• Disain dan implementasi sebuah eksperimen yang baik
• Melakukan kalkulasi secara grafik
• Melakukan kalkulasi secara statistik
• Mengkombinasikan pemodelan dasar dan empirik
untuk sistem proses kimia
Tujuan Pembelajaran
Saat kuselesaikan bab ini, kuingin dapat melakukan hal-hal berikut.
Kerangka Kuliah
• Disain eksperimen untuk bangunan model • Process reaction curve (graphical)
• Estimasi parameter statistik
• Estimasi parameter dengan nonlinear least square • Workshop
Pemodelan Proses
Model Empirik vs Mekanistik
Model Empirik
Diturunkan dari uji kinerja pada
proses nyata
Tidak didasarkan pada
mekanisme yang melandasinya
Mencocokkan fungsi tertentu
untuk mencocokkan proses
Hanya gambaran lokal dari
proses saja (bukan ekstrapolasi)
Model Empirik vs Mekanistik
Model Mekanistik
Berlandaskan pada pemahaman kita tentang
sebuah proses
Diturunkan dari prinsip pertama
Mengobservasi hukum kekekalan massa, energi
dan momentum
Berguna untuk simulasi dan eksplorasi kondisi
operasi yang baru
Mungkin mengandung konstanta yang tidak
diketahui yang harus diestimasi
PERTANYAAN BENAR/SALAH
Kita memiliki semua
data
yang diperlukan untuk mengembangkan
sebuah model dasar dari sebuah proses kompleks
Kita memiliki
waktu
untuk mengembangkan sebuah model dasar
dari sebuah proses kompleks
Eksperimen adalah
mudah
untuk dilakukan di sebuah proses
kimia
Kita perlu model yang
sangat
akurat untuk teknik pengendalian
Kita telah menginvestasikan sejumlah usaha untuk Mempelajari pemodelan dasar. Kenapa kini kita
Mempelajari pendekatan empirik?
7
Disain Eksperimen
Percobaan Pabrik
Menentukan Struktur Model
Estimasi Parameter Evaluasi Diagnosis Verifikasi Model Mulai Lengkap Data Alternatif Pengetahuan awal Bukan hanya Pengendalian proses
Disain Eksperimen
Percobaan Pabrik
Menentukan Struktur Model
Estimasi Parameter
Evaluasi Diagnosis
Verifikasi Model Mulai
Lengkap
Nampak sangat umum; itu! Bagaimanapun, kita masih perlu memahami prosesnya!
• Mengubah suhu 10K pada reaktor pirolisis etana diperbolehkan. • Mengubah suhu pada sebuah ?? Reaktor akan membunuh
mikroorganisma T
A
Disain Eksperimen
Percobaan Pabrik
Menentukan Struktur Model
Estimasi Parameter Evaluasi Diagnosis Verifikasi Model Mulai Lengka p
• Kondisi operasi kasus dasar
• Definisi perturbasi
• Variabel yang diukur
• Durasi
• Dengan aman
• Berdampak kecil terhadap kualitas produk
• Efek terhadap keuntungan kecil
• Kita akan menggunakan linear.
• Berapa orde, dead time, dsb?
• Gain, konstanta waktu, dead time ...
• Apakah model cocok dengan data
yang digunakan untuk mengevaluasi parameter?
• Apakah model cocok dengan
sejumlah data baru yang tidak digunakan dalam estimasi parameter.
Prosedur Pembuatan Pemodelan Empirik
Disain Eksperimen
Percobaan Pabrik
Menentukan Struktur Model
Estimasi Parameter Evaluasi Diagnosis Verifikasi Model Mulai Lengka p
• Apa sasaran kita?
Kita mendapatkan model yang cukup baik untuk disain kontrol, penyetelan kontroler, disain proses.
• Bagaimana kita tahu?
Kita harus mempercayai buku dan dosen
dari sekarang. Tapi, kita akan sering
mencek di waktu yang akan datang!
