Hasil Pencarian  ::  Simpan CSV :: Kembali

"Listrik yang dihasilkan oleh pembangkit listrik tenaga mikrohidro harus mempunyai frekuensi yang selalu berada pada daerah kerja yang diperbolehkan walaupun terjadi perubahan beban. Mekanisme pengontrolannya yaitu menggunakan dc servomotor sebagai penggerak untuk mengatur posisi bukaan gate sehingga aliran air yang masuk dapat disesuaikan dengan beban konsumen. Sistem PLTMH sangat kompleks dan mempunyai kerakteristik non linier maka digunakan pengendali model predictive control (MPC). Dengan menggunakan MPC keluaran sistem dapat diprediksi dalam rentang waktu yang telah ditentukan sehingga respon sistem cepat. MPC juga dapat memprediksi gangguan yang terukur sehingga waktu yang diperlukan sistem dalam mengatasi perubahan beban menjadi lebih cepat. Di samping itu, MPC dapat menyuguhkan nilai lebih berupa kemampuannya dalam memberikan batasan-batasan (constraints) baik untuk sinyal kendali maupun untuk keluaran sistem. Hasil simulasi yang dilakukan dengan menggunakan program bantu MATLABSIMULINK menunjukkan, bahwa keluaran sistem dengan pengendali MPC tanpa constraint selalu dapat mengikuti trayektori acuan yang diberikan, serta mampu mengatasi gangguan dengan cepat. Perbandingan kinerja pengendalian juga dilakukan antara algoritma MPC tanpa constraint dengan PID dan formula Ackermann, dimana algoritma MPC tanpa constraint menunjukkan performa yang lebih baik.

---

Electricity generated by micro hydro power plant must have a frequency that is always in the working area allowed despite load changes. The controller mechanism used dc servomotor as an actuator to adjust the gate opening position, so that the incoming water flow can be adjusted with the consumer load. MHP system is very complex and has non linear characteristics, so that model predictive control (MPC) must be used. By using the MPC, system output can be predicted in the timeframe had been set so the system response will be fast. MPC can also predict the measurable disturbance, so the time needed to cope with changes in system load faster. Moreover, the MPC could deliver more value in the form of its ability in providing constraints for both control signals and system output. The simulation results taken using MATLAB-SIMULINK software show that the system output with MPC unconstraint controller always follow the reference trajectory. Comparing control performance is also taken between the MPC unconstraint algorithm, PID and Ackermann formula, in which the MPC unconstraint algorithm shows the better performance."

"ABSTRAKFormaldehida 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."

"Model sistem tata udara presisi dimodelkan sebagai sebuah sistem multivariable dengan dua output yaitu temperature dan kelembaban dan dua input yaitu kecepatan putaran motor dan bukaan valve. Pada model ini ada masalah coupling diantara input dan outputnya. Model Predictive Control (MPC) adalah salah satu cara untuk mengatasi masalah coupling dalam sistem multivariable. Pengendali MPC dirancang tanpa constraints untuk menentukan agoritma yang handal.

Dari hasil simulasi nampak bahwa parameter-parameter pengendali yang terbaik adalah horizon Hp=10, Hu=4, matrik pembobotan R=0.1, dan Q=3. Dengan parameter ini respon keluarannya mengikuti sinyal set point.

---

Precision Air Conditioning model is defined as a multivariable system with two outputs Temperature and humidity and two inputs, the speed of motor compressor and valve opening. There will be a coupling problem between inputs and outputs. Model Predictive control (MPC) is a way to counter a coupling problems in multivariable system. MPC controller is designed without constraints addition to determine the reliable algorithm.

From the simulation result, it can be seen that the best parameters controller are horizon Hp=10, Hu=4, weighting matrix R=0.1 and Q=3. In this parameter, the output response equal to the trajectory or set point signal."

