LOGO ADAPTIVE PREDICTIVE CONTROL BERBASIS ANFIS-PI UNTUK PENGENDALIAN TEMPERATUR HEAT EXCHANGER TESIS RE2099. Ruslim

LOGO

ADAPTIVE PREDICTIVE CONTROL

BERBASIS ANFIS-PI UNTUK

PENGENDALIAN TEMPERATUR HEAT

EXCHANGER

ADAPTIVE PREDICTIVE CONTROL

BERBASIS ANFIS-PI UNTUK

PENGENDALIAN TEMPERATUR HEAT

EXCHANGER

TESIS RE2099 TESIS RE2099 Ruslim 2207202201 Ruslim 2207202201 Dosen Pembimbing

Ir. Rusdhianto Effendie AK, M.T Ir. Ali Fatoni, M.T

Dosen Pembimbing

Ir. Rusdhianto Effendie AK, M.T Ir. Ali Fatoni, M.T

PROGRAM MAGISTER BIDANG KEAHLIAN TEKNIK SISTEM PENGATURAN JURUSAN TEKNIK ELEKTRO FAKULTAS TEKNOLOGI INDUSTRI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA

PROGRAM MAGISTER BIDANG KEAHLIAN TEKNIK SISTEM PENGATURAN JURUSAN TEKNIK ELEKTRO FAKULTAS TEKNOLOGI INDUSTRI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA

GARIS BESAR

PENDAHULUAN

1

KAJIAN PUSTAKA

2

METODE PENELITIAN

3

PEMBAHASAN

4

KESIMPULAN

5

1 PENDAHULUAN

Latar Belakang

 Heat Exchanger merupakan suatu alat untuk proses pertukaran

panas, yang berfungsi untuk mentransfer panas antara dua fluida yang berbeda temperature dan dipisahkan oleh suatu sekat pemisah, dan memegang peranan sangat penting pada industri pengolahan yang mempergunakan atau memproses energy.

 Proses transfer panas pada Heat Exchanger perlu untuk dikendalikan

agar diperoleh temperature fluida yang sesuai dengan kriteria yang diinginkan, sehingga pemanfaatan sumber energy yang tersedia akan dapat lebih optimal.

 Adanya keterbatasan area kerja sensor dan actuator pada plant Heat

Exchanger, yang akan menyebabkan keterlambatan respon dari system kendali jika proses dikendalikan dengan menggunakan sistem kendali yang hanya berbasis pada system kendali PID biasa.

 Salah satu teknik yang dikembangkan untuk mengatasi kelemahan

system kendali berbasis PID multi loop SISO adalah dengan menggunakan Model Predictive Control (MPC).

1 PENDAHULUAN

Latar Belakang

 Model Predictive Control (MPC) merupakan jenis system kendali

yang didesain berdasarkan model suatu proses yang digunakan untuk menghitung nilai prediksi keluaran proses.

 Biasanya Model Base Predictive Control menggunakan model linier

dengan algoritma on-line least square untuk menentukan parameter. Akan tetapi Heat Exchanger memiliki proses yang sangat tidak linier, sehingga metode ini akan sulit jika ingin diterapkan secara langsung pada proses tersebut (Radu Balan, 2007).

 Dengan demikian diperlukan beberapa modifikasi atau

pengembangan dalam mendesain model system kendali yang berbasis Model Predictive Control tersebut.

 Salah satu model kontroler yang banyak dikembangkan adalah

Intelligent Systems Control, yang memanfaatkan teknik komputasi dalam mencari penyelesaian suatu permasalahan.

 Intelligent Systems Controller ini juga dapat digunakan untuk

memecahkan persoalan-persoalan yang berkaitan Model Predictive Control.

1 PENDAHULUAN

Perumusan Masalah

Dari latar belakang tersebut diatas maka dirumuskanlah suatu

permasalahan dan metode yang akan digunakan untuk memecahkan permasalahan tersebut:

 Adanya masalah time delay dalam proses pengukuran sinyal respon

dari Heat Exchanger membuat model dengan system control yang biasa tidak lagi dapat bekerja dengan hasil maksimal pada plant tersebut, karenanya perlu digunakan kontroler yang berbasis pada Model Predictive Control (MPC).