Prosedur Pembuatan Pemodelan Empirik
Disain Eksperimen
Percobaan Pabrik
Menentukan Struktur Model
Estimasi Parameter
Evaluasi Diagnosis
Verifikasi Model Mulai
Process reaction curve (PRC) - Metode yang paling sederhana dan paling sering digunakan. Juga memberikan interpretasi visual yang menarik.
1. Mulai dari steady state 2. Step tunggal ke input 3. Kumpulkan data hingga
steady state
4. Lakukan kalkulasi
T
Process Reaction Curve (PRC)
1
s
e
K
s
X
s
Y
p s
Kenapa Mulai dari Steady-state?
Metode PRC dapat menentukan model antara
SATU input dan sebuah output
. Jika proses
tidak berawal pada steady-state, output sedang
dipengaruhi oleh beberapa variabel lain (bukan
SATU), sebagai tambahan pada input yang
dimanipulasi, selama respon transien. Kombinasi
input ini akan mengganggu kebutuhan metode
grafik yang memiliki SATU input step, dan
perhitungan berikutnya akan mengarah ke model
yang salah
-5 5 15 25 35 45 in p u t v a ria b le in d e v ia tio n ( % o p e n ) -5 -1 3 7 11 15 o u tp u t v a ria b le in d e v ia tio n ( K) 0 10 20 30 40 time (min) Metode 1 S = maximum slope
gambar
pada
n
ditunjukka
/
/
S
K
pData diplotkan dalam variabel deviasi
-5 5 15 25 35 45 in p u t v a ria b le in d e v ia tio n ( % o p e n ) -5 -1 3 7 11 15 o u tp u t v a ria b le in d e v ia tio n ( K) 0 10 20 30 40 time (min) Metode 2
% % %)
(
.
/
63 28 635
1
t
t
t
K
p 0.63 0.28 t63% t28%Data diplotkan dalam variabel deviasi
45 55 in p u t va ri a b le , % o p e n 39 43 47 51 55 o u tp u t va ri a b le , d e g re e s C 0 10 20 30 40 time
Mari kita ambil kalkulator dan praktek dengan data
Direkommendasikan
Process reaction curve - Metode 1 dan 2 Percobaan dan metode yang juga sama!
Metode 1
• Dikembangkan pertama kali • Adanya kesalahan
disebabkan oleh evaluasi pada slope maksimum
Metode 2
• Dikembangan tahun 1960-an • Kalkulasinya sederhana
Contoh: Problem 6.2
Dihasilkan data input dan output dari reaktor kimia:
Tentukan modelnya menggunakan PRC metode 1
Contoh PRC: Problem 6.2
-1 0 1 2 3 4 5 6 7 0 10 20 30 40 50 60 70 80 90 100 110 24 t63% 6.50 = 19.50 = 13 t28% = 26 t63% = 0.79 Kp = 6.35/8 = Metode 2 0.27 S = 7/26 = 23.5 = 6.00 = 0.79 Kp = 6.35/8 = Metode 1 t28%20 -5 5 15 25 35 45 in p u t v a ria b le in d e v ia tio n ( % o p e n ) -5 -1 3 7 11 15 o u tp u t v a ria b le in d e v ia tio n ( K) 0 10 20 30 40 time (min)
Apa ini percobaan yang dirancang dengan baik?
Process Reaction Curve (PRC)
Disain Eksperimen
Percobaan Pabrik
Menentukan Struktur Model
Estimasi Parameter
Evaluasi Diagnosis
Verifikasi Model Mulai
21 -5 5 15 25 35 45 in p u t v a ri a b le i n d e v ia ti o n ( % o p e n ) -5 -1 3 7 11 15 o u tp u t v a ri a b le i n d e v ia ti o n ( K ) 0 10 20 30 40 time (min)
Input seharusnya mendekati step sempurna; ini adalah dasar dari persamaan. Jika tidak, tidak dapat menggunakan data untuk process
reaction curve.
Process Reaction Curve (PRC)
Disain Eksperimen
Percobaan Pabrik
Menentukan Struktur Model
Estimasi Parameter
Evaluasi Diagnosis
Verifikasi Model Mulai
22 -5 5 15 25 35 45 in p u t v a ri a b le , % o p e n -5 -1 3 7 11 15 o u tp u t v a ri a b le , d e g re e s C 0 10 20 30 40 time
Apa kita bisa
menggunakan data ini?
