Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Saat ini Indonesia masih mengalami defisit BBM sehingga diperlukan pembangunan kilang minyak baru dan optimasi proses pada kilang yang sudah ada. Terdapat unit operasi sekunder berupa VDU vacuum distillation unit untuk mengolah produk residu atmosferik dari CDU crude distillation unit . Dalam rangka menjaga kestabilan operasi diperlukan sistem pengendalian yang tepat dan optimum. Oleh karena itu, dalam penelitian ini akan dilihat apakah pengendali Multi Variabel Model Predictive Control MMPC lebih baik dibandingkan dengan pengendali konvensional prorportional-integral, PI dan pengendali lanjut model predictive control, MPC untuk mengendalikan kombinasi laju alir umpan dan suhu bottom stage kolom distillasi. Pengujian kinerja dilakukan dengan melakukan perubahan set-point 50 pada laju alir umpan dan penurunan suhu sampai dengan 354 oC yang merupakan batas bawah pada simulasi ini. Perbandingan dengan studi sebelumnya diukur menggunakan nilai ISE integral square error -nya. Pada penelitian ini didapatkan ISE untuk laju alir umpan dan suhu bottom stage sebesar 351,78 dan 4,25 secara berurutan. Hasil tersebut mengindikasikan adanya peningkatan ISE pengendalian laju alir sebesar 21,13 . dan peningkatan ISE pengendalian suhu Bottom Stage adalah 26,59 .

---

ABSTRACT
Currently, Indonesia is still experiencing a fuel deficit, so it is necessary to build a new refinery and process optimization at an existing refinery. There is a secondary operating unit of VDU vacuum distillation unit to process the atmospheric residue product from CDU crude distillation unit . In order to maintain the stability of the operation required a proper control system and optimum. Therefore, in this research will be seen whether Multi Variable Model Predictive Control MMPC controller is better than conventional prorportional integral, PI and Model Predictive Control MPC controller to control the combination of feed flow rate, bottom stage temperature of the distillation coloumn. The performance test was performed by changing the set point to 50 of its original for the feed flow rate and bottom stage temperature is set to 354 oC which is the minimum allowed temperature in this simulation. Comparison with previous study is measured using ISE integral square error . In this study, ISEs obtained for feed flow rate and bottom stage temperature are 351.78 and 4.25 respectively. These results indicate an increase in ISE flow rate control by 21.13 . and the increase in ISE Bottom Stage temperature control is 26.59

Abstrak :
Penelitian ini bertujuan untuk merancang sebuah sistem control dari sebuah robot inverted pendulum menggunakan Model Predictive Control. Dalam penelitian akan digunakan sensor sudut dan posisi sebagai data masukkan untuk komputasi nilai keluaran yang optimal yang perlu diberikan kepada servo dan motor. Komputasi akan dilakukan di komputer yang dihubungkan dengan robot menggunakan protokol komunikasi UART. Program pada komputer juga akan menampilkan kondisi robot. Model Dinamika yang digunakan akan disimulasikan terlebih dahulu sebelum digunakan. Robot dapat mengirimkan data dari sensor dan menjalankan keluaran optimal yang sudah dikomputasi. ......This research is aimed to design a control system from inverted pendulum robot using Model Predictive Control. This research will be using angular and position sensor as input for computing the optimal output for the motor and servo. The computation will be done by a computer that is connected with the robot using UART Communication Protocol. The program that is runned by the computer will also display the robot condition. Dynamics model that will be used will be simulated first before real application. The inverted pendulum robot is able to send data from sensor to the computer and run the optimal output that has been computed.

