Diadopsi dari bahan Ir. Abdul Wahid MT., Dept Teknik Kimia FTUI

(1)

Chapter 09 Setting Parameter Kendali

Chapter 09 - Setting Parameter Kendali

(2)

Tujuan Pembelajaran

Saat kuselesaikan bab ini, kuingin dapat melakukan hal-hal berikut.

Menjelaskan sasaran kinerja yang dicari hingga ketemu

• Menjelaskan sasaran kinerja yang dicari hingga ketemu lewat penyetelan (tuning).

• Menerapkan prosedur penyetelan menggunakan kurva reaksi proses (process reaction curve) dan persamaan tuning.

(3)

Kerangka Kuliah

• Pendekatan trial-and-error - kenapa kita

tidak menggunakannya

• Definisi masalah tuning

• Menyelesaikan dan Mengembangkan

korelasi

M

k

l

i k

t h

• Menerapkan korelasi ke contoh-contoh

• Kehalusan penyetelan - sentuhan pribadi

(4)

Tahapan Evaluasi & Desain PABRIK

Desain

Konstruksi

Commissioning

CONTROLLER TUNING

Start up

Operation

Production

Optimization

(5)

Apa yang harus di-set?

P

: PB atau Kc

I

: Ti

D

: Td

(6)

Sifat-sifat yang di Cari dalam

K

t l

Kontroler

• Kinerja yang baik

- ukuran

feedback dari Bab 7

_{Bab ini}

• Aplikabilitas yang luas

-parameter yang dapat disetel

• Kalkulasi tepat waktu

-menghindari lup konvergen

• Ganti ke/dari manual

- tanpa

tabrakan

Bab sebelumnya

• Ekstensibel

- dinaikkan dengan

mudah

Bab nanti

(7)

Tuning Parameter PID

• Bagaimana mencapai kinerja dinamik yang kita inginkan?

TUNING!!!

I

CV

d

T

dt

t

E

t

E

K

t

MV

=

⎢

⎡

+

∫

−

_d

⎥

⎤

+

∞

1 '

)

'

(

)

(

)

(

I

dt

T

dt

t

E

T

t

E

K

t

MV

_d

I

c

⎥

+

⎦

⎢

⎣

+

0 ∫

)

(

)

(

)

(

Parameter yang dapat disetel disebut konstanta tuning. Kita dapat

menyesuaikan harganya ke proses untuk mempengaruhi kinerja dinamik

Edisi 12 April 2012 7

(8)

Tuning PID

Trial 1: tidak

0 20 40

S-LOOP plots deviation variables (IAE = 608.1005)

V ar ia b le

Tuning PID

stabil, hilang $25,000 0 20 40 60 80 100 120 -40 -20 Time C o nt ro lled V -50 0 50 100 nipu lat ed V ari ab le Adakah cara yang lebih mudah

dari pada trial &error? 0 20 40 60 80 100 120 -100 Time Ma n Trial 2: kelewat pelan rugi 0 2 0.4 0.6 0.8 1

ont ro ll ed V ari a ble pelan, rugi $3,000 0 20 40 60 80 100 120 0 0.2 Time C o 0 20 40 60 80 100 120 0 0.2 0.4 0.6 0.8 1 Ma nipu la te d V ari ab le AC 0 20 40 60 80 100 120 Time AC 0 20 40 60 80 100 120 0 0.5 1 1.5

C ont ro ll ed V a ri ab le Trial n: OK, akhirnya!, tapi didapat Time 1.5 p dengan

(9)

Tuning parameter PID

Ya, kita bisa

0.6 0.8 1 DYNAMIC SIMULATION V a ri abl e

Tentukan sebuah model

Tuning parameter PID

Ya, kita bisa menyiapkan korelasi yang baik! 0.4 0.6 0.8 1 a ni pul at ed V a ri abl e 0 5 10 15 20 25 30 35 40 45 50 0 0.2 0.4 Time Co n tr o lle d

V Tentukan sebuah model

menggunakan eksperimen PRC (process reaction curve). 0 5 10 15 20 25 30 35 40 45 50 0 0.2 Time M a Kc TI Tentukan konstanta penyetelan awal dari korelasi.

Definisikan masalah tuningnya 1. Dinamika proses

0 0.5

1 1.5

C o nt ro lled V a ri ab

le Terapkan dan setel lebih

halus sesuai kebutuhan.

2. Variabel yang diukur 3. Kesalahan model 4. Input forcing 5. Kontroler 6. Ukuran kinerja Edisi 12 April 2012 9 0 20 40 60 80 100 120 0 Time 0 20 40 60 80 100 120 0 0.5 1 1.5 Time Ma nipu la te d V a ri ab le j

(10)

Penyetelan PID

Definisikan masalah

t i Kontroler PID akan berfungsi

1.5 DYNAMIC SIMULATION

Penyetelan PID

tuningnya 1. Dinamika proses 2. Variabel yang g

baik untuk daerah yang luas dari dinamika proses berumpan-balik ditunjukkan di sini. 0 0.5 1 C o n tr o lled V a ri abl e diukur 3. Kesalahan model 4. Input forcing 0.4 0.6 0.8 1 DYNAMIC SIMULATION ri abl e 1 1.5 DYNAMIC SIMULATION e 0 5 10 15 20 25 30 35 40 45 50 0 Time 4. Input forcing 5. Kontroler 6. Ukuran kinerja 1 DYNAMIC SIMULATION 0 5 10 15 20 25 30 35 40 45 50 0 0.2 Time Co n tr o lle d Va r 1.5 DYNAMIC SIMULATION 0 5 10 15 20 25 30 35 40 45 50 0 0.5 Time C ontro lle d V a ri a b le 0.2 0.4 0.6 0.8 Cont rol led V a ri abl e 0.5 1 Co n tr o lle d Va ri a b le 0 5 10 15 20 25 30 35 40 45 50 0 Time 0.6 0.8 1 ri abl e 0 5 10 15 20 25 30 35 40 45 50 0 Time Gambarkan dinamikanya 0.4 a r