"Perawatan dengan injeksi insulin secara kontinu setiap harinya diperlukan bagi penderita Diabetes Mellitus tipe I yang telah kronis, di mana pankreas sama sekali tidak menghasilkan insulin, untuk mengontrol kadar gula darahnya. Model minimal Bergman terdiri dari tiga persamaan diferensial yang memodelkan dengan cukup akurat penderita DM tipe I sesederhana mungkin.Simulai model ini dilakukan dengan memberikan sinyal masukan laju insulin dengan batasan antara 0 sampai 100 mU/min dan gangguan glukosa makanan dimodelkan sebagai fungsi eksponensial 1,157 exp(-0,05.t) mmol/L.min yang dimulai pada menit ke-100, dengan batasan perubahan laju insulin eksternal yang merupakan sinyal kendali sistem sebesar ± 16,667 mU/min. Sinyal masukan insulin diberikan untuk mengurangi kadar gula darah, tetapi tetap menjaga agar tidak terjadi hypoglycemia (< 3,33 mmol/L).Perancangan pengendali MPC (Model Predictive Control) dengan constraints yang berbasiskan metode aktif set menggunakan persamaan ruang keadaan linier, dan analisa simulasi dilakukan dengan mengubah parameter-parameter pengendali berupa control horizon, prediction horizon, batas maksimal dan batas minimal sinyal kendali serta matriks bobot R dan Q.

---

Diabetes Mellitus refers to condition in which the pancreas produces no effective insulin. Treatment consist of daily injection or continuous infusions of insulin to maintain blood glucose levels between critical values (3,33 ? 6,67 mmol/L). The Bergman minimal model consist of three differential equations as powerful modeling to describe the dynamics of type 1 diabetic system as simply as possible.This simulation model is done by giving inputs are the manipulated insulin infusion rate with range between 0 and 100 mU/min, and the meal glucose disturbance described as exponential function (1,157 exp(-0,05.t) mmol/L.min) and simulated at minute 100. The manipulated insulin infusion rate is given for prevention of long-term complications due to hyperglycemia and hypoglycemia (<3,33 mmol/L).MPC (Model Predictive Control) with constraints is designed based on active set method using linier state space equation and analyze the simulation by altering controller parameters are control horizon (Hu), prediction horizon (Hp), maximum and minimum of control signal (Umaks and Umin), and also weight matrix of R and Q."

"Dalam thesis ini dirancang sebuah algoritma pengendali Model Predictive Control (MPC) Constrained dan diimplementasikan pada sistem Proton Exchange Membrane Fuel Cell. Model yang digunakan adalah model linier yang didapatkan dari Identifikasi sistem dengan metode Least Square. Constraint di berikan pada perubahan masing-masing sinyal kendali serta perbandingan antara sinyal kendali pertama dan kedua.Dari hasil simulasi terlihat bahwa pengendali MPC menghasilkan respon keluaran yang mengikuti sinyal acuan yang diberikan, serta mampu mengatasi gangguan yang berupa perubahan beban yang terjadi pada sistem PEMFC. Dengan pemberian constraint pada pengendali MPC, sinyal kendali yang dihasilkan dapat dibatasi sesuai dengan karakteristik fisik dari sistem PEMFC.

---

This theses presents a Constrained Model Predictive Control design . The controller is implemented in the Proton Exchange Membrane Fuel Cell. The MPC algorithm based on the Linear model generated from identification system using Least Square Method. The controller consist of control signal constraints including the comparison of eachcontrol signal amplitude.The simulation result show that the MPC resulting a very good transient behaviour, the output from PEMFC can follow the trajectory and did not effected by load change disturbances. With some constraint additional in MPC, the control signals can be bounded refer to the real characteristic of PEMFC."

"Model Predictive Control (MPC) merupakan salah satu metode pengendali prediktif berbasis model yang populer digunakan pada dunia industri. Beberapa keuntungan yang ditawarkan oleh pengendali ini diantaranya adalah kemampuannya dalam menangani sistem multivariabel dengan cukup mudah dan juga kemampuannya untuk memberikan constraints atau batasan tertentu baik pada sinyal pengendali maupun pada keluaran sistem. Sistem Heat Exchanger yang akan digunakan pada tesis ini juga merupakan sistem multivariabel berorde tinggi yang mempunyai dua masukan dan dua keluaran. Model sistem yang dipakai berupa model linear diskrit yang didapat dari linearisasi model linearnya. Hasil pengendalian menggunakan MPC constraints akan dibandingkan dengan MPC unconstraints.

---

Model Predictive Control is one of the predictive control methods that popular for being used in industry. Some advantages offered by this controller are its ability to easily handle multivariable system easier and also its ability to give constraints or certain limitation of controller signal/ on output system.

Heat exchanger system which will be controlled here is also high-order multivariable system with two inputs and two outputs. The system model that use is discrete linear model which is get from linearization of linear model. The result of controller using MPC constraints will be compare with MPC unconstraints."