 Pada kenyataannya, didalam dunia industri Heat Exchanger juga

terkadang harus bekerja pada beban bervariasi atau berubah yang akan menyebabkan terjadinya perubahan parameter-parameter dari plant tersebut, karena itu selain kemampuan prediksi, pada system juga perlu ditambahkan mekanisme adaptasi yang mampu

melakukan proses pembelajaran terhadap perubahan parameter plant yang terjadi sehingga keluaran dari plant dapat tetap terjaga sesuai dengan setpoint yang diberikan.

1 PENDAHULUAN

Perumusan Masalah

 Berangkat dari permasalahan yang ada diatas, maka pada penelitian

ini didesain suatu system kendali yang mampu memprediksi nilai keluaran dari Heat Exhcanger, serta mampu beradaptasi dengan baik jika terjadi perubahan beban pada plant Heat Exhcanger tersebut.

 System kendali Adaptive Predictive Control dirancang sedemikian

rupa dengan menggunakan computer yang berbasis pada System Inteligent Kontrol yaitu Adaptive Neuro Fuzzy Inference System (ANFIS).

 Dan untuk menjaga agar nilai keluaran system memiliki error yang

kecil maka kontroler yang didesain dikombinasikan dengan kontroler Proportional Integral (PI).

1 PENDAHULUAN

Tujuan dan Manfaat Penelitian

Tujuan dari penelitian ini secara umum adalah sesuai dengan judul penelitian yang telah disebutkan, yaitu:

1) Mengembangkan algoritma Adaptive Predictive Control berbasis

ANFIS yang dikombinasikan dengan kontroler PI sebagai pengendali temperature pada Heat Exchanger.

2) Mengetahui dan memperjelas jenis kontroler yang paling cocok

1 PENDAHULUAN

Tujuan dan Manfaat Penelitian

Dengan tercapainya tujuan tersebut diatas maka manfaat yang bisa diperoleh dari penelitian ini adalah:

1) Temperatur Heat Exchanger dapat dikendalikan sesuai dengan

setpoint yang diinginkan sehingga pemanfaatan energi pada system akan lebih optimal.

2) Adanya alternative solusi dengan metode yang berbeda untuk

menyelesaikan permasalahan proses pengendalian Heat Exchanger.

3) System kendali pada heat exchanger dapat dilakukan secara online

dengan memanfaatkan teknologi computer.

2 KAJIAN PUSTAKA

Heat Exchanger(Feedback instrument Ltd, 2003)

 Plant heat exhcnager yang digunakan dalam penelitian ini adalah

Temperature Process Rig Trainer 38-600, plant ini merupakan bagian dari Procon 38 Series System yang digunakan sebagai trainer dalam proses pengendalian temperatur (Temperature Process Control) secara real.

 Komponen-komponen dan instalasi dari plant adalah seperti yang

terlihat pada Gambar 2.1, yaitu:

 Heat Exchanger  Pompa  Water Reservoir  Heater  Servo valve  Cooling Radiator  Thermistor

2 KAJIAN PUSTAKA

Gambar 2.1 Tampilan depan dari Temperature Porcess Rig Trainer 38-600 (Feedback instrument Ltd, 2003)

2 KAJIAN PUSTAKA

Heat Exchanger(Feedback instrument

Ltd, 2003)

 Pada plant Temperature Process Rig Trainer 38-600 terdapat dua

aliran fluida dengan temperature yang berlainan, yaitu:

 Fluida bertemperatur tinggi, dalam plant ini disebut sebagai

primary flow.

 Fluida bertemperatur rendah, dalam plant ini disebut sebagai

secondary flow.

 Diagram alir dari kedua jenis aliran fluida ini ditunjukkan dalam

2 KAJIAN PUSTAKA

Gambar 2.2 Diagram alir fluida pada Primary Flow dan

2 KAJIAN PUSTAKA

System Kontrol Umpan Balik (Risfendra, 2007)

 Kontroler otomatis yang membandingkan sinyal keluaran sistem

dengan sinyal acuan disebut dengan sinyal umpan balik, yang kemudian dinamakan sistem kontrol umpan balik

 Upaya untuk membuat kesalahan sekecil mungkin tersebut

dinamakan aksi kontrol.

 Diagram blok sistem kontrol umpan balik adalah sebagaimana yang

terdapat dalam Gambar 2.3.

