdiri dari model point kinetics, model thermal hydraulic, dan model reaktivitas masukan dan umpan balik ke model point kinetics. Beberapa parameter model pada reaktor nuklir sering kali tidak diketahui, oleh karena itu dilakukan estimasi model parameter menggunakan metode curve fitting nonlinear least squares. Didapatkan model yang telah dioptimasi dengan nilai akurasi dari hasil pada tingkat daya 9, 15 dan 18 MW berturut-turut yaitu sebesar 98.85%, 94.60% dan 97.95% dengan nilai RMSE masing-masing sebesar 0.0778, 0.2366 dan 0.1469. Sudah banyak sekali peneliti yang mengembangkan metode kendali untuk reaktor nuklir. Pada penelitian ini digunakan metode kendali terbaru yaitu Linear Parameter Varying Model Predictive Control (LPV-MPC). Kelebihan pada metode LPV-MPC yaitu model nonlinear dapat dibentuk dari model linear dan nonlinear dengan parameter yang bersifat varying tanpa harus menggunakan linearisasi.

---

In an era where the availability of fossil fuels is getting lower, renewable energy sources are needed. One of the plants with optimal efficiency is a nuclear power plant. The Japan Atomic Energy Agency (JAEA) started the HTTR project in 1985 with a prismatic core, graphite moderator, and a helium gas-cooled reactor. Mathematical models and parameters are important references used to carry out a controller design. The nuclear reactor kinetic model consists of a point kinetics model, a thermal hydraulic model, and an input reactivity model and feedback to the point kinetics model. Some model parameters in nuclear reactors are often unknown, therefore the parameter model estimation is carried out using the nonlinear least squares curve fitting method. The model has been optimized with accuracy values from the results at power levels of 9, 15 and 18 MW, respectively, 98.85%, 94.60% and 97.95% with RMSE values of 0.0778, 0.2366 and 0.1469, respectively. Many researchers have developed control methods for nuclear reactors. In this study, the latest control method is used, namely Linear Parameter Varying Model Predictive Control (LPV-MPC). The advantage of the LPV-MPC method is that nonlinear models can be formed from linear and nonlinear models with varying parameters without having to use linearization.

"

"Kereta hibrida merupakan kereta yang menggabungkan beberapa sumber energi dengan tujuan untuk meningkatkan efisiensi bahan bakar dan mengurangi emisi gas rumah kaca di kawasan minim infrastruktur jaringan distribusi listrik. Namun, jenis kereta ini memiliki tantangan dalam manajemen sumber energi agar biaya penggunaannya dapat diminimalkan. Maka dari itu, penelitian dilakukan untuk mengoptimalkan strategi manajemen energi atau yang biasa disebut dengan Energy Management System (EMS). Strategi manajemen energi pertama yang dikenalkan adalah Rule-Based dengan biaya komputasi yang kecil, namun belum optimal. Untuk mendapatkan hasil yang lebih optimal digunakan Model Predictive Control (MPC) yang terkenal sangat andal karena kemampuan prediksi, mampu menangani masalah yang kompleks, dan dapat disesuaikan secara real-time. Optimasi real-time dibatasi oleh waktu cuplik, sehingga optimasinya belum tentu sempurna. Maka, optimasi real-time dapat dikombinasikan dengan optimasi global yang dijalankan secara offline, salah satunya menggunakan strategi Pontryagin’s Minimum Principle (PMP) yang telah banyak digunakan oleh para peneliti karena waktu komputasinya yang cepat dan secara akurat dapat mempertimbangkan State of Charge (SOC) baterai agar tetap dalam range nominal. Penelitian ini bertujuan untuk mengembangkan strategi manajemen energi yang efisien untuk kereta hibrida, menggunakan Rule-Based Pontryagin’s Minimum Principle Model Predictive Control (RB-PMP-MPC). Pengujian dan evaluasi dilakukan dengan melakukan simulasi pada Matlab dan Simulink.

---

Hybrid trains combine multiple energy sources to improve fuel efficiency and reduce greenhouse gas emissions in areas with limited electrical distribution infrastructure. However, these trains face challenges in energy source management to minimize operational costs. Therefore, research is conducted to optimize energy management strategies, commonly known as the Energy Management System (EMS). The first introduced energy management strategy is Rule-Based, which has low computational costs but is not yet optimal. To achieve more optimal results, Model Predictive Control (MPC) is used, known for its high reliability due to its predictive capabilities, ability to handle complex problems, and real-time adaptability. Real-time optimization is limited by sampling time, so it may not be perfect. Therefore, real-time optimization can be combined with global optimization performed offline, one of which uses Pontryagin's Minimum Principle (PMP) strategy, widely used by researchers for its fast computation time and accurate consideration of the battery's State of Charge (SOC) to remain within the nominal range. This research aims to develop an efficient energy management strategy for hybrid trains using Rule-Based Pontryagin's Minimum Principle Model Predictive Control (RB-PMP-MPC). Testing and evaluation are conducted through simulations in Matlab and Simulink."