(11)

Penyetelan PID

1.5

DYNAMIC SIMULATION

Penyetelan PID

t i Kontroler PID akan berfungsi

0 0.5 1 C o n tr o lled V a ri abl e Tak stabil tuningnya 1. Dinamika proses 2. Variabel yang g

baik untuk daerah yang luas dari dinamika proses berumpan-balik ditunjukkan di sini. 0.4 0.6 0.8 1 DYNAMIC SIMULATION ri abl e 1 1.5 DYNAMIC SIMULATION e 0 5 10 15 20 25 30 35 40 45 50 0 Time

Orde n dengan dead

time Integrator, lihat Bab ₁₈

diukur 3. Kesalahan model 4. Input forcing 1 DYNAMIC SIMULATION 0 5 10 15 20 25 30 35 40 45 50 0 0.2 Time Co n tr o lle d Va r 1.5 DYNAMIC SIMULATION 0 5 10 15 20 25 30 35 40 45 50 0 0.5 Time C ontro lle d V a ri a b le 18 4. Input forcing 5. Kontroler 6. Ukuran kinerja 0.2 0.4 0.6 0.8 Cont rol led V a ri abl e 0.5 1 Co n tr o lle d Va ri a b le

Orde satu dengan

dead time _underdamped

0 5 10 15 20 25 30 35 40 45 50 0 Time 0.6 0.8 1 ri abl e 0 5 10 15 20 25 30 35 40 45 50 0 Time Gambarkan dinamikanya Edisi 12 April 2012 0 5 10 15 20 25 30 35 40 45 50 11 0 0.2 0.4 Time M ani pul at ed V a r

(12)

Penyetelan PID

Definisikan masalah t i Kita akan mengembangkan korelasi tuningnya 1. Dinamika proses 2. Variabel yang

Kontroler PID akan berfungsi baik untuk daerah yang luas dari dinamika proses berumpan-balik

0.4 0.6 0.8 1 DYNAMIC SIMULATION ri abl e mengembangkan korelasi penyetelan untuk dinamika ini. S t t j di diukur 3. Kesalahan model 4. Input forcing 1 DYNAMIC SIMULATION 0 5 10 15 20 25 30 35 40 45 50 0 0.2 Time Co n tr o lle d Va r

• Sangat umum terjadi • Cocokkan model menggunakan PRC 4. Input forcing 5. Kontroler 6. Ukuran kinerja 0.2 0.4 0.6 0.8 Cont rol led V a ri abl e • Proses-proses lain

dikendalikan dengan PID; perlu trial-and-error lagi

0 5 10 15 20 25 30 35 40 45 50 0 Time 0.6 0.8 1 ri abl e 0.4 a r

(13)

Penyetelan PID

Situasi yang realistis: Variabel yang diukur akan

Penyetelan PID

t i Situasi yang realistis: Variabel yang diukur akan

memasukkan efek dari sensor noise dan frekuensi gangguan proses tinggi tuningnya 1. Dinamika proses 2. Variabel yang DYNAMIC SIMULATION 1 1.5 a riable diukur 3. Kesalahan model 4. Input forcing -0.5 0 0.5 Controlled V a 4. Input forcing 5. Kontroler 6. Ukuran kinerja 0 5 10 15 20 25 30 35 40 45 50 0.5 Time 0.8 1 b le 0.2 0.4 0.6 Manipulated Varia b Edisi 12 April 2012 13 Time 0 5 10 15 20 25 30 35 40 45 50 0

(14)

Penyetelan PID

Situasi yang realistis

:

Model tidak mewakili proses

Penyetelan PID

t i

Situasi yang realistis

:

Model tidak mewakili proses

secara pasti. Kita akan asumsikan bahwa model

memiliki

± 25% kesalahan pada gain, konstanta waktu

dan dead time sebagai contoh:

tuningnya

1. Dinamika proses 2. Variabel yang

dan dead time, sebagai contoh:

1 DYNAMIC SIMULATION 1 diukur 3. Kesalahan model 4. Input forcing 0 5 10 15 20 25 30 35 40 45 50 0 0.2 0.4 0.6 0.8 Time Cont rol led V a ri abl e 0 5 10 15 20 25 30 35 40 45 50 0 0.2 0.4 0.6 0.8 Time M ani pul at ed V a ri abl e 4. Input forcing 5. Kontroler 6. Ukuran kinerja Time Time 5 3.75 - 6.25 1.5 - 2.5 gain Dead time

1 s

.

)

(

)

(

)

(

+

=

−

10

0

2

5 s P

e

s

MV

s

CV

s

G

Time constant Time constant

(15)

Penyetelan PID

t i

Situasi yang realistis:

Dua masukan yang

khas akan dipertimbangkan perubahan di set

Penyetelan PID

tuningnya

khas akan dipertimbangkan, perubahan di set

point dan gangguan. Untuk korelasi, pakai

step inputs, tapi kontroler akan berfungsi

diukur

3. Kesalahan model

4. Input forcing

step inputs, tapi kontroler akan berfungsi

untuk masukan lainnya.