Process Reaction Curve (PRC)
Disain Eksperimen
Percobaan Pabrik
Menentukan Struktur Model
Estimasi Parameter
Evaluasi Diagnosis
Verifikasi Model Mulai
23 -5 5 15 25 35 45 in p u t v a ri a b le , % o p e n -5 -1 3 7 11 15 o u tp u t v a ri a b le , d e g re e s C 0 10 20 30 40 time
Output harus cukup “berubah”. Input terlalu kecil. Rule of thumb:
Signal/noise > 5
Process Reaction Curve (PRC)
Disain Eksperimen
Percobaan Pabrik
Menentukan Struktur Model
Estimasi Parameter
Evaluasi Diagnosis
Verifikasi Model Mulai
24 -5 5 15 25 35 45 in p u t v a ri a b le , % o p e n -10 -6 -2 2 6 10 o u tp u t v a ri a b le , d e g re e s C 0 20 40 60 80 time
Apa kita bisa
menggunakan data ini?
Process Reaction Curve (PRC)
Disain Eksperimen
Percobaan Pabrik
Menentukan Struktur Model
Estimasi Parameter
Evaluasi Diagnosis
Verifikasi Model Mulai
25
Ini disain eksperimen yang baik; itu mencek gangguan
-5 5 15 25 35 45 in p u t v a ri a b le , % o p e n -10 -6 -2 2 6 10 o u tp u t v a ri a b le , d e g re e s C 0 20 40 60 80 time
Process Reaction Curve (PRC)
Disain Eksperimen
Percobaan Pabrik
Menentukan Struktur Model
Estimasi Parameter
Evaluasi Diagnosis
Verifikasi Model Mulai
Lengka
Output tidak kembali
mendekati harga awal, meski input dikembalikan ke harga awal
Rasio Signal/Noise
Berapa rasio sinyal/noise pada gambar di bawah ini?
Apakah datanya dapat diterima untuk mengestimasi
parameter menggunakan PRC?
Rasio Signal/Noise (2)
Dari grafik tersebut terlihat berdekatan, besar dari variasi noise sangat
tipis 0.2 sampai 0.4°C. Suhu awal dan akhir masing-masing 36.5 °C
dan 39 °C; oleh karena itu total perubahan sinyal sekitar 2.5
°C. Apabila kita asumsikan harga noise rata-rata 0.3, maka rasionya
8.3. Dalam kasus ini, hal ini dapat diterima karena besar noise cukup
kecil (signal/noise > 5) untuk melakukan analisis grafik.
Untuk menentukan apakah data ini diterima untuk estimasi parameter
model, hal-hal yang ada di Table 6.1 harus dijawab.
Apakah rasio signal terhadap noise cukup besar? YA Apakah sinyal input mendekati step sempurna? YA
Apakah asumsi metode identifikasi model yang digunakan valid? (yakni
smooth, S-shaped output response) YA
Apakah proses mulai pada steady state? YA
Tes Ketawa
Data percobaan berikut diperoleh dari proses pemanasan
seperti ditunjukkan pada gambar. Lakukan evaluasi apakah
data tersebut dapat digunakan pada metode PRC
Tes Ketawa (2)
Semua persyaratan yang ada pada Tabel 6.1
terpenuhi
Data sesuai dengan kriteria, tapi INI TIDAK
CUKUP
Kita harus memastikan data tersebut mewakili pengaruh
(satu) MV pada CV, tanpa ada variabel input lain yang
cukup mempengaruhi
Kita mencatat bahwa ketika aliran bahan bakar
dinaikkan
, suhu yang diukur
turun
. Ini membuat kita
mempertanyakan data dan melakukan percobaan lain,
saat ini dengan step kembali untuk mencek gangguan
Tes Ketawa (3)
Pelajaran kunci:
Data harus melewati “tes ketawa”. Dari
pengetahun teknik kami tentang prinsip
proses, kita mengenal ketidakkonsistenan
yang kentara (apakah kita menertawakan
datanya?)