"Sistem tata udara presisi merupakan komponen yang sangat penting dalam sebuah ruang pusat data untuk menjaga agar perangkat yang disimpan tidak mengalami kerusakan pada waktu singkat. Sistem ini merupakan sistem multivariabel dan diperlukan untuk menjaga suhu dan kelembaban ruang pusat data pada batasan yang sesuai dengan kondisi kerja peralatan IT, sehingga diperlukan pengendali cerdas yang mampu bekerja pada batasan tertentu dan mampu menangani sistem multivariabel. Selain itu, pengendali tersebut juga harus mampu menangani karakteristik sistem tata udara presisi yang nonlinier. Oleh karena itu, pengendali MPC (Model Predictive Control) digunakan untuk mengendalikan sistem tersebut.Pengendali MPC merupakan pengendali yang menggunakan model proses secara eksplisit dalam penghitungan sinyal kendalinya. Model linier digunakan untuk menghitung prediksi keluaran sistem nonlinier dan menghitung besar sinyal kendali agar keluaran sistem nonlinier sesuai dengan acuan. Agar besar kesalahan prediksi keluaran dari model dan keluaran sesungguhnya dari sistem dapat diminimalisasi maka digunakan model ruang keadaan multimodel yang diperoleh melalui metode identifikasi least square.Model yang diperoleh dari hasil identifikasi dapat digunakan untuk pengendalian MPC sebab memiliki nilai 𝐽𝑒𝑒 dan FPE yang rendah (< 10−5), nilai eigen berada di dalam unit circle, serta memiliki sifat fully controllable dan fully observable. Pengendali MPC berbasis multimodel linier kemudian dirancang untuk mengendalikan sistem tata udara presisi yang bersifat MISO (multi input single output), dengan keluaran berupa temperatur udara masukan kabinet (𝑇𝑖𝑛,𝑐𝑎𝑏). Untuk memperoleh pengendalian yang terbaik, pengendali MPC disimulasikan pada sistem linier dan nonlinier. Variasi nilai 𝐻𝑝, 𝐻𝑢, Q, dan R diberikan untuk mengetahui pengaruh perubahan nilai parameter pengendali MPC terhadap karakteristik sinyal kendali masukan dan sinyal respon keluaran sistem, serta waktu komputasi dan nilai loss function. Simulasi pengendalian MPC menunjukkan hasil yang baik pada nilai 𝐻𝑝 = 𝐻𝑢 = 6, 𝐐 = 50, dan 𝐑 = 5 untuk sistem linier, dan nilai 𝐻𝑝 = 12, 𝐻𝑢 = 3, 𝐐 = 70, dan 𝐑 = 0.5 untuk sistem nonlinier.

---

Precision air conditioning is a vital component in a data center to keep the stored devices from failures. This system is a multivariable system and needed to keep the temperature and humidity of a data center in a certain constraints which is suitable for IT devices operating condition. Hence, an intelligent controller which can take constraints into account and handle multivariable system is needed. Furthermore, the controller must be capable to handle nonlinear characteristic of such system. Thus, Model Predictive Controller (MPC) is used to control such systems.

MPC is a controller that used the model of a process explicitly to compute the control signal. The linear model is used to predict the output of nonlinear system and calculate the control signal to meet the given target. To minimize error between predicted output from the model and the actual output of the plant, double-stage state space model is used.

The model is identified using least square method and can be used for system control using MPC due to its low 𝐽𝑒𝑒 and FPE (< 10−5), its eigenvalues located inside the unit circle, and its characteristics which is fully controllable and fully observable. MPC based on linear multimodel linear is designed to control PAC system which is a MISO (Multiple Input Single Output) system, which output is the temperature of input air to cabinet (𝑇𝑖𝑛,𝑐𝑎𝑏). In order to obtain the best control action, MPC is simulated in linear and nonlinear system. The value of controller parameters 𝐻𝑝, 𝐻𝑢, Q, and R is varied to study the effect of changes in parameter value to the characteristic of input control signal and system responds, input signal computing time and the value of loss function. The best simulation result is obtained at 𝐻𝑝 = 𝐻𝑢 = 6, 𝐐 = 50, and 𝐑 = 5 for linear system, and 𝐻𝑝 = 12, 𝐻𝑢 = 3, 𝐐 = 70, and 𝐑 = 0.5 for nonlinear system."

