Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK Quadcopter merupakan kendaraan tanpa awak UAV yang saat ini telah banyak digunakan untuk berbagai tujuan. Bentuknya yang ringkas, serta beratnya yang ringan dengan 4 buah baling-baling yang kecil membuat quadcopter memiliki keunggulan dalam kemampuan bermanuver diudara. Kecepatan rotasi dari 4 buah motor penggerak baling-baling pada Quadcopter merupakan factor yang paling berpengaruh dalam kemampuan maneuver quadcopter, oleh karenanya dibutuhkan desain pengendali yang dapat bekerja sangat baik dalam mengendalikan quadcopter ketika bermanuver diudara.Dalam Skripsi ini diajukan sebuah ide menggunakan pengendali Jaringan Saraf Kendali Inverse Langsung NN-DIC - Neural Network ndash;Direct Inverse Control sebagai pengendali quadcopter. Metode pengendali yang baru mulai dicetuskan dan diteliti dalam beberapa decade akhir ini dinilai memiliki kinerja yang lebih baik dalam mengendalikan sistem yang bersifat non-linear seperti quadcopter. Dalam skripsi ini disampaikan hasil simulasi pengendalian quadcopter menggunakan pengendali Neural Network-Direct Inverse Control NN-DIC single hidden layer dan double hidden layer pada simulasi MATLAB, serta hasil simulasi Neural Network ndash;Direct Inverse Control NN-DIC single hidden layer dan double hidden layer menggunakan metode pelatihan jaringan saraf inverse NN-INV- Neural Network Inverse yang dilatih dengan Feedback seara langsung sebagai upaya mengoptimalkan hasil pengendalian Neural Network-Direct Inverse Control NN-DIC pada quadcopter.

---

ABSTRACT Quadcopter is an Unmanned Aerial Vehicle UAV that lately have been used for many purpose. Its compact shape, and a light weight body with 4 small propellers make the quadcopter has several advantages in the maneuverability in the air. The speed rotation of 4 propeller is the most influential factor in controlling the flying rsquo s maneuverability of quadcopter, therefore it is needed a design of controller that can work very well in controlling quadcopter while it rsquo s maneuvering on the air. In this thesis an idea using Neural Network Direct Inverse Control NN DIC as controller for quadcopter is proposed. This new method that was proposed and researched in this recent decades is considered will work very well when controlling a non linier system such as quadcopter. This thesis presents the simulation results of quadrotor rsquo s control using the Neural Network Direct Inverse Control NN DIC single hidden layer and double hidden layer using MATLAB rsquo s simulation, also simulation results Neural Network Direct Inverse Control NN DIC single hidden layer and Double hidden layer using Inverse Feedback Training Method as an effort in order to enhance the result of Neural Network Direct Inverse Control NN DIC .

Abstrak :

Perkembangan kecerdasan buatan (artificial intelligence/AI) bergerak semakin cepat dan mengalami kemajuan pesat dalam setiap bidang kehidupan manusia, tak terkecuali dalam dunia kendali industri. Sementara kendali industri mensyaratkan sistem pengendali yang mampu mengatasi perubahan karakteristik secara otomatis serta dapat beradaptasi dengan dinamika perubahan sistem yang diakibatkan adanya perubahan kondisi lingkungan kerja. Pengendali berbasis kecerdasan buatan dianggap mampu untuk beradaptasi dengan perubahan karakteristik dari sistem secara otomatis adalah pengendali berbasis neural network. Dalam penelitian ini disajikan desain dan simulasi sistem pengendali berbasis neural network dengan metode pembelajaran back propagation yaitu pengendali inverse langsung(direct inverse control/DIC), pengendali neuron tunggal(single neuron controller), serta pengendali PID pada plant modul training pressure process rig(PPR 38-417). Untuk pengujiannya, didesain sistem identifikasi berbasis neural network sebagai simulator plant. Hasilnya, semua sistem kendali yang didesain tersebut mampu mengendalikan plant sesuai dengan sinyal referensi yang dinginkan. Namun pengendali single neuron dan PID mampu mempertahankan keluarannya dengan baik saat diberi gangguan pada sinyal kendali maupun plant dibandingkan dengan pengendali inverse langsung(ANN-DIC). Hal ini dikarenakan kendali single neuron dan PID bersifat close loop sehingga mampu mengkoreksi kesalahan secara langsung. Sementara jika dibandingkan dengan kendali PID, kendali single neuron lebih adaptif untuk berbagai kondisi gangguan karena memiliki metode pembelajaran langsung, sementara kendali PID perlu dilakukan tunning untuk mendapatkan unjuk kerja yang handal.