Abstrak :
In electric power systems that consist of some generators, electric power stability in supplies side becomes the most important problems, which must be paid attention. In the interconnection system, if there are some troubles in transmission, generator or load will cause another generators feel the existence of instability condition. For instability condition which not too serious, system can overcome the fault and will not influence stability of system as a whole. However, for in big scale of fault and happened in a long duration can be ejected system becoming unstable and will result hampered of electrics energy supply to the load For the worst condition could be blackout condition. This article studies about improvement of the stability of the system by using excitation current and the prime mover of generators, which is coordinated fuzzy logic control in synchronize generator. By using annexation from three methods above, the condition of stability of the power system can attain the stability. The transient stability needed control in order that system with good stability can return to normal condition. Faulted electric power system often caused by failure in controlling the transient stability. It is because in transient stability forms critical condition for electrical power system. By controlling the level of excitation current and mechanical energy from the prime mover of generators which controlled by fuzzy logic when the fault is happened will make acceleration area become decreasing and deceleration area become increasing with the result that system can be stable quickly. It visible that from result of simulation obtained if using generator oscillation of fuzzy logic control, transient period becoming shorter and amplitude of oscillation wave is smaller compare by using without fuzzy logic. Likewise, this method is able loo to overcome transient condition at starting period of a generator.

Abstrak :
Hidrogen merupakan salah satu gas yang memiliki banyak kegunaan. Salah satunya pada industri kimia. Pada pabrik biohidrogen, unit kompresor merupakan salah satu unit yang penting dalam pabrik biohidrogen dari biomassa. Kompresor berfungsi untuk mencapai tekanan tinggi pada kondisi operasi selanjutnya. Multivariable model predictive control (MMPC) digunakan untuk mengendalikan proses pada pabrik. Untuk mendapatkan pengendalian yang optimal, perlu dilakukan penyetelan. Penyetelan akan dilakukan pada Matlab-Simulink yang diintegrasikan dengan Aspen Plus Dynamics. Sistem pengendalian akan dibuat pada Simulink dan simulasi proses akan dilakukan pada Aspen Plus Dynamic. Penyetelan ini dilakukan dungeon metode Genetic Algorithm dungeon metode pencarian seleksi turnamen. Setelah itu, hasil penyetelan akan dijalankan juga dengan unisim design agar kinerja pengendalian dapat dibandingkan dengan penelitian sebelumnya. Model first order plus dead time (FOPDT) digunakan sebagai model prediksi MMPC. Pada penelitian ini, model FOPDT yang digunakan di MMPC pada Matlab harus dihasilkan dengan cara satuan tekanan keluaran kompresor terlebih dahulu diubah menjadi satuan persentase karena MMPC pada Matlab akan menginterpretasikan variabel-variabel perhitungan dalam satuan persen. Parameter time sampling (T), prediction horizon (P), dan control horizon (M) terbaik yang diperoleh dari metode penyetelan seleksi turnamen pada simulasi dengan unisim untuk perubahan set-point (SP) yaitu 1 detik, 18, dan 3. Untuk uji gangguan parameter T, P, dan M yang diperoleh dengan penyetelan fine tuning terbaik yaitu 1 detik, 341, dan 121. Pada simulasi Matlab-Simulink-Aspen Plus Dynamics, parameter T, P, dan M yang terbaik yaitu 0,05 detik, 18, dan 2 untuk perubahan SP dan 0,05 detik, 7, dan 1 untuk perubahan gangguan. ......Hydrogen is one of the gases that has many uses, including in the chemical industry. In a biohydrogen plant, the compressor unit is one of the important units in the biomass-based biohydrogen plant. The compressor unit works to achieve high pressure for further operational conditions. Multivariable Model Predictive Control (MMPC) is used to control the processes in the plant. To obtain optimal control performance, tuning process is necessary. The tuning process will be conducted in Matlab-Simulink integrated with Aspen Plus Dynamics. The control system will be designed in Simulink, and the process simulation will be executed in Aspen Plus Dynamics. The tuning was done using the Genetic Algorithm with tournament selection search method. Subsequently, the tuning results will also be implemented in Unisim Design to compare the control performance with previous research. The First Order Plus Dead Time (FOPDT) model is applied as the prediction model for MMPC. In this study, the FOPDT model used in MMPC in Matlab must be generated by converting the compressor output pressure unit into a percentage unit due to the MMPC in Matlab will interpret the calculation variables in percent units. For the set-point change, the best time sampling (T), prediction horizon (P), and control horizon (M) parameters that were obtained from the tournament selection tuning method in the simulation with Unisim design are 1 second, 18, and 3. For disturbance testinwere obtainedest parameters are 1 second, 341, and 121 that obtained by fine-tuning method. In the Matlab-Simulink-Aspen Plus Dynamics simulation, the best parameters T, P, and M for set-point changes are 0.05 seconds, 18, and 2, and for disturbance changes are 0.05 seconds, 7, and 1.