4. Input forcing

5. Kontroler

6. Ukuran kinerja solvent

F_S Solvent % A pure A F_A AC SP Edisi 12 April 2012 15

(16)

Penyetelan PID

t i

Situasi yang realistis :

Kita akan

mempertimbangkan kontroler PID yang mana

Penyetelan PID

tuningnya

mempertimbangkan kontroler PID, yang mana

digunakan untuk hampir semua kontroler

lup-tunggal (1CV, 1MV).

diukur 3. Kesalahan model 4. Input forcing

I

dt

CV

d

T

dt

t

E

T

t

E

K

t

MV

_d I c

⎥

+

⎦

⎤

⎢

⎣

⎡

−

+

=

∫

∞ 0

'

)

'

(

1 )

(

)

(

4. Input forcing 5. Kontroler 6. Ukuran kinerja _F S

⎦

⎣

0 solvent pure A AC F_A SP

(17)

Penyetelan PID

t i

Perilaku Dinamik CV:

Stabil offset nol IAE minimum

Penyetelan PID

tuningnya

Stabil, offset nol, IAE minimum

diukur

4. Input forcing Perilaku Dinamik MV:

f

4. Input forcing 5. Kontroler

6. Ukuran kinerja

osilasi terredamdan fluktuasi kecil disebabkan oleh noise.

MV bisa lebih agresif pada bagian transien bagian transien yang pertama Edisi 12 April 2012 17

(18)

Penyetelan PID

t i

Sasaran utama kita adalah menjaga CV dekat

d t i t Di i tid k k

Penyetelan PID

tuningnya

dengan set point-nya. Di samping tidak mengauskan katupnya, kenapa kita punya sasaran untuk MV?

diukur 3. Kesalahan model 4. Input forcing 30 40 Steam flow 4. Input forcing 5. Kontroler 6. Ukuran kinerja 10 20 30 ul ated Var iabl e 0 5 10 15 20 25 30 35 40 -10 0 Time Ma n ip L id h t th AC

Large, rapid changes to the steam flow can damage the valve.

(19)

Penyetelan PID

t i

Penyetelan PID

Sasaran utama kita adalah menjaga CV dekat

d t i t Di i tid k k

tuningnya

dengan set point-nya. Di samping tidak mengauskan katupnya, kenapa kita punya sasaran untuk MV?

diukur 3. Kesalahan model 4. Input forcing 40 Fuel flow PI 1 AT 1 PI 4 4. Input forcing 5. Kontroler 6. Ukuran kinerja 10 20 30 V ari abl e FT 1 PT 1 TI 1 TI 2 TI 5 TI 6 PI 5 0 5 10 15 20 25 30 35 40 -10 0 Time M ani pul at ed V B b h t FT 2 TI 3 TI 4 TI 7 TI 8 FI 3 TI 10 TI 11 TC

Besar, perubahan cepat terhadap aliran bahan bakar menyebabkan tekanan panas (thermal stress) yang merusak t b PI 2 PI 3 PI 6 Fuel Edisi 12 April 2012 19 tube.

(20)

Penyetelan PID

DEFINISI GABUNGAN DARI MASALAH PENYETELAN UNTUK

Penyetelan PID

t i DEFINISI GABUNGAN DARI MASALAH PENYETELAN UNTUK

KORELASI

• Model proses dinamik orde satu dengan dead time (FOPDT)

Si l k k bi i ( i )

tuningnya

• Sinyal pengukuran kebisingan (noisy)

• Kesalahan parameter ± 25% antara model/pabrik • Kontroler PID: tentukan K_c, T_I, T_d

Minimisasi IAE dengan MV di dalam batas

diukur

4. Input forcing _{• Minimisasi IAE dengan MV di dalam batas}

4. Input forcing 5. Kontroler 6. Ukuran kinerja

Kita capai sasaran dengan p g menyesuaikan Kc, TI dan Td. Detailnya ada di bab dan Appendix E.pp

(21)

Metode Penyetelan Kontroler

PRC-FOPDT

Grafis

Ciancone (1992)

Lopez (1969)

Persamaan

Ziegler- Nichols (1942)

Coon-Cohen (1953)

Lopez (1967)

Sintesis Dahlin (1968)

Wahid-Rudi-Victor (2005)

On-line: Ziegler-Nichols (1942)

Internal Model Control (IMC)

PRC-SOPDT: Sung, dkk (1996)

(22)

Penyetelan PID

P ti _{S l} _ik _{l h} T k

Penyetelan PID

Process reaction curve Selesaikan masalah penyetelan. Perlu program komputer. Terapkan, apa kinerjanya baik? 0 5 10 15 20 25 30 35 40 45 50 -0.5 0 0.5 1 1.5 0 8 1

DEFINISI GABUNGAN DARI MASALAH PENYETELAN UNTUK KORELASI

TC v1 v2 0 5 10 15 20 25 30 35 40 45 50 0 0.2 0.4 0.6 0.8 TC v 1

• Model proses dinamik orde satu dengan dead time (FOPDT)

• Sinyal pengukuran kebisingan (noisy) • Kesalahan parameter ± 25% antara

model/pabrik K t l PID t t k K T T K 1 v 2 K 0 74

• Kontroler PID: tentukan K_c, T_I, T_d • Minimisasi IAE dengan MV di dalam

batas Kp = 1 θ = 5 τ = 5 Kc = 0.74 TI = 7.5 Td = 0.90 τ 5 Td 0.90

(23)

Penyetelan PID

Penyetelan bukan terbaik untuk sembarang kasus individual, tapi terbaik

Penyetelan PID

15

15 15

y g p

untuk daerah dinamika yang mungkin - itu handal (robust)!

