Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKMasalah penurunan produksi minyak bumi di Indonesia telah terjadi sejak tahun 2000. Negara Indonesia telah menjadi importir minyak bumi sejak tahun 2003 dengan nilai impor 100 ribu barel per hari yang terus meningkat dari waktu ke waktu hingga tahun 2014. Hal ini disebabkan oleh kebutuhan untuk energi dan bahan bakar di Indonesia terus meningkat. Masalah ini dapat diatasi dengan menggunakan Dimethyl Ether (DME) sebagai sumber bahan bakar alternatif dengan beberapa manfaat dibandingkan dengan bahan bakar fosil. Penelitian tentang desain pabrik DME terus dilakukan, salah satu studi yang dilakukan berjudul Produksi DME dari Gas Sintetis untuk Aditif Bahan Bakar Mesin Diesel dan Campuran LPG. Namun, hasil desain masih memerlukan kontrol proses untuk mencapai proses produksi yang optimal. Penelitian tentang sistem kontrol proses di pabrik ini telah dilakukan, tetapi masih belum menghasilkan sistem kontrol proses yang optimal. Sistem kontrol Multivariable Model Predictive Control (4x4) dapat diterapkan pada desain pabrik ini. Parameter MMPC (4x4) optimal dalam bentuk T, P, dan M dalam proses pemurnian DME dari campuran metanol secara berurutan adalah 25, 18, dan 41. Parameter ini merupakan hasil kombinasi dari metode Shridhar-Cooper dan fine tuning. Jika dibandingkan dengan MPC, MMPC (4x4) memberikan peningkatan kinerja kontrol dari 15,46% menjadi 94,7% bila dilihat dari IAE dan 10,31% hingga 97,726% bila dilihat dari ISE. Dengan demikian sistem MMPC (4x4) memberikan kinerja kontrol yang lebih baik dibandingkan dengan sistem MPC.

---

ABSTRACTThe problem of decreasing petroleum production in Indonesia has occurred since 2000. The Indonesian state has been an importer of petroleum since 2003 with an import value of 100,000 barrels per day which continues to increase from time to time until 2014. This is due to the need for energy and fuel in Indonesia continues to increase. This problem can be overcome by using Dimethyl Ether (DME) as an alternative fuel source with several benefits compared to fossil fuels. Research on the design of the DME plant continues to be carried out, one of the studies conducted was entitled Production of DME from Synthetic Gas for Diesel Engine Fuel Additives and LPG Blends. However, the design results still require process control to achieve optimal production processes. Research on the process control system at this plant has been carried out, but it has not yet produced an optimal process control system. The Multivariable Model Predictive Control (4x4) control system can be applied to this factory design. The optimal MMPC (4x4) parameters in the form of T, P, and M in the DME refining process from methanol mixtures respectively are 25, 18, and 41. These parameters are the result of a combination of the Shridhar-Cooper method and fine tuning. When compared to MPC, MMPC (4x4) gives an increase in control performance from 15.46% to 94.7% when viewed from IAE and 10.31% to 97.726% when viewed from ISE. Thus the MMPC system (4x4) provides better control performance compared to the MPC system."

"ABSTRAKMMPC (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.

---

ABSTRACTMMPC (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 variablesvariable, 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."

"

Gas alam merupakan sumber energi ketiga yang paling banyak digunakan di Indonesia, setelah minyak bumi dan batubara. Agar lebih mudah ditranportasikan, gas alam diubah menjadi LNG kemudian diubah kembali melalui proses regasifikasi LNG. Diperlukan sistem pengendali agar proses regasifikasi LNG dapat berjalan lancar. Multivariabel model predictive control (MMPC) merupakan pengendali tingkat lanjut yang dapat digunakan pada sistem regasifikasi LNG. Terdapat tiga parameter pada MMPC, yaitu sampling time (Ts), prediction horizon (P), dan control horizon (M).  Pada penelitian ini, dilakukan penyetelan MMPC untuk mendapatkan parameter MMPC dengan menggunakan metode minimalisasi nilai integral of square error (ISE). Kinerja pengendalian MMPC dengan tuning minimalisasi nilai ISE kemudian dibandingkan dengan pengendalian MMPC hasil fine-tuning (trial and error) dan didapatkan bahwa kinerja MMPC dengan tuning minimalisasi nilai ISE lebih baik. Selain itu, proses tuning dengan minimalisasi nilai ISE lebih mudah dilakukan dibanding fine-tuning (trial and error) karena dapat berjalan secara otomatis.

 

---

Natural gas is the third most widely used energy source in Indonesia, after oil and coal. To make it easier to transport, natural gas is converted into LNG and then converted back through the LNG regasification process. A control system is needed so that the LNG regasification process can overcome the disturbances that arise. Multivariable model predictive control (MMPC) is an advanced controller that can be used in LNG regasification systems. There are three parameters in MMPC, namely sampling time (Ts), prediction horizon (P), and control horizon (M). In this study, the MMPC was tuned to obtain the MMPC parameters by using the integral of square error (ISE) minimization method. The performance of the MMPC control by tuning the ISE minimization value was then compared with the MMPC control with the results of fine-tuning (trial and error) and it was found that the performance of the MMPC by tuning the minimization of the ISE value was better. In addition, the tuning process by minimization of the ISE value is easier to do than fine-tuning (trial and error) because it can run automatically.