---

The development of artificial intelligence (AI) is moving faster and experiencing rapid progress in every area of human life, not least in the world of industrial control. While industrial control requires a control system that is able to overcome changes in characteristics automatically and can adapt to the dynamics of system changes caused by changes in working environment conditions. Artificial intelligence-based controllers are considered capable of adapting to changes in the characteristics of the system automatically is a neural network-based controller. In this study, the design and simulation of a neural network-based controller system with back propagation learning methods, namely direct inverse control (DIC) and single neuron controller, as well as PID controllers for the pressure process rig (PPR 38-417) training module. For the test, a neural network-based identification system is designed as a simulator plant. As a result, all the control systems designed are able to control the plant in accordance with the desired reference signal. However, single neuron and PID controllers are able to maintain their output well when given interference with the control signal or plant compared to the direct inverse controller (ANN-DIC). This is because single neuron control and PID are close loop so that they can correct errors directly. Meanwhile, when compared to PID control, single neuron control is more adaptive for a variety of disruption conditions because it has a direct learning method, while PID control needs to be tuned to get reliable performance.

Abstrak :
Quadrotor adalah wahana yang memiliki empat buah rotor sebagai penggerak. Untuk dapat bergerak sempurna maka quadrotor harus dilengkapi dengan Sistem kendali yang mampu mangatur dan memberikan sinyal kendali berupa kecepatan motor keseluruh rotor.Disertasi ini membahas tentang kendali autonomous untuk quadrotor menggunakan Neural Network Direct Inverse Control NN-DIC . Tujuan dari penelitian ini adalah untuk menyelidiki kinerja Quadrotor menggunakan kontrol NN-DIC. Untuk mewujudkan penelitian ini, langkah pertama adalah untuk membangun sebuah platform Quadrotor. Karena ide dasar dari DIC adalah untuk menghilangkan efek dinamika plant dengan kendali inverse, maka langkah selanjutnya adalah membangun sebuah model NN-DIC menggunakan data penerbangan yang sebenarnya. Metode pelatihan backpropagation dipilih karena strukturnya sederhana namun mampu memberikan error yang kecil.Melalui beberapa simulasi, model kendali NN-DIC telah mampu menstabilkan quadrotor dengan performa yang sangat baik dalam mengikuti trajectory pada kondisi hover, perubahan altitude maupun manuver. Perfoma yang baik ini ditunjukan dengan nilai MSE yang kecil, yaitu 0.042 pada saat hover untuk kendali attitude, 0.340 pada saat perubahan altitude untuk kendali attitude-altitude dan terakhir nilai MSE sebesar 1.966 saat maneuver untuk kendali autonomous.

---

The quadrotor is an Unmanned Aerial Vehicle UAV which is included in the category of rotary wing with four rotors located at its four corners. In order to move perfectly the quadrotor must be equipped with a control system capable of controlling and providing control signals of motor speed throughout the rotors.This dissertation discusses about autonomous control for quadrotor using Neural Network Direct Inverse Control NN DIC . The purpose of this study was to investigate Quadrotor performance using NN DIC controls. To realize this research, the first step is build a Quadrotor platform. Since the basic idea of DIC is to eliminate the dynamics effect of the plant with inverse control, the next step is build an NN DIC model using actual flight data. Backpropagation training method is chosen because the structure is simple but has a small error result.Some simulations have been done, the NN DIC control model has been able to stabilize the quadrotor with excellent performance in following trajectory under hover conditions, altitude changes and maneuvers. The excellent performance is indicated from a small MSE score of 0.042 during hover on attitude control, 0.340 with altitude change on attitude altitude control and MSE of 1.966 when maneuvered on autonomous control.