2 KAJIAN PUSTAKA

System Kontrol Umpan Balik

[10]

Dimana:

 r = refference (setpoint)

 y = respon plant

 G = proses yang akan dikendalikan

 K = kontroler

 u = sinyal dari elemen kontrol

 d = gangguan

2 KAJIAN PUSTAKA

System Kontrol Prediksi (Marthin Sanchez, 1996)

 Kontrol prediksi merupakan jenis kontroler yang didesain

berdasarkan model suatu proses, yang digunakan untuk

menghitung sejumlah nilai prediksi keluaran dari proses tersebut.

 Berdasarkan sejumlah nilai prediksi tersebut, sinyal kontrol yang

akan diberikan ke proses dihitung dengan melakukan minimalisasi suatu fungsi kriteria sehingga selisih antara jumlah nilai prediksi keluaran proses tersebut dengan set masukan referensi yang bersesuaian adalah minimal.

 Prediksi keluaran pada waktu k untuk saat waktu k+1 berikutnya

adalah:





 















n i m i i i

y

k

i

b

u

k

i

a

k

k

y

ˆ 1 ˆ 1

)

1

(

ˆ

)

1

(

ˆ

)

1

(

ˆ

(2.2)

2 KAJIAN PUSTAKA

System Kontrol Adaptive Predictive (Marthin

Sanchez, 1996)

 Sebuah model yang membuat prediksi dengan tepat akan mampu

mengimbangi proses keluaran jika ia menerima masukan yang sama seperti pada proses.

 Ketika prediksi tidak memuaskan, terkait dengan parameter yang

tidak bisa menyesuaikan, maka ia sebaiknya mempunyai sebuah mekanisme adaptasi yang mampu menyesuaikan parameter- parameter model dari kesalahan dengan membandingkan proses dengan keluaran model.

2 KAJIAN PUSTAKA

2 KAJIAN PUSTAKA

System Kontrol Adaptive Predictive (Marthin

Sanchez, 1996)

 Adaptive Predictive Control System (APCS) adalah sebagaimana

yang ditampilkan dalam blok diagram pada Gambar 2.7.

2 KAJIAN PUSTAKA

System Kontrol Adaptive Predictive (Marthin

Sanchez, 1996)

 Dalam system adaptive model predictive memberikan suatu estimasi

dari keluaran proses pada waktu k menggunakan parameter- parameter model yang juga diestimasi pada waktu k, yang mana ditandai oleh , sinyal kontrol keluaran dan proses sudah diaplikasikan atau diukur pada waktu sebelumnya.

 Estimasi keluaran model ditampilkan dalam bentuk persamaan :

(2.3)

) ( ˆ k_r 

)

(

)

(

ˆ

)

(

ˆ

k

k

k

k

d

y





_r T



_r



2 KAJIAN PUSTAKA

System Kontrol Adaptive Predictive (Marthin

Sanchez, 1996)

 Dimana: ), 1 ( ),...., 1 ( ), ( [ ) (  T       _r  r k d y k d y k d y k d n  ), 1 ( ),...., 1 ( ), (k d u k d  u k d m_r  u )] 1 ( ),...., 1 ( ), (k d w k d  w k d  p_r  w ), ( ˆ ),...., ( ˆ , ˆ ), ( ˆ ),...., ( ˆ ), ( ˆ [ ) ( ˆ 2 ) ( 1 2 1 k a k a k b b k b k a k _{nr k mr} r  

)]

(

ˆ

),....,

(

ˆ

),

(

ˆ

₁

k

c

₂

k

c

k

c

_pr

2 KAJIAN PUSTAKA

System Kontrol Adaptive Predictive (Marthin

Sanchez, 1996)

 Estimasi error antara keluaran proses dan model:

 Prediksi keluaran pada waktu k+d:

 Trayektory kendali yang dinginkan dapat ditulis sebagai y_d (k+d),

prinsip dari kontrol predictive dapat ditulis kedalam bentuk persamaan:

 Persamaan tersebut diatas dapat juga ditulis dalam bentuk

persamaan:

)

(

)

(

)

(

)

(

ˆ

)

(

)

(

k

k

y

k

y

k

k

y

k

k

k

d

e











_r T



_r



(2.4)

)

(

)

(

ˆ

)

(

ˆ

k

d

k

k

k

y







_r T



_r

_(2.6)