Abstrak :
Kemampuan produksi minyak di Indonesia semakin menurun sejak tahun 1997 hingga sekarang sedangkan kebutuhan produk minyak/ BBM menunjukkan kecenderungan yang semakin meningkat. Maka produk dimetil eter (DME) dapat digunakan sebagai sumber energi alternatif yang lebih ramah lingkungan dan berkelanjutan. Pada pabrik purifikasi DME ini, umpan dengan komposisi DME, metanol dan air akan dipisahkan sehingga diperoleh DME murni dengan konsentrasi 99%. Dalam proses produksinya, unit-unit proses mengalami banyak gangguan yang berdampak pada menurunnya efisiensi dan kestabilan operasi dan juga berpengaruh pada aspek keselamatan. Pada penelitian ini, pengendali Model Predictive Control (MPC) memiliki kinerja yang lebih baik dibanding pengendali PI dalam mengatasi gangguan dengan penurunan integral of absolute error (IAE) sebesar 40,08% hingga 96,26% dari pengendali PI. Parameter penyetelan (tuning) pada pengendali MPC yang berupa sampling time (T), prediction horizon (P), dan control horizon (M) dicari menggunakan metode non-adaptive dan fine tuning. Analisis kelaikan ekonomi pemasangan MPC menunjukkan bahwa payback period adalah sebesar 14,5 tahun dan 13,4 tahun serta net present value (NPV) sebesar -11juta rupiah dan -9,3 juta rupiah pada skenario gangguan umpan 5% dan 8% secara berturut-turut, sehingga penggantian pengendali dari PI menjadi MPC pada pabrik purifikasi DME secara ekonomi tidak menguntungkan.

---

Oil and gas production in Indonesia always decreasing since 1997 until now, and yet the need of oil and fuel product show increasing trajectory. Dimethyl ether (DME) can be used as altenative energy source, it is environmentally safe and sustainable. In this DME purification plant, feed stream containing DME, methanol, and water mixture is separated to obtain DME with 99% purity. In its production process, process unit in DME plant must get disturbances that will affect to the decreasing of process efficiency, operation stability and even safety aspect. In this research, Model Predictive Control (MPC) has better performance than PI controller in order to overcome disturbances with error (IAE) reduction ranging from 40,08% up to 96,26% than PI controller. Tuning parameters in MPC controller, which are sampling time (T), prediction horizon (P) and control horizon (M), are estimated by both non-adaptive and fine tuning method. Economic feasibility analysis on MPC controller implementation shows that the payback period is 14,5 years and 14,3 years, then NPV -11 million rupiah and -9,3 million rupiah in disturbance scheme of 5% and 8% respectively . Hence, it is not economically feasible to change PI controller into MPC controller on dimethyl ether purification plant.