Abstrak :
Pada penelitian ini, didiskusikan mengenai metode kendali dengan menggunakan algoritma Direct Invers Control. Algoritma DIC yang digunakan berbasiskan pada Neural Networks untuk mendapatkan model identifikasi dan inverse dari plant. Untuk merancang kendali helicopter berbasis Neural Network, maka diperlukan pengumpulan data experiment penerbangan seperti data input kendali ke motor servo berupa sinyal PWM, sinyal output yaitu pitch, roll, yaw dan posisi. Untuk mendapatkan sinyal input dan output tersebut maka pada helicpoter dilengkapi dengan avionic system dan grounds station. Data penerbangan ini dikumpulkan untuk digunakan melatih dan menguji identifikasi dan kendali Neural Network. Dari hasil penelitian telah berhasil mensimulasikan kendali Neural Network DIC untuk attitude dan altitude dari helicopter. Pengembangan kendali Neural Network DIC menjadi kendali helicopter yang berbasis trajectory. Kendali berbasis trajectory ini terdiri dari dua bagian yaitu Outer Loop dan Inner Loop. Dari hasil simulasi, kendali ini dapat mengikuti trajectory dengan baik baik dengan data yang terkondisi maupun dengan data real.

---

In this study, we discussed the control method using Direct Invers Control algorithm. The DIC algorithm used is based on Neural Networks to obtain the identification and inverse model of the plant. To design a helicopter control based on Neural Network, it is necessary to collect flight experiment data such as control input data to servo motor in the form of PWM signal, output signal including pitch, roll, yaw and position. To get the input and output signals then the helicpoter equipped with avionic system and grounds station. This flight data is collected for use in training and testing the identification and control of Neural Network. From the research results have been successfully simulate the control of Neural Network DIC for the attitude and altitude of the helicopter. The development of Neural Network DIC controls into trajectory based helicopter control. Trajectory based control consists of two parts namely the Outer Loop and Inner Loop. From the simulation results, this control can follow trajectory well with both conditioned data and real data.

Abstrak :
ABSTRAK
Kemajuan teknologi mengiringi kemajuan UAV yang membuat peneliti terus untuk mengembangkannya. Hexacopter yang merupakan salah satu jenis UAV, saat ini telah banyak diteliti untuk berbagai kepentingan seperti pemetaan, monitoring, aerial photography dan lain-lain. Hexacopter ini memiliki enam rotor sebagai penggeraknya yang berada pada keenam sisi frame-nya. Kelebihan hexacopter ini adalah kemampuan dalam mengangkat bebn yang cukup besar, daya yang lebih besar dan safety saat ada kegagalan pada salah satu rotornya. Namun permasalahan yang timbul yakni kesulitan dalam upaya untuk mengendalikan hexacopter secara autonomous agar dapat terbang stabil terutama saat ada gangguan dan juga dengan beban yang cukup berat. Selain itu menjaga pergerakan hexacopter mengikuti trajectory juga menjadi permasalahan yang sulit apalagi sistem hexacopter ini memiliki karakteristik yang nonlinier, multi input multi output MIMO . Pada penelitian ini dirancang platform hexacopter heavy-lift yang memiliki diameter 2.4 meter, dan payload yang mampu dibawa mencapai 40 kg. Sehingga dengan platform yang besar dan berat tentunya pengendalian menjadi lebih sulitHal inilah yang menjadi topik dari penelitian ini yaitu merancang sistem kendali yang dapat menjaga pergerakan hexacopter secara autonomous mengikuti trajectory. Untuk mewujudkan tujuan tersebut, pada penelitian ini digunakan algoritma kendali Direct Inverse Control-Neural Network dengan metode Elman Recurrent Neural Network DIC-ERNN . Metode DIC-ERNN ini memiliki kelebihan mampu mengingat dan menyimpan hasil keluaran hidden layer pada contact layer sehingga terhindar dari overfitting. Kelebihan lainnya adalah algoritma ini mampu memprediksi karakteristik pada waktu didepannya t 1 . Dengan demikian pola dan karakteristik dari trajectory yang diberikan dapat diprediksi oleh pengendali ini.Berdasarkan hasil pengujian pada penelitian ini, didapatkan bahwa kendali DIC-ERNN mampu menunjukkan performa yang baik dalam mengikuti trajectory yang diberikan dengan nilai MSE yang kecil pada pengujian dengan data terbang, profile reference yang berbentuk helix serta profile reference double helix. Bila dibandingkan dengan algoritma Back Propagation Neural Network DIC-BPNN yang juga memiliki nilai MSE kecil, DIC-ERNN menunjukkan performance yang lebih baik khususnya pada saat diberikan uji impulsif fungsi doublet sebagai asumsi adanya gangguan. Pengendali DIC-ERNN menunjukkan kemampuan kembali pada kondisi steady state dengan settling time yang cepat dan tidak terdapat osilasi sedangkan pada pengendali DIC-BPNN terdapat osilasi meskipun settling time-nya juga cukup cepat.