)

(

)

(

ˆ

)

(

k

d

k

k

y

_d







_r T



_r

(2.7a)

)

(

)

(

ˆ

)

(

)

(

ˆ

)

(

k

d

k

k

₁

k

u

k

y

_d







_ro T



_ro





(2.7b)

2 KAJIAN PUSTAKA

System Kontrol Adaptive Predictive (Marthin

Sanchez, 1996)

 Sehingga persamaan untuk menentukan besarnya sinyal kontrol

adalah:

 Jelaslah bahwa mekanisme adaptasi harus selalu menjamin bahwa

parameter tidak nol untuk setiap waktu k.

 Sehingga akhirnya dapat didefinisikan suatu kontrol atau tracking

error yang merupakan selisih dari keluaran proses dan keluaran kendali yang diiginkan, sebagai:

)

(

ˆ

)

(

)

(

ˆ

)

(

)

(

1

k

k

k

d

k

y

k

u

ro T ro d













(2.8)

) ( ˆ 1 k 

)

(

)

(

)

(

k



y

k



y

_d

k



_(2.9)

2 KAJIAN PUSTAKA

Adaptive Neuro Fuzzy Inference System (Jang,

1997, Sri Kusumadewi, 2006)

 Neuro-fuzzy adalah gabungan dari dua sistem yaitu sistem logika

fuzzy dan jaringan syaraf tiruan, dimana sistem inferensi fuzzy dilatih menggunakan algoritma pembelajaran yang diturunkan dari sistem jaringan syaraf tiruan.

 Dengan demikian, sistem neuro-fuzzy memiliki semua kelebihan

yang dimiliki oleh sistem inferensi fuzzy dan sistem jaringan syaraf tiruan.

 Dari kemampuannya untuk belajar maka sistem neuro-fuzzy sering

disebut sebagai ANFIS (Adaptive Neuro Fuzzy Inference Systems).

 Secara fungsional arsitektur ANFIS sama dengan fuzzy rule base

model Sugeno dan juga sama dengan jaringan syaraf dengan fungsi radial dengan sedikit batasan tertentu.

2 KAJIAN PUSTAKA

Adaptive Neuro Fuzzy Inference System (Jang,

1997, Sri Kusumadewi, 2006)

 Salah satu bentuk struktur yang sudah sangat dikenal adalah seperti

terlihat pada Gambar 2.16.

2 KAJIAN PUSTAKA

Adaptive Neuro Fuzzy Inference System(Jang,

1997, Sri Kusumadewi, 2006)

 Seperti terlihat pada Gambar 2.16, sistem ANFIS terdiri dari 5 lapisan,

yaitu:

1) Layer-1: Membangkitkan derajat keanggotaan.

2) Layer-2: Membangkit firing strength.

3) Layer-3: Bagian untuk menghasilkan keluaran yang

menormalkan firing strength.

4) Layer-4: Menghitung keluaran kaidah berdasarkan parameter

consequent.

5) Layer-5: Menghitung sinyal keluaran ANFIS dengan

2 KAJIAN PUSTAKA

Adaptive Neuro Fuzzy Inference System

(Jang,

1997, Sri Kusumadewi, 2006)

 Proses adaptasi yang terjadi dalam sistem ANFIS dikenal juga

dengan pembelajaran, yaitu parameter-parameter ANFIS (baik premise maupun consequent) Selama proses belajar akan diperbaharui menggunakan metode pembelajaran.

 Metode pembelajaran yang digunakan dalam sistem ANFIS adalah

algoritma pembelajaran hybrid, yang terdiri dari dua bagian yaitu bagian arah maju dan bagian arah mundur.

 Pada bagian arah maju, proses adaptasi dilakukan menggunakan

metode LSE dan terjadi pada parameter consequent, sedangkan pada bagian arah mundur, proses adaptasi dilakukan menggunakan

metode gradient-descent dan terjadi pada parameter premise.

3 METODE PENELITIAN

Heat Exchanger

 Sistem kendali pada plant Heat Exhanger memanfaatkan pengolahan

arus listrik, sedangkan proses akuisisi data dengan ADC dan DAC memerlukan pengolahan tegangan listrik agar dapat dibaca

komputer.