Sebagai latihan, daftar semua yang mungkin
menyebabkan penurunan suhu, meski bahan
bakar naik. Kita mungkin akan merujuk balik pada
sketsa proses
Proses Sama Hasil Berbeda
Kita melakukan percobaan pada proses yang
sama (misal stirred heater tank), tetapi
menghasilkan hasil yang berbeda ketika diulangi
Apakah penyebabnya dan bagaimana
Proses Sama Hasil Berbeda (2)
Ada dua hal penting:
Kemungkinan pertama kenapa respon suhu berbeda
adalah adanya
gangguan
. Gangguan yang khas untuk
perpindahan kalor adalah suhu masuk, tekanan aliran
atas dari media pemanas, laju alir umpan. Untuk
menghindari gangguan yang tak terukur, orang yang
melakukan percobaan harus memastikan bahwa seluruh
variabel input lainnya yang mempengaruhi output tidak
berubah
Kemungkinan lain, disebabkan oleh
valve yang sudah
tidak bekerja dengan benar
. Untuk menghindari
kesalahan ini, kita harus memonitor posisi sebenarnya
untuk memastikan aliran berubah sesuai dengan yang
diinginkan
-5 5 15 25 35 45 in p u t v a ri a b le , % o p e n -5 -1 3 7 11 15 o u tp u t v a ri a b le , d e g re e s C 0 10 20 30 40 time
Plot yang diukur vs diprediksi
diukur
diprediksi
Process Reaction Curve (PRC)
Disain Eksperimen
Percobaan Pabrik
Menentukan Struktur Model
Estimasi Parameter Evaluasi Diagnosis Verifikasi Model Mulai Lengka p
Process Reaction Curve (PRC)
Proses pencampuran tiga-tangki
Metode Statistik
Menyediakan banyak pendekatan umum
yang tidak dibatasi oleh
Input step
Model FOPDT (first order plus dead time)
Eksperimen tunggal
Gangguan “yang besar”
Mencapai steady-state di akhir percobaan
Memerlukan
)
(
)
(
)
(
Y
t
K
X
t
dt
t
dY
p
1
s
)
(
)
(
s
p
e
K
s
X
s
Y
Metode Statistik
Ide dasarnya adalah merumuskan model
sedemikian rupa sehingga regresi dapat
digunakan untuk mengevaluasi parameter
Kita akan melakukan ini untuk model FOPDT,
meski metode ini sangat umum
Bagaimana kita melakukan ini untuk model di
Y
i
predicted
a
Y
i
measured
b
X
i
measured
'
'
'
1
t
e
K
b
e
a
t p t
/
)
(
/ /
1
Metode Statistik
Kita memiliki pengukuran-pengukuran diskret,mari kita
nyatakan modelnya sebagai sebuah persamaan yang
berbeda, dengan prediksi yang didasarkan pada
' '
2min
i predicted i measuredi
Y
Y
Kini kita dapat
menyelesaikan soal regresi standar untuk
meminimisasi the sum of squares dari deviasi
antara prediksi dan pengukuran.
Detailnya ada di buku.