0 5 10 CV 0 5 10 CV 0 5 10 CV 0 20 40 60 80 100 120 -5 0 0 20 40 60 80 100 120 -5 0 0 20 40 60 80 100 120 -5 0 15 20 25 30 40 20 30

Batas MV Batas MV Batas MV

5 10 MV 10 20 MV 10 MV Edisi 12 April 2012 23 0 20 40 60 80 100 120 0 time 0 20 40 60 80 100 120 0 time 0 20 40 60 80 100 120 0 time

Plant = model Plant = + 25%

(24)

Penyetelan PID

Kinerja baik P

Penyetelan PID

S l ik l h 15 Process reaction curve Selesaikan masalah penyetelan. Perlu program komputer. 0 5 10 15 20 25 30 35 40 45 50 -0.5 0 0.5 1 1.5 0 8 1 0 5 10 CV

DEFINISI GABUNGAN DARI MASALAH PENYETELAN UNTUK KORELASI

0 5 10 15 20 25 30 35 40 45 50 0 0.2 0.4 0.6 0.8 TC v 1 0 20 40 60 80 100 120 -5 20 30

• Model proses dinamik orde satu dengan dead time (FOPDT)

• Sinyal pengukuran kebisingan (noisy) • Kesalahan parameter ± 25% antara

model/pabrik K t l PID t t k K T T K 1 v 2 K 0 74 0 20 40 60 80 100 120 0 10 20 ti MV

• Kontroler PID: tentukan K_c, T_I, T_d • Minimisasi IAE dengan MV di dalam

batas Kp = 1 θ = 5 τ = 5 TC v 1 Kc = 0.74 TI = 7.5 Td = 0.90 time τ 5 d 0 90

(25)

Penyetelan PID

Kita dapat menyelesaikan setiap masalah secara individual, tapi ini akan

Penyetelan PID

Kita dapat menyelesaikan setiap masalah secara individual, tapi ini akan

terlalu banyak makan waktu. Kita akan menyukai untuk mengembangkan sebuah korelasi didasarkan pada banyak solusi.

⎟

⎠

⎞

⎜

⎝

⎛

+

⎟

⎠

⎞

⎜

⎝

⎛

₊

+

− +

))

/(

(

'

)

/(

(

'

)

/(

(

'

)

(

) /( '

τ

θ

τ

θ

τ

θ

τ θ θ

s

e

T

s

T

s

K

s

CV

s d I p c

1

1 ₁

⎟

⎠

⎞

⎜

⎝

⎛

+

⎟

⎠

⎞

⎜

⎝

⎛

₊

+

⎠

⎝

+

⎠

⎝

+

=

+ −

))

/(

(

'

)

/(

(

'

)

/(

(

'

))

/(

(

)

/(

(

)

(

)

(

) /( '

τ

θ

τ

θ

τ

θ

τ

θ

τ

θ

τ θ θ

s

e

T

s

T

s

K

s

T

s

MV

s

CV

s d I p c I

1

Konstanta Penyetelan Tanpa Satuan

Variabel bebas

(26)

disturbance _{Set point change}

Penyetelan PID

(KORELASI CIANCONE)

Grafik Tuning untuk Kontroler

(KORELASI CIANCONE)

PID

Berumpan-balik menggunakan KORELASI

CIANCONE CIANCONE

Ini dikembangkan dengan k j l h b t di merangkum sejumlah besar studi

kasus pada grafik tanpa dimensi ini?

(27)

Penyetelan PI (KORELASI CIANCONE)

disturbance Set point

y

(

)

PI

B b lik

k

Berumpan-balik

menggunakan

KORELASI CIANCONE

Ini dikembangkan dengan merangkum sejumlah besar studi

kasus pada grafik tanpa dimensi ini?

(28)

Penyetelan PID

M i kit t k fik t i k 3 t ki b k

Penyetelan PID

Mari kita terapkan grafik tuning ke proses 3 tangki pencampuran, yang bukan FOPDT. solvent F_S pure A AC FA

Tuning dari chart Process reaction curve

Kc = ?? TI = ?? Td = ?? Kp = 0.039 %A/%open θ = 5.5 min τ = 10 5 min Td = ?? τ = 10.5 min

(29)

Penyetelan PID

M i kit t k fik t i k 3 t ki b k

Mari kita terapkan grafik tuning ke proses 3 tangki pencampuran, yang bukan FOPDT. solvent F_S pure A AC FA

Tuning dari chart Process reaction curve

Kc = 1.2/0.039 = 30 %open/%A TI = 0.69(16) = 11 min Td = 0 05(16) = 0 80 min Kp = 0.039 %A/%open θ = 5.5 min τ = 10 5 min Edisi 12 April 2012 29 Td = 0.05(16) = 0.80 min τ = 10.5 min

(30)

Penyetelan PID

3 4

Gangguan konsentrasi Kinerja yang baik Konsentrasi effluent

Penyetelan PID

3.2 3.3 3.4 e ntratio n F_S 0 20 40 60 80 100 120 140 160 180 200 3 3.1 time conc e solvent Valve % open pure A F_A 40 45 50 e d f low AC 0 20 40 60 80 100 120 140 160 180 200 25 30 35 time mani pul at e

50

80

0

1

30 _⎢

⎡

+

∫

−

_⎥

⎤

+

=

E

t

∞

E

t

dt

d

CV

v

(

)

(

'

)

'

time

0

80

50

11

30 +

⎥⎦

⎢⎣

+

∫

−

=

dt

t

E

t

E

v

(

)

(

)

.

(31)

Penyetelan PID

FINE TUNING: Process reaction curve dan grafik tuning menyediakan

Penyetelan PID

FINE TUNING: Process reaction curve dan grafik tuning menyediakan

sebuah metode yang baik untuk penyetelan beberapa (tidak semua) lup PID. Kita perlu mempelajari bagaimana untuk penyetelan lup yang halus untuk terus memperbaiki kinerja didasarkan pada perilaku sekarang -p j p p g KENAPA?