---

ABSTRACT
Technological advances make researchers continue to develop UAV technology. Hexacopter is one type of UAV, has been widely researched for various interests such as mapping, monitoring, aerial photography and others. The Hexacopter has six rotors as the driving force on all six sides of the frame. The advantages of this hexacopter are the ability to lift a large enough load, greater power, and safety when there is a failure on one of its rotor. However, the problem that arises is the difficulty to control the hexacopter autonomously in order to fly stable, especially when there are disturbances and heavy loads. In addition, other difficulties are keeping the hexacopter movement following trajectory because the hexacopter system has nonlinear characteristics, and multi input multi output MIMO . In this study, designed heavy lift hexacopter platform that has a diameter of 2.4 meters, and payload weight that can carry up to 40 kg. Thus, large and heavy platforms make control more difficult.Therefore, the topic of this research is to design a control system that can keep the hexacopter movement autonomously following the trajectory. To achieve the goal, this research uses the Direct Inverse Control Neural Network control algorithm with Elman Recurrent Neural Network DIC ERNN method. This DIC ERNN method has the advantage of being able to remember and store the hidden layer output on the contact layer so that it can avoid overfitting. Another advantage is that this algorithm can predict the characteristics at the time in front of it t 1 . Thus, the pattern and characteristics of the given trajectory can be predicted by this controller.Based on the results of the tests in this study, it was found that the control of DIC ERNN was able to show good performance in following trajectory given with small MSE value in testing with flying data, reference profile in the form of helix and reference double helix profile. When compared to the Back Propagation Neural Network DIC BPNN algorithm which also has a small MSE value, DIC ERNN performs better performance, especially when given the impulsive test doublet function as an assumption of the disturbance. The DIC ERNN controller shows the ability to return to steady state conditions with fast settling time and no oscillation while on the DIC BPNN controller, there is oscillation although settling time is also quite fast.

Abstrak :
ABSTRAK
Penelitian disertasi ini mencakup analisis Sistem Kendali berbasis Neural Network NN untuk rotorcraft dan Unmanned Aerial Vehicle UAV fixed-wing. Quadrotor dan UAV fixed-wing berekor inverted-V mewakili kedua tipe UAV dengan dinamika terbangnya yang nonlinear, serta kopling-silang yang kuat dan karakteristik under-actuated. Oleh karena itu, metode Direct Inverse Control DIC berbasis NN cocok diterapkan sebagai pengendali terbang kedua tipe UAV tersebut, dengan unjuk kerja yang lebih baik dibandingkan dengan Sistem Kendali saat ini yang berbasis metode Proportional-Integral-Differential PID .UAV berkembang pesat untuk berbagai aplikasi, mulai dari penggunaan quadrotor untuk videografi jarak dekat, hingga UAV fixed-wing berekor inverted-V untuk misi taktis dan strategis. Quadrotor banyak digunakan karena kemampuan hovering serta take-off dan landing secara vertikal untuk misi di area yang sempit dan berlangsung singkat sesuai keterbatasan daya baterainya. Untuk mengatasi keterbatasan tersebut, UAV fixed-wing digunakan untuk area yang luas dan berlangsung lama. BPPT merespon kebutuhan ini dengan mengembangkan Pesawat Udara Nir Awak PUNA Alap-Alap dengan konfigurasi fixed-wing dan ekor inverted-V.Penggunaan ekor inverted-V akan meningkatkan kemampuan maneuver UAV. Meski demikian, ekor inverted-V tersebut memunculkan kopling tambahan antara modus gerak pitch dengan modus roll-yaw sehingga kompleksitas pengendaliannya meningkat dibandingkan dengan ekor T konvensional. Oleh karena itu, diperlukan metode kendali komprehensif yang mengakomodasi aspek nonlinearitas dan kopling-silang akibat hal tersebut. Metode berbasis NN cocok diterapkan untuk UAV karena mekanisme pembelajaran yang dimilikinya untuk mereplika dinamika sistem untuk Identifikasi Sistem dan sebaliknya, mampu membangun inversi dinamika sistem untuk DIC-NN .Di dalam analisis ini, kedua UAV dimodelkan dengan identifikasi berbasis NN untuk mengakomodasi karakter nonlinear dan kopling silangnya. Selanjutnya, DIC-NN dibangun untuk memetakan output UAV terhadap input yang bersesuaian. Unjuk kerja DIC- NN ini dibandingkan terhadap PID sebagai representasi metode kendali yang ada saat ini. Sistem Kendali DIC-NN menghasilkan settling time yang lebih singkat dan overshoot yang lebih kecil dibanding PID.

