Hasil Pencarian  ::  Simpan CSV :: Kembali

"[ABSTRAKTugas akhir ini membahas mengenai Neural Network yang diaplikasikan dalam simulasi pengendalian plant. Plant yang digunakan adalah Pressure Process Rig 38-714. Pengendali yang digunakan adalah pengendali yang bekerja dengan nilai masukan berupa nilai eror dari nilai keluaran plant yang dibandingkan dengan nilai keluaran referensi. Kesuksesan percobaan ditinjau dari seberapa bagus keluaran plant yang dipasang pengendali ketika dibandingkan dengan sinyal referensinya dan ketahanannya terhadap gangguan. Hasil percobaan menunjukkan NN dengan metode Backpropagation memberikan performa yang baik walaupun diberi gangguan dengan batasan nilai tertentu.

---

ABSTRACTThis project discuss about the application of Neural Network in a simulation as a controller of a plant. Pressure Process Rig 38-714 is used as the plant. Error based NN is used as the controller. The controller’s input is the error signal from the output signal of plant compared to reference signal. The success rate is viewed by the similarity of the output of plant compared to the reference signal amd their robustness against noise. The testing result shows that NN based on backpropagation method has a great performance and robustness when there is noise., This project discuss about the application of Neural Network in a simulation as a controller of a plant. Pressure Process Rig 38-714 is used as the plant. Error based NN is used as the controller. The controller’s input is the error signal from the output signal of plant compared to reference signal. The success rate is viewed by the similarity of the output of plant compared to the reference signal amd their robustness against noise. The testing result shows that NN based on backpropagation method has a great performance and robustness when there is noise.]"

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

---

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

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

---

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