• Beberapa lup akan memiliki obyektif kinerja yang berbeda-beda • Beberapa lup akan memiliki dinamik yang berbeda dari FOPDT • Bisa terjadi kesalahan pada PRC, mungkin terjadi gangguan

selama eksperiman.

• Dinamika pabrik dapat berubah disebabkan oleh perubahan • Dinamika pabrik dapat berubah disebabkan oleh perubahan

pada laju alir umpan, konversi reaktor, dan sebagainya.

(32)

Penyetelan PID

CV

d

⎤

⎡

₁

∞

Penyetelan PID

I

dt

CV

d

T

dt

t

E

T

t

E

K

t

MV

_d

I

c

⎥

+

⎦

⎤

⎢

⎣

⎡

∫

−

+

=

∞

0

1 '

)

'

(

)

(

)

(

I

⎦

⎣

Apa efek dari merubah gain kontroler pada kinerja sebuah lup PID?

M i kit l k k b h k i d b h K d it

Mari kita lakukan sebuah eksperimen dengan merubah Kc dan memonitor kinerjanya.

(33)

Penyetelan PID

• Kenapa IAE naik

60

Bad

Penyetelan PID

Kenapa IAE naik untuk Kc yang kecil?

• Kenapa IAE naik

untuk Kc yang besarl? 40 rmance, IAE Bad ? TC v1 0 20 contro l perfo r v2 0 0.5 1 1.5 2 0 controller gain 1 1 1 0 0.5 1 rolled variable 0 0.5 1 o lled variable 0 0.5 1 o lled variable Kc = 0.62 Kc = 1.14 Kc = 1.52 0 50 100 150 200 -1 -0.5 time cont r 0 50 100 150 200 -1 -0.5 time contr o 0 50 100 150 200 -1 -0.5 time contr o

Is this the “best”?

(34)

Penyetelan PID

CV

d

⎤

⎡

₁

∞

Penyetelan PID

I

dt

CV

d

T

dt

t

E

T

t

E

K

t

MV

_d

I

c

⎥

+

⎦

⎤

⎢

⎣

⎡

∫

−

+

=

∞

0

1 '

)

'

(

)

(

)

(

Apa efek merubah waktu integral pada kinerja lup PID?

A j b b b d d i K ? A b d ?

(35)

Penyetelan PID

FINE TUNING: Mari kita terapkan pemahaman kita untuk membangun pedoman fi t i

Penyetelan PID

1.5

fine tuning.

0.5 1

trolled Variable

Ini adalah kinerja pengendalian yang “baik”.

0 5 10 15 20 25 30 35 40 45 50 0

Time

Con

t

Jelaskan bentuk respon CV dan MV. Time 1.5 e 0.5 1 n ipulated Variabl e Edisi 12 April 20120 5 10 15 20 25 30 35 40 45 50 35 0 Time Ma n

(36)

Penyetelan PID

Catatan: ini adalah perubahan step pada set point - baik untuk diagnosis!

Penyetelan PID

1.5

CV dibatasi overshoot set point, peredaman cepat, dan kembali ke set point-nya 0 5 1 o lled Variable 0 5 10 15 20 25 30 35 40 45 50 0 0.5 Ti Contr o C t t l

CV tidak berubah disebabkan oleh dead time

Time 1.5 Constant slope E(t) = constant MV overshoot moderate <= 0.5(ΔMVss) 0.5 1 ipulated Variable

ΔMV₀ = Kc (ΔSP) seharusnya mendekati perubahan yang diperlukan pada steady state

ΔMVss

Man

(37)

Penyetelan PID

Terapkan pedoman fine tuning untuk respon di bawah dan sarankan

Penyetelan PID

Terapkan pedoman fine tuning untuk respon di bawah dan sarankan perubahan spesifik untuk perbaikan.

1

0.6 0.8 d Variable 0 5 10 15 20 25 30 35 40 45 50 0 0.2 0.4 Controlle d 0 5 10 15 20 25 30 35 40 45 50 Time 0 8 1 0.4 0.6 0.8 p ulated Variable Edisi 12 April 20120 5 10 15 20 25 30 35 40 45 50 37 0 0.2 Time Mani p

(38)

Penyetelan PID

1

0.6 0.8

d Variable _{The CV response is very slow}

Ini kinerja pengendalian yang jelek.

Kontroler tidak cukup

0 5 10 15 20 25 30 35 40 45 50 0

0.2 0.4

Controlle

The CV response is very slow,

not aggressive enough agresif.

ΔMV₀, kecil, gain kontroler naik, K_csekitar x2 0 5 10 15 20 25 30 35 40 45 50 Time 0.8 1 K_csekitar x2 0.4 0.6 0.8

pulated Variable Perubahan awal pada MV terlalu kecil, lebih kecil 40% dari

harga akhirnyal perubahan steady state

(39)

Penyetelan PID

2

1 1.5

e

d Variable

Ini kinerja pengendalian yang jelek.

0 10 20 30 40 50 60 70 80 90 100 0 0.5 Controll e agresif. ΔMV₀, kecil, gain kontroler naik, K_csekitar x2 0 10 20 30 40 50 60 70 80 90 100 Time 2 2.5 e K_csekitar x2 1 1.5 n ipulated Variabl e Edisi 12 April 20120 10 20 30 40 50 60 70 80 90 100 39 0 0.5 Time Ma n

(40)

Penyetelan PID

2

1 1.5

e

d Variable

CV terlalu berosilasi _{Ini kinerja pengendalian}

yang jelek.