---

ABSTRACT
The research in this dissertation focused to analyze the Neural Network NN based control system for rotorcraft and the fixed-wing Unmanned Aerial Vehicle UAV . The Quadrotor and the fixed-wing UAV with incerted-V tail were chosen to represent both of UAV types characterized by the nonlinear flight dynamics, as well as strong cross-coupling and under-actuated condition. Therefore, the NN based Direct Inverse Control DIC method is suitable for a UAV flight controller, with a better performance compared to the existing Proportional-Integral-Differential PID -based Control System.UAVs are growing rapidly for a variety of applications, ranging from Quadrotor for a close-range videography, to the inverted-V tail fixed-wing UAVs in the tactical and strategic missions. Quadrotor is popular due to the ability of hovering and vertically take-off and landing in the narrow areas for short duration due to the limitation of the battery capability. To overcome these limitations, fixed-wing UAVs are used for large areas and long-duration mission. BPPT responds this requirement by developing the Alap-Alap UAV with the fixed-wing configuration and equipping it with inverted-V tail.The application of inverted-V tail aimed to increase UAV maneuverability. However, the inverted-V tail generates an additional coupling between the pitch-motion mode and the roll-yaw mode so that the control complexity increases than the conventional T-tail. Therefore, a comprehensive control method is required to accommodates the nonlinearity and cross-coupling aspects of it. The NN-based method is suitable for UAVs because of the learning mechanism it has to replicate system dynamics for System Identification and vice versa, capable of building system dynamic inversions for DIC-NN .In this analysis, both UAVs are modeled with NN-based identification to accommodate their nonlinear characters and cross-coupling. Furthermore, DIC-NN is built to map the UAV output with the corresponding input. The DIC-NN performance is compared against PID as a representation of the existing control method. The DIC-NN Control System produces a shorter settling time and a smaller overshoot than the PID.

Abstrak :
Quadcopter merupakan wahana terbang yang memiliki 4 rotor bersifat underactuated. Sifat quadcopter yang merupakan sistem yang kompleks akibat coupling antar variabelnya menjadikan desain pengendali yang cukup rumit. Diperlukan adanya pengendali yang mudah untuk dapat diaplikasikan pada quadcopter. Untuk melakukan percobaan pengaplikasian pengendali pada quadcopter, sistem pengendali tersebut harus dilakukan percobaan pada simulasi untuk mengetahui hasilnya. Oleh karena itu, peneliti mengusulkan pengendalian DIC yang berbasis deep neural networks (DNN) dan long-short term memory (LSTM) diujikan pada simulator sebelum akhirnya pada quadcopter asli. LSTM digunakan memiliki arsitektur pendukung untuk data sekuensial sebagaimana pergerakan trajektori. Sistem kendali dengan LSTM ini dihasilkan galat MSE yang lebih rendah dibanding DNN. Kinerja LSTM lebih baik dibandingkan dengan DNN. Selain itu, terdapat beberapa faktor – faktor terjadi peningkatan galat ketika diintegrasikan pada simulator Gazebo untuk bahan evaluasi terhadap pengendali berbasis yang sama diaplikasikan pada quadcopter aslinya. ......Quadcopter is a flying vehicle that has 4 rotors that are underactuated. The nature of the quadcopter which is a complex system due to the coupling between the variables makes the controller design quite complicated. An easy controller is needed to be applied to the quadcopter. In order to experiment with the application of the controller on the quadcopter, the control system must be experimented with in a simulation to find out the results. Therefore, the researcher proposes that DIC control based on Deep Neural Network and Long-Short Term Memory be tested on a simulator before finally on a real quadcopter. LSTM is used to have a supporting architecture for sequential data as well as trajectory movement. The controller with this LSTM produces a lower MSE error than DNN. LSTM performance is better compared to DNN. In addition, there are several factors that increase the error when integrated into the simulator for evaluation of the same based controller applied to the original quadcopter.