"Sistem tata udara presisi atau yang lebih dikenal dengan Precision Air Conditioning (PAC) merupakan mesin refrigerasi yang bekerja berdasarkan konsep termodinamika. Sistem tata udara presisi digunakan di ruang pusat data untuk menjaga temperatur dan kelembaban di dalam kabinet agar peralatan IT di dalam kabinet tidak cepat rusak. Temperatur ideal yang harus dicapai di dalam kabinet berkisar antara 20º - 25ºC, sedangkan kelembaban relatif (RH) yang harus dijaga di dalam kabinet berkisar antara 45-55%. Namun untuk mencapai keadaan tersebut, dibutuhkan pengendalian sistem supaya sistem dapat bekerja dengan keluaran seperti yang diinginkan.Model predictive control merupakan salah satu metode pengendali prediktif yang populer digunakan di dunia indutri. Sistem tata udara presisi yang dikendalikan dalam penelitian ini merupakan sistem multi input single output (MISO) dengan masukan berupa kecepatan putaran kipas kompresor dan kecepatan aliran udara volumetrik, dan keluaran yang dikendalikan adalah suhu keluaran dari kondenser kedua yang menuju kabinet dari sistem tata udara presisi. Diuji tiga model sistem tata udara presisi, model linier, model nonlinier tanpa beban heat sensible peralatan IT, dan model nonlinier dengan beban sensible peralatan IT yang divariasikan dengan pendekatan model linier biasa hasil identifikasi PO-MOESP dan model linier dengan vektor bias hasil identifikasi menggunakan metode kuadrat terkecil.Hasil pengendalian MPC untuk ketiga plant sistem tata udara presisi menujukkan performa yang baik dalam pengendalian, dilihat dari keluaran sistem yang mengikuti trajektori acuan yang diberikan.

---

Precision Air Conditioning (PAC) is a refrigerant machine that works based on thermodynamics concept. PAC is in implemented data center in order to stabilize the temperature and the humidity in cabinet in order to prevent IT damage integrated in the cabinet. The desired ideal temperature for the cabinet is from 20oC to 25oC and the desired relative humidity (RH) is from 45-55%. However, to achieve such a state, it takes control of the system so that the system can work with the output as desired.

Model predictive control is a predictive control method which is popularly used in industries world. Precision air conditioning system are controlled in this study is a multi-input single output (MISO) system with input in the form of fan rotation speed of the compressor and the air volumetric flow rate, and the controlled output is the temperature of the output of the second condenser to the cabinet of the precision air conditioning system. Tested three models of precision air conditioning system, linear models, nonlinear models without the burden of sensible heat IT equipment, and nonlinear models with variation of sensible heat IT equipment load with ordinary linear model approach to the identification of PO-MOESP and linear models with bias the results of identification using the method least squares.

MPC control results for the third plant of PAC systems showed good performance in control, viewed from the system output to follow a given reference trajectory."

"Penggunaan komponen pasif pada sistem suspensi kendaraan mempunyai beberapa kelemahan, yaitu sistem tidak dapat menyesuaikan dengan kondisi permukaan jalan yang mengurangi kenyamanan serta keamanan dalam berkendara. Untuk mengatasi masalah tersebut dapat dilakukan dengan menambahkan komponen aktif pada sistem suspensi pasif, yang kemudian lebih dikenal dengan sistem suspensi semi-aktif. Sumber tenaga eksternal tidak diperlukan pada suspensi semi-aktif, sehingga hanya perlu mengubah damping koefisien pada damper. Dengan mengendalikan output berupa suspension deflection dari gangguan eksternal berupa kontur jalan pada model kendaraan full car diperlukan pengendali yang prediktif. Salah satu pengendali prediktif yang umum digunakan dan sudah teruji adalah Model Predictive Control (MPC). MPC digunakan untuk mengendalikan sistem suspensi semi-aktif hasil dari identifikasi sistem dengan metode identifikasi least square bertingkat. Pada laporan skripsi ini diajukan metode simulasi untuk hasil kinerja dari sistem yang akan diuji dengan menggunakan perangkat lunak MATLAB. Sedangkan untuk pengambilan data dan melihat hasil kinerja simulasi pada model kendaraan dengan menggunakan simulator Carsim.

---

The use of passive components in vehicle suspension systems has several disadvantages, one of them is the system cannot adjust to road surface conditions that reduce comfort and safety in driving. To overcome this problem can be done by adding active components to the passive suspension system, which is then better known as a semi-active suspension system. External power sources are not required for semi-active suspensions, so only need to change the damping coefficient on the damper. By controlling the output in the form of suspension deflection from external disturbances in the form of road contours on a full car vehicle model, a predictive controller is needed. One predictive controller that is commonly used and tested is the Model Predictive Control (MPC). MPC is used to control the semi-active suspension system as a result of identifying the system with the multistage least square identification method. In this thesis report, a simulation method is proposed for the performance results of the system to be tested using MATLAB software. Meanwhile, to data collecting and see the performance results on vehicle models using the Carsim simulator."