0 10 20 30 40 50 60 70 80 90 100 0 0.5 Controll e agresif. ΔMV₀, kecil, gain kontroler naik, K_csekitar x2 0 10 20 30 40 50 60 70 80 90 100 Time 2 2.5

e _{O ershoot MV terlal besar}

K_csekitar x2

1 1.5

n

ipulated Variabl

e _{Overshoot MV terlalu besar}

0.5

n

(41)

Metode LOPEZ (Grafis)

(42)

Metode LOPEZ

(Persamaan - Disturbance)

(Persamaan Disturbance)

(43)

Kontroler PID (Lopez –

Di t

b

)

Disturbance)

(44)

Metode LOPEZ

(45)

Kontroler PID (Lopez – Setpoint)

(46)

(47)

Metode Ziegler-Nichols (Online)

Langkah-langkah percobaan

Set kontroler:

AUTOMATIK

Proporsional saja (

T

_i

maksimum,

T

_d

= 0)

Ubah-ubah harga

g

K

_c

atau PB

(Proportional Band = 100/

K

_c

) hingga

responnya berosilasi penuh atau

espo

ya be os as pe u atau

siklik:

Kc yang didapatkan disebut K

_cu

(ultimate controller gain)

Hitung periode osilasinya (

T )

T

_u

)

(48)

Metode Ziegler-Nichols (Online)

Ti

P

i

l

I

l i

D i

i

Tipe

Kontroler

Proportional

gain (K

_c

)

Integral time

(T

_i

)

Derivative

time (T

_d

)

Proportional

P

K

_c

/2

-

-Proportional

only

P

K

_cu

/2

Proportional-I

l

PI

K

_cu

/2.2

T

_u

/1.2

-Integral

Proportional-

Integral-PID

K

_cu

/1.7

T

_u

/2

T

_u

/8

Integral

Derivative

(49)

Cohen-Coon Tuning

Model: FOPDT

Spesifikasi kinerja:

Untuk mendapatkan

1/4 rasio peluruhan

penurunan cepat pada

amplitudo osilasi

Rasio peluruhan

Overshoot

Untuk sistem orde dua:

(50)

Cohen-Coon Tuning

(51)

Contoh

(52)

Cohen-Coon Tuning

Cohen-Coon: Servo

Kontroler PID lebih baik dari PI

Gain kontroler lebih agresif/tinggi

Respon tidak diinginkan untuk banyak kasus

(53)

Cohen-Coon Tuning

Cohen-Coon: Regulatori

Cohen Coon: Regulatori

Osilasi lebih tinggi

Lebih agresif

(54)

Sintesis DAHLIN

Minium IAE

Kontroler PI:

₀₅_⎛_τ _⎞

τ

_c

= 2/3

θ

Kontroler PID:

⎟ ⎠ ⎞ ⎜ ⎝ ⎛ = θ τ K Kc 5 . 0

Kontroler PID:

τ

_c

= 1/5

θ

5% 0vershoot

θ

_⎞

⎛

⎞

⎛

1

1 ⎟

⎞

⎜

⎛

=

τ

K

0 .

5 ( )

₍

₎

τ

θ

τ

θ

⎟

⎠

⎞

⎜

⎝

⎛

+

⎟

⎠

⎞

⎜

⎝

⎛ +

+

=

'

1

2 c c

s

K

s

G

⎟

⎠

⎜

⎝

θ

K

_c

θ

τ

=

(55)

Contoh Sintesis Dahlin

− s

8

0

11.2

+

=

s

e

s

1

8 .

33

8 .

0 FOPDT

2 . 11

⎞

⎛

:

sintesis

kontroler

dari

alih

Fungsi

( )

₍

₎

_⎟

⎟

⎞

⎜

⎛

+

⎟

⎞

⎜

⎛ +

=

s

G

( )

33 .

8

1

5 .

6 (

)

⎟

⎠

⎜

⎝

+

⎟

⎠

⎜

⎝

+

s

G

c c c c

2 .

11

6 .

5

1

8 .

33

1

2 .

11

80 .

0 τ

τ

⎠

⎝

c Edisi 12 April 2012 55

(56)

Korelasi Wahid-Rudi-Victor (WRV): Servo

Proporsional:

K

0 ,

0672

τ

+

1 ,

774 Proporsional:

PI:

K

_c

=

,

K

_c

=

0 ,

0433

τ

+

0 ,

8353

τ

_i

=

1 ,

027 τ

+

10 ,

777 PID:

0.0679 *

0.9968

C

K

τ

+

=

K

1.1200 *

1.8665

i

τ

=

τ

+

0 6409 *

2 4525

τ

_D

=

0.6409 *

θ

+

2.4525

τ

=

θ

+

(57)

55 Tentukan harga parameter

Kontroler PID dengan berbagai Korelasi 51 Korelasi o pen 47 _ees C v ariable, % o 43 ariable, degr e input v 43 output v a 55 39 45 0 10 20 30 40 Edisi 12 April 2012 57 time

(58)

Heat Exchanger

Exchanger

( )

C/

(

kg/s

)

1

30

50 +

=

s

G

_p Exchanger

(

100%

)

1.0%/C Gain = = Sensor-transmitter

(

)

( )

%/C 1 10 0 . 1 %/C 0 . 1 C 50 150 Gain + = − s s G_m 1 10s + (k / ) 6 1 Control valve

(

)

( )

0.016

(

kg/s

)

/% % / kg/s 016 . 0 100% (kg/s) 6 . 1 Gain = = = s G

( )

(

kg/s

)

/% 1 3s+ s G_v

(59)

PRC

0 .