Abstrak :
ABSTRAK
MMPC (Multivariable Model Predictive Control) digunakan untuk mengontrol suhu dan tekanan di kilang regasifikasi LNG untuk mengatasi masalah yang saling mempengaruhi variabel dan mengurangi jumlah pengontrol. Ada empat variabel yang dikontrol (variabel terkontrol, CV) dan empat variabel yang dimanipulasi variabel, MV). CV yang dikontrol adalah tekanan di tangki penyimpanan LNG yaitu tekanan keluaran vaporizer, suhu keluaran vaporizer, dan suhu gas ke pipa. MV dimanipulasi, yang masing-masing berpasangan dengan CV tersebut, adalah laju aliran produk tank top, laju aliran gas pipa, laju aliran air laut, dan pemanas tugas. Identifikasi Model empiris FOPDT (First Order Plus Dead-Time) akan dilakukan terhadap keempatnya pasang CV dan MV untuk menggambarkan interaksi antar variabel. FOPDT diperoleh digunakan sebagai pengontrol di MMPC dan menentukan pengaturan kinerja kontrol Parameter MMPC yaitu P (prediction horizon), M (control horizon), T (waktu sampling). Kinerja kontrol diukur dengan menggunakan metode ISE (Integral Square Error). Hasilnya, parameter MMPC (P, M, T) untuk kondisi regasifikasi LNG adalah optimum masing-masing adalah 330, 1, 1. Ukuran ISE dari pengontrol MMPC dalam setpoint pelacakan: 2.12 × 10-4; 23.834; 0,763; 0,085, dengan perkembangan kinerja pengontrol masing-masing 31.262%, 17%, 175%, 757% dibandingkan kinerja MPC.

---

ABSTRACT
MMPC (Multivariable Model Predictive Control) is used to control temperature and pressure in the LNG regasification plant to overcome the problem of interplaying variables and reducing the number of controllers. There are four controlled variables (controlled variable, CV) and four manipulated variables variable, MV). CV that is controlled is the pressure in the LNG storage tank, namely the vaporizer output pressure, the vaporizer output temperature, and the gas temperature to the pipe. MV manipulated, each of which is paired with the CV, is the tank top product flow rate, the pipeline gas flow rate, the seawater flow rate, and the heating duty. Identification of the FOPDT (First Order Plus Dead-Time) empirical model will be carried out on the four CV and MV pairs to describe the interactions between variables. The obtained FOPDT is used as a controller in the MMPC and determines the control performance settings for the MMPC parameters, namely P (prediction horizon), M (control horizon), T (sampling time). Control performance is measured using the ISE (Integral Square Error) method. As a result, the MMPC parameters (P, M, T) for the optimum LNG regasification conditions were 330, 1, 1. ISE size of the MMPC controller in the tracking setpoint: 2.12 × 10-4; 23,834; 0.763; 0.085, with the development of the controller performance respectively 31,262%, 17%, 175%, 757% compared to the performance of MPC.

Abstrak :
Penerapan dan penelitian mengenai multi agent system (MAS) saat ini sedang cepat berkembang. Penggunaan pengendali Model Predictive Control (MPC) cukup populer digunakan untuk menyelesaikan permasalahan konsensus pada korvengensi dan stabilitas MAS. Namun pada MPC konvensional masih terdapat masalah, masalah optimasi yang harus diselesaikan secara periodik menyebabkan pemborosan sumber daya komputasi dan komunikasi antar agen. Oleh karena itu, mekanisme tambahan diperlukan agar masalah optimasi dapat diselesaikan secara aperiodik. Pada peneltian ini, mekanisme self triggered ditambahkan pada pengendali MPC, dan dirancang untuk menyelesaikan permasalahan formation pada MAS dengan model nonholonomic mobile robot. Penggunaan mekanisme ini memungkinkan komputasi MPC tidak perlu dilakukan secara terus menerus, tapi digunakan bila dibutuhkan. Pengendali yang dirancang dibentuk dengan mengkombinasikan antara teori graph sebagai topologi komunikasi antar agent, dengan algoritma MPC, dan ditambah dengan mekanisme self triggered untuk menentukan kondisi kapan MPC melakukan optimasi. Pengendali Prediktif atau MPC akan memprediksi sinyal kendali agent sepanjang horizon prediction. Beberapa simulasi dilakukan untuk menguji rancangan desain pengendali self-triggered MPC, kemudian diuji untuk menyelesaikan permsalahan formation, lama waktu komputasi dihitung dan dibandingkan dengan MPC konvensional. Hasil uji simulasi menunjukan bahwa mekanisme self triggered mampu mengurangi beban komunikasi dan beban komputasi pada pengendali MPC.