-5 5 15 25 35 45 in p u t v a ri a b le , % o p e n -5 -1 3 7 11 15 o u tp u t v a ri a b le , d e g re e s C 0 10 20 30 40 time
Metode Statistik
Contoh Statistik: Problem 6.2
t X Y Yi+1 Yi Xi-8 Sample
0 30 69.65 0.05 0 0 1 4 30 69.7 0.76 0.05 0 2 8 30 70.41 0.63 0.76 0 3 12 30 70.28 -0.10 0.63 0 4 16 30 69.55 0.67 -0.1 0 5 20 30 70.32 0.32 0.67 0 6 24 38 69.97 0.31 0.32 0 7 28 38 69.96 0.03 0.31 0 8 32 38 69.68 0.57 0.03 8 9 36 38 70.22 1.67 0.57 8 10 40 38 71.32 2.68 1.67 8 11 44 38 72.33 3.27 2.68 8 12 48 38 72.92 3.80 3.27 8 13 52 38 73.45 4.44 3.8 8 14 56 38 74.09 5.35 4.44 8 15 60 38 75 5.60 5.35 8 16 64 38 75.25 5.13 5.6 8 17 68 38 74.78 5.62 5.13 8 18 72 38 75.27 6.32 5.62 8 19 76 38 75.97 6.65 6.32 8 20 80 38 76.3 6.65 6.65 8 21 84 38 76.3 5.86 6.65 8 22 88 38 75.51 5.21 5.86 8 23 92 38 74.86 6.21 5.21 8 24 96 38 75.86 6.55 6.21 8 25 100 38 76.2 6.35 6.55 8 26 104 38 76 6.35 27 t) 32 = (t/ln(a)) 15.56 = (Kp = b/(1-a)) 0.79 Kp = 0.17848 b = 0.77330 a = Lakukan regresi METODE STATISTIK
Yi predicted a
Yi measured b
Xi
measured' ' ' 1
40 -1.5 -1 -0.5 0 0.5 1 1.5 m e a s u re d o u tp u t - p re d ic ti o n , d e g re e s 0 10 20 30 40 time
Y
i predictedY
i measured
' '
Random?Diplotkan untuk setiap pengukuran (sample)
Metode Statistik
Disain Eksperimen
Percobaan Pabrik
Menentukan Struktur Model
Estimasi Parameter Evaluasi Diagnosis Verifikasi Model Mulai Lengka p
Metode Statistik
Contoh Pencocokan Least Square Nonlinear
proses orde satu dari data respon step
Model:
Metode Statistik
MATLAB untuk LEAST-SQUARE NON LINEAR
function diff = fit_simp(x,X,Y)
% This function is called by lsqnonlin.
% x is a vector which contains the coefficients of the
% equation. X and Y are the option data sets that were
% passed to lsqnonlin.
A=x(1);
B=x(2);
Metode Statistik
MAIN PROGRAM
% Define the data sets that you are trying to fit the % function to. waktu=[1.154,2.308,3.077,4.231,5.000,6.154,6.923,8.077,9.231,10.000,11.154,12.308,13.077,13.846, 15.000,16.154,17.308,18.077,19.231,20.000,21.154,21.923,23.077,23.846,24.615,25.769,26.923,28.077,29.231,30.000,30. 769,31.538,32.692,33.846,34.615,35.769,36.923,37.692,38.846,40.000,40.769,41.538,42.692,43.462,44.615,45.769,46.538 ,47.692,48.462,49.423,50.385,51.538,52.308,53.462,54.231,55.385,56.538,57.308,58.077,59.231,60.385]; respon=[-0.125,0.250,0.531,0.938,1.094,1.281,1.594,1.813,2.000,2.188,2.406,2.438,2.500,2.656,2.875, 2.813,3.063,2.938,3.219,3.094,3.375,3.219,3.469,3.313,3.531,3.438,3.688,3.563,3.688,3.625,3.781,3.719,3.750,3.734,3.73 4,3.875,3.813,3.844,3.906,3.813,4.000,3.844,3.844,3.813,3.938,3.875,4.031,4.016,4.094,4.031,3.969,3.969,3.906,4.031,3.9 06,4.125,3.938,4.094,4.031,3.938,3.906];
% Initialize the coefficients of the function. X0=[1 1]';
% Set an options file for LSQNONLIN to use the % medium-scale algorithm
options = optimset('Largescale','off');
% Calculate the new coefficients using LSQNONLIN. x=lsqnonlin('fit_simp',X0,[],[],options,X,Y);
% Plot the original and experimental data. Y_new = 3.*x(1).*(1-exp(-X/x(2)));
Metode Statistik
Hasil
Menggunakan fungsi MATLAB “lsqnonlin” diperoleh
Pencocokan yang dihasilkan
HASIL:
K
p= 1.3669
A A A A
F(C'
C'
)
VkC'
dt
dC'
V
0
F CA0 V CA A A kC r B A kV
F
F
K
and
kV
F
V
with
' ' '
AC
AKC
A0dt
dC
Kita telah melakukan PRC untuk isothermal CSTR dengan reaksi orde satu. Parameter dinamiknya adalah
Kini, kita ubah laju alir umpan sebesar -40% dan mencapai steady-state baru. Berapa dinamik CA0CA sekarang?
min
.