8 )

(

2 . 11

=

e

s

G

s

1

8 .

33 )

(

+

s

(60)

Kode MATLAB

Kc=input('Masukkan harga

Kc: ');

% SERVO (Setpoint)

_G=n/d;

Ti=input('Masukkan harga Ti:

');

Td=input('Masukkan harga

t=0:h:tn;

step(G,t)

[y t]=step(G t);

p (

g

Td: ');

tn=input('Waktu akhir: ');

h=input('dt: ');

[y,t]=step(G,t);

n=length(t);

IAE=0;

h=input( dt: );

**Gc=Kctf([TiTd Ti 1],[Ti 0]);**

Gv=tf(0.016,[3 1]);

for j=2:n

**IAE(j)=IAE(j-1)+h*abs(1-y(j-1));**

Gp=tf(50,[30 1]);

Gs=tf(1,[10 1]);

Kp=0.8;

y(j ));

end

pause

plot(t IAE)

Kp 0.8;

**n=GcGvGp;**

plot(t,IAE)

(61)

Perbandingan

0 .

8 )

(

2 . 11

=

e

s

G

s

1

8 .

33 )

(

+

s

Ziegler-Nichols:g Kc = 4.5 Ti = 22.4 Td = 6.6 IAE = 10 5252 Lopez: Kc = 1.63 IAE = 10.5252 Ciancone: Kc = 1.5 Ti = 40.5 Kc 1.63 Ti = 48.5 Td = 4.29 IAE = 26.9076 Td = 1.8 IAE = 23.678 Cohen-Coon Kc = 5 34 Wahid Kc = 4 Ti = 40 Kc = 5.34 Ti = 24.32 Td = 3.84 IAE = 14.0442 Td = 9 IAE = 3.2461 Edisi 12 April 2012 61

(62)

Internal Model Control

Hubungan kontroler yang diimplementasikan (

G

_c

):

(63)

Internal Model Control

te

a

ode Co t o

1. Model proses difaktorkan ke dalam dua

bagian

dengan mengandung dead-time dan RHP zero,

satedy state gain diskalakan 1

2. Kontroler

dengan

f adalah filter IMC (low pass)

(64)

Internal Model Control

Catatan

kontroler IMC lebih melibatkan dari pada

dijamin untuk yang secara fisik dapat

dicapai dan stabil

IMC didasarkan pada penghilangan pole-zero

tidak direkomendasikan untuk proses tidak

d

o

d s

u u p os s d

stabil lup terbuka

(65)

Internal Model Control

Penyetelan kontroler PID didasarkan IMC

Asumsinya model sempurna (perfect model)

Filter yang digunakan orde satu:

Proses mengandung:

RHP (right half plane) zero

Komponen integral

di

k i

i

Time delay perlu

diaproksimasi

dengan

Pade

(66)

Penyetelan kontroler PID didasarkan

IMC untuk Gc

(67)

Controller Tuning by SOPDT

( )

s

≅

G

( )

s

=

k

e

G

s m m θ

( )

1

2

2 2

+

=

≅

s

G

s

G

m m m m p

τ

ζ

(68)

(69)

Model SOPDT

Metode Harriott (1964)

Metode Smith (1972)

Rough Model

(70)

Metode Harriott

% 73

t

(dari PRC)

3

1

% 73 2 1

t

=

+

τ

2 1 τ τ +

3 .

1

5 0 t 2 1

τ

+

5 . 0 2 1 = +

τ

t PRC y/KM Kurva Harriott 2 1 1 τ τ τ +

τ

₁

,

τ

₂

Kurva Harriott

( ) ( )(

=

1

1 )

K

s

G

_m

2

1 ( ) ( )(

)

1

1 +

+

s

m

τ

(71)

Metode Smith

t t dari PRC % 20 t t_20% t_60% dari PRC % 60 % 20 t % 60 t

ζ

Kurva SMITH

( )

s

=

K

G

τ

ζ

τ

( )

1

2

2 2

+

=

s

G

_m

ζτ

τ

1 1 2 2 2 1 − − = − + = ζ τ τζ τ ζ τ τζ τ

( ) ( )(

=

₁

s

+

1

₂

s

+

1 )

K

s

G

_m

τ

(

₁

)(

₂

)

(72)

Rough Model

K

( ) ( )(

=

τ

₁

s

+

1 τ

₂

s

+

1 )(

τ

₃

s

+

1 )

τ

1

>

τ

2

>

τ

3

K

s

G

(

₁

1 )(

₂

1 )

1

,

2

(

terbesar)

3

τ

+

=

−

s

Ke

SOPDT

s

(

)(

)

terkecil)

(

₃ 2 1

τ

θ

=

e

k

θms

( )

1

2

2 2

+

=

≅

s

e

k

s

G

s

G

m m m m m p m

ζ

τ

(73)

Penyetelan PID - WORKSHOP 1

Bayangkan bahwa kamu adalah terdampar di sebuah pulau dan kamu tidak

Penyetelan PID WORKSHOP 1

Bayangkan bahwa kamu adalah terdampar di sebuah pulau dan kamu tidak memiliki buku ajar atau diktat kuliah! Tentu saja, kamu ingin menyetel

kontroler PID.

Tinjau grafik tuning dan kembangkan beberapa pedoman kasar untuk penyetelan yang kamu ingin ingat untuk sisa hidupmu.

Pantai tropis tapi tidak ada

b k b

textbook atau sambungan internet.