 

"

"Pelumas dapat didefinisikan sebagai substansi yang ditempatkan di antara dua permukaan yang bergerak relatif untuk mengurangi gesekan di antara keduanya. Pelumas dapat mengurangi gesekan, tingkat keausan, dan konsumsi energi. Oleh karena itu, pelumas secara luas diterapkan di hampir semua bidang industri, terutama pada bidang transportasi, manufakur, hingga pembangkit listrik. Proses oligomerisasi dalam pembuatan ester minyak dasar dilakukan dengan menggabungkan senyawa asam karboksilat dengan poliol. Melalui reaksi oligomerisasi ini, jumlah cabang samping akan meningkat seiring pertumbuhan panjang rantai utama, yang pada gilirannya dapat meningkatkan viskositas ester minyak dasar. Penelitian ini bertujuan untuk mendapatkan rancangan serta mendesain pengendalian proses pada proses oligomerisasi pabrik ester base oil dengan multivariable model predictive control MMPC 100 (2×2) dan MMPC 101 (2×2) dengan identifikasi proses model first order plus dead time (FOPDT) dengan metode Smith, Wade, dan Solver. Selanjutnya, ditentukan model FOPDT terbaik dengan membandingkan nilai root-mean- square error (RMSE) terkecil dari setiap metode. Metode tuning yang digunakan untuk MMPC adalah metode Shridhar-Cooper dilanjutkan dengan fine tuning untuk mendapatkan nilai parameter P (prediction horizon), M (control horizon), dan T (sampling time) terbaik. Parameter MMPC tersebut akan diuji berdasarkan respon kinerja pengendali terhadap perubahan set point (SP) dan pengujian disturbance rejection dengan perhitungan integral absolute error (IAE) dan integral square error (ISE). Hasil identifikasi sistem didapatkan model FOPDT terbaik seluruhnya menggunakan metode Solver. Metode fine tuning pada penyetelan MMPC menghasilkan parameter T, P, M untuk MMPC 100 (2×2) sebesar 9, 120, dan 20 dan untuk MMPC 101 (2×2) sebesar 1, 230, dan 150. Pada pengujian Set Point (SP) tracking, MMPC merupakan pengendali terbaik untuk seluruh pengendalian dibandingkan pengendali PI. Pada pengujian disturbance rejection terhadap perubahan suhu inlet, pengujian dilakukan dengan membandingkan tiga kondisi, yaitu dengan adanya pengendalian pre treatment (Full Control), tanpa adanya pengendalian pre treatment (Local Control) dan PI. Didapatkan kinerja MMPC Full Control lebih baik dibandingkan kinerja MMPC Local Control dengan pemulihan kinerja pengendali sebesar 7,36%, 0,007%, 0,086%, dan 0,03% untuk nilai IAE dan 0,61%, 0,00%, 0,00%, dan 0,00% untuk nilai ISE.

---

A lubricant can be defined as a substance placed between two relatively moving surfaces to reduce the friction between them. Lubricants can reduce friction, wear rate, and energy consumption. Therefore, lubricants are widely applied in almost all industrial fields, especially in transportation, manufacturing, and power generation. The oligomerization process in the preparation of base oil esters is carried out by combining carboxylic acid compounds with polyols. Through this oligomerization reaction, the number of side branches will increase as the main chain length grows, which in turn can increase the viscosity of the base oil ester. This study aims to obtain the design and design of process control in the oligomerization process of base oil ester plant with multivariable model predictive control MMPC 100 (2×2) and MMPC 101 (2×2) with first order plus dead time (FOPDT) model process identification by Smith, Wade, and Solver methods. Next, the best FOPDT model is determined by comparing the smallest root-mean-square error (RMSE) value from each method. The tuning method used for MMPC is the Shridhar-Cooper method followed by fine tuning to get the best parameter values of P (prediction horizon), M (control horizon), and T (sampling time). MMPC parameters will be tested based on the controller performance response to set point (SP) changes and disturbance rejection testing with integral absolute error (IAE) and integral square error (ISE) calculations. The results of system identification obtained the best FOPDT model entirely using the Solver method. The fine-tuning method on MMPC tuning produces parameters T, P, M for MMPC 100 (2×2) of 9, 120, and 20 and for MMPC 101 (2×2) of 1, 230, and 150. In the Set Point (SP) tracking test, MMPC is the best controller for all controls compared to PI controllers. In testing disturbance rejection to changes in inlet temperature, testing is done by comparing two conditions, namely with the presence of pre-treatment control (Full Control) and without pre-treatment control (Local Control). MMPC Full Control performance is better than MMPC Local Control performance with controller performance recovery of 7.36%, 0.007%, 0.086%, and 0.03% for IAE values and 0.61%, 0.00%, 0.00%, and 0.00% for ISE values."