---

Application and study of multi-agent systems are growing fast. Model Predictive Control (MPC) has been popularly used to solve consensus problem in corvengence and stability of multi agent system (MAS). But conventional MPC is still having probrems, optimization problems is solved periodically, which may lead to a waste of computation and communication resources between agents. Therefore, additional mechanism is needed so optimization problems can be solved aperiodically. In this study, a self triggered mechanism was added to the MPC controller, which was designed to solve the formation problem for MAS on nonholonomic mobile robot. A self triggered condition allows MPC computing not to be done periodically, but is used if needed. The designed controller is build by combining graph theory as a communication topology beetwen agents, with the MPC algorithm, and added with a self triggered mechanism to determine the conditions when does the MPC solved optimization. Predictive controllers or MPC is used to predict control signals along the horizon prediction. Several simulation are conducted to test the self triggered MPC controller design, were then tested to solve the formation problem. The computation time is calculated and compared with conventional MPC. The simulation test results show that the self triggered mechanism is able to reduce the communication load and computational load on MPC controllers.

Abstrak :
Formaldehida merupakan bahan kimia yang memiliki banyak kegunaan seperti bahan baku dalam pembuatan resin, disinfektan, serta pengawet. Pada proses produksi di pabrik, salah satu aspek yang memiliki peran penting adalah aspek pengendalian. Saat ini PT. X masih menggunakan pengendali Proportional-Integral (PI) yang masih memiliki sejumlah kekurangan. Dalam rangka mengatasi kekurangan yang dimiliki oleh pengendali PI, pengaplikasian pengendali MMPC dengan model gangguan dinilai mampu menghasilkan performa pengendalian yang lebih baik. Model empiris pada penelitian ini didapatkan dari penelitian sebelumnya yang telah dilakukan oleh Wahid dan Fauzi (2021), sedangkan model gangguan dibuat dengan bantuan process reaction curve dan perhitungan parameter First Order Plus Dead Time (FOPDT). Dalam memperoleh kinerja pengendalian yang optimal dilakukan proses tuning menggunakan metode Shridhar dan Cooper dan dioptimalkan dengan metode fine tuning. Kinerja pengendali MMPC dengan model gangguan diuji dengan perubahan Set Point (SP) dan ketahanan atas gangguan (disturbance rejection) dan diukur melalui perhitungan Integral Absolute Error (IAE) dan Integral Square Error (ISE). Pada uji perubahan Set Point (SP), pengendali MMPC berbasis model gangguan menghasilkan peningkatan kinerja dimana IAE mengalami penurunan yang berkisar dari 14,04-95,88% dan ISE mengalami penurunan yang berkisar dari 11,27-99,81%. ...... Formaldehyde is a compound that has many functions such as raw material of resin, disinfectant, and preservative. In the process production at the factory, one aspect that has significant role is controlling aspect. Currently PT X still uses Proportional-Integral controller which still has a few disadvantages. In order to overcome several disadvantages of PI controller, application of MMPC controller with disturbance model is considered to be able to achieve better control performance. Empirical model in this study was obtained from previous research conducted by Wahid and Fauzi (2021), while the disturbance model was made with the help of process reaction curve and First Order Plus Dead Time (FOPDT) parameters. In order to obtain optimal control performance, the tuning process is carried out using Shridhar and Cooper method and optimized by fine tuning method. The performance of the MMPC controller based on disturbance model was tested by changing the Set Point (SP) and the resistance to disturbance (disturbance rejection) and measured by calculating the Integral Absolute Error (IAE) and Integral Square Error (ISE). In the Set Point (SP) change test, the MMPC controller with the disturbance model result in increased performance, where IAE decreased about 14.04-95.88% and ISE decreased about 11.27-99.81%.