(74)

Penyetelan PID - WORKSHOP 2

Gain kontroler adalah positif untuk contoh-contoh di dalam diktat. Apa K_c

Penyetelan PID WORKSHOP 2

Gain kontroler adalah positif untuk contoh contoh di dalam diktat. Apa K_c selalu lebih besar dari nol? Di dalam jawabanmu, diskusikan sistem

pengendalian suhu pada gambar di bawah ini.

TC v1

TC

v2

(75)

Penyetelan PID - WORKSHOP 3

Data di bawah ini adalah PRC untuk sebuah proses, grafikkan dalam

Penyetelan PID WORKSHOP 3

3 4

variabel deviasi. Tentukan penyetelan untuk sebuah kontroler PID.

1 2 o ntrolled Variable 0 5 10 15 20 25 30 35 40 45 50 -1 0 Time C o TC v1 10 15 V ariable TC v2 0 5 Manipulated V Edisi 12 April 2012 75 0 5 10 15 20 25 30 35 40 45 50 0 Time

(76)

Penyetelan PID - WORKSHOP 4

Diagnosis data lup-tertutup pada gambar dan sarankan modifikasinya,

Penyetelan PID WORKSHOP 4

1.5

Diagnosis data lup tertutup pada gambar dan sarankan modifikasinya, jia perlu. 0 0.5 1 o ntrolled Variable 0 5 10 15 20 25 30 35 40 45 50 -0.5 0 Time C o 20 v1 10 15 20 a ted Variable TC v2 0 5 10 15 20 25 30 35 40 45 50 -5 0 5 Time Manipul a v2 Time

(77)

Penyetelan PID - WORKSHOP 5

Meski dengan eksperimen yang sangat hati hati kamu dapat menentukan

Penyetelan PID WORKSHOP 5

Meski dengan eksperimen yang sangat hati-hati, kamu dapat menentukan parameter modelnya dengan ketidakpastian ± 50%. Rekomendasikan

harga kontanta penyetelan awal untuk sebuah kontroler PID.

1 DYNAMIC SIMULATION 1 0 5 10 15 20 25 30 35 40 45 50 0 0.2 0.4 0.6 0.8 Time Cont rol led V a ri abl e 0 5 10 15 20 25 30 35 40 45 50 0 0.2 0.4 0.6 0.8 Time M ani pul at ed V a ri abl e Time Time 5 2.5 - 7.5 1.0 - 3.0 gain Dead time

1 s

.

)

(

)

(

)

(

+

=

−

10

0

2

5 s P

e

s

MV

s

CV

s

G

Time constant Edisi 12 April 2012 77 5.0 -1 5.0 Time constant

(78)

Penyetelan PID

Saat kuselesaikan bab ini kuingin dapat melakukan

M j l k ki j kit i hi

Saat kuselesaikan bab ini, kuingin dapat melakukan hal-hal berikut.

• Menjelaskan sasaran kinerja yang kita cari hingga ketemu lewat penyetelan (tuning).

• Menerapkan prosedur penyetelan menggunakan kurva p p p y gg reaksi porses (process reaction curve) dan persamaan tuning.

• Perbaikan kinerja lebih lanjut dengan penyetelan yang

• Perbaikan kinerja lebih lanjut dengan penyetelan yang baik

Banyak perbaikan, tapi kita perlu beberapa studi lagi!

• Baca textbook

• Tinjau catatannya, khususnya tujuan pembelajaran dan workshop

• Uji coba nasihat-nasihat belajar mandirij j

(79)

Bab 9 - Sumber Pembelajaran

Bab 9 Sumber Pembelajaran

• Home page

- Instrumentation Notes

- Interactive Learning Module (Bab 9) - Tutorials (Bab 9)

• Cari WEB dan temukan produk perangkat lunak “automatic PID

i ” Si k i j k i i d i k ik

tuning”. Siapkan tinjauan kritis dari tekniknya.

(80)

Bab 9 - SARAN UNTUK BELAJAR MANDIRI

1 Temukan beberapa plot PRC pada Bab 3 5 dan tentukan 1. Temukan beberapa plot PRC pada Bab 3-5 dan tentukan

penyetelankontroler PID dan PI menggunakan grafik tuning. 2. Menggunakan MATLAB, ulangi hasil simulasi untuk 3-tangki

pencampuran di bawah kontrol PID. Kemudian tentukan sensitivitas untuk perubahan di dalam tuning dengan merubah K_C dan T_I (secara bersamaan), % perubahan dari penyetelan kasus dasar; -50%, -10%,

50% Di k ik h il +50%. Diskusikan hasilmu.

3. Menggunakan MATLAB, tambahkan noise untuk pengukuran di dalam submenu 1, Kn = 0.05 . Simulasikan penyetelan asal dan harga lain dari , p y g Td. Apa yang terjadi pada kinerjanya?

(81)

Bab 9 - SARAN UNTUK BELAJAR MANDIRI

4. Formulasikan jawaban-jawaban yang serupa dengan itu di dalam WILMO, satu untuk setiap Check Your Reading, Study Questions dan Thought Questions.

5. Pada Bab 3-5, temukan contoh-contoh proses untuk mana penyetelan dari tuning charts akan (1) applicable dan (2) not applicable.

6 P d h i S i ki l k l k i i 3 ki

6. Pada hari Senin, kita menyetel kontroler komposisi 3-tangki

pencampuran. Pada hari Jum’at, kita antisipasi penurunan laju alir umpan sebesar 50% (dari 7 ke 3.5 m3_{/min). Saat ini terjadi, apa seharusnya kita}

b h t l k t l ? Jik t t d

merubah penyetelan kontroler? Jika ya, yang mana yang tetap dan berapa harnya?

(Ingat: Model tiga-tangki pencampuran ada di Example 7.2 pada halaman 223 dari buku ajar.)