/
/
.
4
12
50
0
3 3 0
m
kmol
m
kmol
C
C
K
A A pFeature Process reaction curve Statistical method
Input magnitude Signal/noise > 5 Can be much smaller Experiment duration Reach steady state Steady state not required Input change Nearly perfect step Arbitrary, not sufficient
“information” required
Model structure First order with dead time General linear dynamic model Accuracy with
unmeasured disturbances
Poor with significant disturbance Poor with significant disturbance
Diagnostics Plot prediction vs data Plot residuals
Calculations simple Requires spreadsheet or other computer program
Cocokkan metode untuk aplikasi
Bagaimana keakuratan model empirik?
• Pendekatan linear dari proses non-linear
• Noise dan gangguan tak-terukur mempengaruhi data
• Kurang konsisten dalan metode grafik
• Kurang sempurna dalam impelementasi perubahan katup
• Kesalahan sensor
Mari kita katakan bahwa setiap parameter memiliki kesalahan 20%. Apa itu cukup baik
untuk aplikasi mendatang?
We introduced an impulse to the process at t=0. Develop and apply a graphical method to determine a dynamic model of the process.
0 5 10 15 20 25 30 0 1 2 3 o u tp u t
State whether we can use a first order with dead time model for the following process. Explain your answer.
T
open
m
s
v
s
F
s
G
valve%
.
)
(
)
(
)
(
0
10
31
250
2
1
3 0 1
s
m
K
s
F
s
T
s
G
.
/
)
(
)
(
)
(
tank11
300
0
1
1 2
s
K
K
s
T
s
T
s
G
.
/
)
(
)
(
)
(
tank2 1 10 0 1 2 s K K s T s T s Gsensor measured / . ) ( ) ( ) ( (Time in seconds)We are familiar with analyzers from courses on analytical chemistry. In an industrial application, we can extract samples and transport them to a
laboratory for measurement.
A What equipment is required
so that could we can
achieve faster measurements for use in feedback control?
We are performing an experiment, changing the reflux flow and measuring the purity of the distillate. Discuss the processes that will affect the
empirical dynamic model.
Reactor Fresh feed flow is constant Pure, unreacted feed Pure product X = 50% X = 95%
Lot’s of improvement, but we need some more study!
• Read the textbook
• Review the notes, especially learning goals and workshop
• Try out the self-study suggestions
• Naturally, we’ll have an assignment!
Identifikasi Pemodelan Empirik
• Disain dan implementasi sebuah eksperimen yang baik
• Melakukan kalkulasi secara grafik
• Melakukan kalkulasi secara statistik
• Mengkombinasikan pemodelan dasar dan empirik
untuk sistem proses kimia
Saat kuselesaikan bab ini, kuingin dapat melakukan hal-hal berikut.
• SITE PC-EDUCATION WEB - Instrumentation Notes
- Interactive Learning Module (Chapter 6) - Tutorials (Chapter 6)
• Software Laboratory
- S_LOOP program to simulate experimental step data, with noise if desired
• Intermediate reference on statistical method
- Brosilow, C. and B. Joseph, Techniques of Model-Based Control, Prentice-Hall, Upper Saddle River, 2002 (Chapters 15 & 16).
1. Temukan PRC yang diplotkan pada Bab 1-5 di buku ajar. Cocokkan menggunakan metode grafik.
Diskusikan bagaimana parameter akan berubah jika percobaan diulangi pada aliran ½ dari harga asalnya.
2. Estimasi jangkauan dinamika yang kita harapkan dari a. aliran di dalam pipa
b. heat exchangers c. level di reflux drums d. komposisi distilasi e. tekanan distilasi
3. Kembangkan Excel spreadsheet untuk mengestimasi parameter dalam model FOPDT