Abstrak :
Hidrogen merupakan salah satu gas yang memiliki banyak kegunaan. Salah satunya pada industri kimia. Pabrik yang memiliki banyak gangguan akan berdampak pada efektivitas dan kestabilan operasi pabrik. Selain itu, pabrik yang memiliki banyak gangguan unit juga akan berpengaruh pada lingkungan sekitar. Unit kompresor dan steam reformer merupakan unit – unit yang penting dalam pabrik biohidrogen dari biomassa. Kompresor berfungsi untuk mencapai tekanan tinggi pada kondisi operasi selanjutnya dan steam reformer merupakan proses utama dari pabrik ini yang berfungsi untuk menghasilkan gas hidrogen.  Multivariable model predictive control (MMPC) merupakan suatu pengendali tingkat lanjut. Identifikasi model empirik berdasarkan berdasarkan first order plus dead time (FOPDT) untuk pengaruh gangguan ini dilakukan melalui metode process reaction curve (PRC). Dalam melakukan pengujian, model empirik yang digunakan pada MMPC yaitu model FOPDT yang diperoleh dengan metode 2 (Smith), serta penggabungan dengan model FOPDT MPC yang telah diperoleh pada penelitian sebelumnya yang telah dilakukan oleh oleh Wahid dan Taqwallah (2018). Untuk memperoleh kinerja pengendalian proses yang optimal dilakukan proses tuning atau penyetelan dengan menggunakan metode Shridhar dan Cooper, serta fine tuning untuk dibandingkan dengan kinerja pengendalian model predictive control (MPC) oleh Wahid dan Taqwallah (2018). MMPC fine tuning dengan model FOPDT yang diperoleh dengan metode 2 (Smith) tanpa penggabungan dengan model MPC memberikan hasil yang terbaik karena dapat menstabilkan aliran lebih cepat sesuai dengan setpoint. Parameter nilai T, P, dan M pada MMPC yang diperoleh yaitu 1, 341, dan 121 pada unit kompresor, serta 1, 45, dan 21 pada unit steam reformer. Peningkatan kinerja MMPC ini yaitu pada unit kompresor 1 yaitu 85,84%; unit kompresor 2 61,39%; unit kompresor 3 yaitu 94,57%; dan unit kompresor 4 yaitu 73,35%, serta pada unit steam reformer peningkatan kinerja MMPC fine tuning yaitu 63,34% pada heater dan 80,16% pada combustor. ...... Hydrogen is one of many gases that has many uses, one of which is in the chemical industry. A factory that has many units creates a lot of disturbances that affect on the effectiveness and stability of the plant's operation, and it will also affect the surrounding environment. Compressor unit and steam reformer are two of the important units in biohydrogen plant from biomass. The compressor works to achieve high pressure in the next operation and Steam Reformer is the main process of this plant which functions to produce H₂ gas. Multivariable Model Predictive Control (MMPC) is an advanced controller.  The identification of the empirical model based on first order plus dead time (FOPDT) for the effect of this disturbance was carried out using the process reaction curve (PRC) method. The empirical model that used for the MMPC controller is the FOPDT model obtained by method 2 (Smith), as well as combining it with the MPC FOPDT model which has been acquired in previous research conducted by Wahid and Taqwallah (2018). To obtain optimal process control, a tuning process is carried out using the Shridhar and Cooper method, along with fine tuning to compare with the control performance of the model predictive control (MPC) by Wahid and Taqwallah (2018). Fine tuning MMPC controller with FOPDT model obtained by method 2 (Smith) without combining it with MPC model gives the best results because it stabilizes the flow faster based on setpoint. Parameter values of T, P, and M on the MMPC controller are 1, 341, and 121 on the compressor unit and 1, 45, and 21 on the steam reformer unit. Improvement of this MMPC on compressor unit 1 is 85.84%, compressor unit 2 61.39%, compressor unit 3 is 94.57%, and compressor unit 4 is 73.35%. In steam reformer unit, improvement of fine-tuned MMPC is 63.34% on heater and 80.16% on combustor.