"Pengendalian level fluida di dalam tabung dan pengendalian aliran fluida antar beberapa tabung merupakan permasalahan dasar dalam industri proses. Masukan aliran fluida ke dalam tabung dan antar tabung haruslah dijaga pada kondisi tertentu sehingga keluaran sistem bisa sesuai dengan yang diinginkan. Berbagai macam pengendali dirancang untuk mengendalikan level fluida ini dengan baik, sehingga error yang dihasilkan pun semakin bisa diminimalisir. Pengendali PID dan MPC merupakan contoh pengendali yang bisa digunakan dalam mengontrol level fluida tersebut.Di dalam seminar tesis ini akan dirancang pengendali PID (Proportional-Integral-Derivative) dan Model Predictive Control (MPC) untuk mengendalikan level fluida di dua tangki terhubung. Sebelum pengendali PID dan MPC ini dirancang, model non-linier terlebih dahulu dibentuk bedasarkan sistem dua masukan aliran fluida dan dua keluaran sistem berupa ketinggian level fluida pada kedua tabung. Model non-linier sistem multivariabel (Two Input Two Output - TITO) ini kemudian dilinierisasi pada titik kerja yang dipilih untuk memperoleh nilai ruang keadaan A, B, C dan D yang kemudian digunakan untuk membentuk fungsi alih sistem. Selain proses linierisasi, identifikasi dengan metode Kuadrat Terkecil juga dilakukan untuk menghasilkan model linier sistem yang baru sebagai pendekatan dalam mengontrol model non-linier sistem dengan MPC.Dalam sistem multivariabel coupled-tanks ini masih terdapat interaksi yang kuat antar variabel masukan-keluaran, sehingga fungsi alih dekopler pun dirancang untuk mengurangi atau menghilangkan efek kopling antar variabel masukan-keluaran ini. Pengendali PID dan MPC yang dirancang akan digunakan dalam simulasi untuk mengendalikan model linier/fungsi alih (dengan dekopler) dan model non-linier sistem.Hasil simulasi pengendali PID dan MPC untuk model linier menunjukkan respon sistem yang baik, dimana waktu settling-nya cenderung relatif kecil. Juga hasil simulasi pengendali PID dan MPC untuk model non-linier, meskipun menunjukkan respon sistem yang cenderung lambat, masih bisa dikatan relatif baik. Setelah membandingkan hasil simulasi sistem dengan pengendali PID dan MPC yang dirancang, maka MPC merupakan pengendali yang lebih baik digunakan untuk mengendalikan sistem multivariabel coupled-tanks ini.

---

The control of liquid level in tanks and flow between tanks is a basic problem in the process industries. The amount of liquid flowed into tanks and the flow of liquid between tanks has to be maintained at certain conditions in order to meet the desired performances. Many controllers have been designed to control the liquid level in tanks with the intention of reducing errors during and or after control process. PID controller and MPC are two of many controllers that could be designed to control the liquid level in tanks.

In this Master's thesis, PID (Proportional-Integral-Derivative) controller and Model Predictive Control (MPC) are designed to control the liquid levels in two coupled tanks. Before designing PID controller and MPC, the complete nonlinear dynamic model of the plant needed to be introduced for a case involving two input flows of liquid and two output variables, which are the level of the liquid in two tanks.

This multivariable (Two Input Two Output - TITO) nonlinear model would be then linearised based on selected operating point in order to obtain the value of state-space variables A, B, C and D. These values are converted to transfer function form. Besides that, system identification with Least Square method is also used to yield a new state-space model as an approach model to control the nonlinear model with MPC. Due to the high interactions between input-output variables, decoupler needed to be designed with the aim of reducing or eradicate these between input-output variables coupling effects. Afterwards, the designed PID controller and MPC will be used in simulation in controlling the linear model/transfer function (with decoupler) and the nonlinear model of the coupled-tanks multivariable system.

The result of simulation using PID controller and MPC in controlling the linear model of the system shows good performance in terms of rise time and settling time. In Addition, the result of simulation using nonlinear model, despite the slow system's response, shows satisfactory performance in terms of steady-state behavior, in which the output signals eventually meets the desired reference signals. After comparing the results of system simulation both with PID Controller and MPC, the writer may then infers that MPC is the better one to control this coupled-tanks multivariable system."

"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."