 Oleh sebab itu, dalam proses identifikasi atau proses pengendalian

temperatur Heat Exhanger ini diperlukan pengubah arus ke tegangan, demikian pula sebaliknya.

 Blok diagram untuk identifikasi dan pengendalian temperatur Heat

3 METODE PENELITIAN

Heat Exchanger

3 METODE PENELITIAN

Model Matematis Plant Heat Exchanger (Angga

Saputro, 2008)

 Model plant diperlukan untuk proses simulasi, menguji algoritma

kontroler, menentukan parameter awal dari kontroler dan permodelan system serta mempertajam analisa untuk kebutuhan desain

kontroler.

 Persamaan fungsi alih dari model plant Heat Exhanger pada

Temperature Process Rig Trainer 38-600 adalah sebagai berikut:

1) Beban nominal 2) Beban bertambah

1

009566

,

8

03829

,

16

9538

,

0

2







s

s

G

1

1574

,

4

321

,

4

5395

,

0

2







s

s

G

(3.1)

(3.2)

3 METODE PENELITIAN

Desain Kontroler

 Kontroler dirancang sedemikian rupa hingga diperolehnya respon

sistem yang sesuai dengan kriteria yang diinginkan.

 Adaptive Predictive Control berbasis Adaptive Neuro-Fuzzy Inference

System Proportional Integral (ANFIS-PI) yang dikembangkan adalah sebagaimana yang dipelihatkan pada blok diagram Gambar 3.3.

 Secara garis besar system tersebut dibagi menjadi empat bagian

utama yaitu: 1) Plant

2) Model prediksi keluaran sistem 3) Model invers dari keluaran sistem 4) Model prediksi error

3 METODE PENELITIAN

Desain Kontroler

Gambar 3.3 Blok diagram Control Adaptive Predictive Berbasis ANFIS

3 METODE PENELITIAN

Arsitektur ANFIS

 Arsitektur ANFIS yang dirancang untuk kebutuhan desain kontroler dan permodelan sistem adalah sebagimana terlihat pada Gambar 3.4 berikut.

Gambar 3.4 Arsitektur ANFIS dengan empat variabel masukan dan empat rule

3 METODE PENELITIAN

Arsitektur ANFIS

 Struktur dari model ANFIS yang digunakan tersebut adalah

berdasarkan pada:

 Model fuzzy Sugeno orde-satu sehingga bagian consequen dari

aturan fuzzy if-then adalah persamaan linier.

 Operator T-norm yang membentuk fuzzy AND adalah keluaran

aljabar.

 Type fungsi kenggotaan (Member Fucntion-MF) dari input adalah

fungsi generalized bell yang merupakan persamaan yang tidak linier.

3 METODE PENELITIAN

Arsitektur ANFIS

 Fungsi node pada setiap layer yang sama akan memiliki fungsi

yang serupa, dengan penjelasan untuk masing-masing layer adalah sebagai berikut:

a) Layer-1, membangkitkan derajat keanggotaan:

dimana x1, x2, x3 dan x4 adalah masukan pada node i dan Ai, Bi-4, Ci-8 dan Di-12 adalah fuzzy set yang berhubungan

dengan node ini dalam bentuk fungsi generalized bell:

16 15, 14, 13, untuk ), ( atau 12 11, 10, 9, untuk ), ( atau 7,8 6, 5, untuk ), ( atau 3,4 2, 1, untuk ), ( 4 12 , 3 8 , 2 4 , 1 ,            i x O i x O i x O i x O i D i l i C i l i B i l i A i l









( 3.3)

i b i i

a

c

x

x

A

2

1

1

)

(









(3.4)

3 METODE PENELITIAN

Arsitektur ANFIS

b) Layer-2, membangkit firing strength dari suatu rule yaitu

dengan mengalikan setiap sinyal masukan, sebagai berikut:

c) Layer-3, bagian untuk menghasilkan keluaran yang

menormalkan firing strength, sebagai berikut:

d) Layer-4, menghitung keluaran kaidah berdasarkan parameter

consequent. Dari Gambar 3.4 ditentukan parameter-parameter consequent adalah pi, qi, ri, si, ti. Maka persamaan pada layer- 4 ini adalah: 4 ..., 1, , ) ( ) ( ) ( ) ( _{1 2 3 4} , 2  w  x  x  x  x i  O _{i i}



_Ai



_Bi



_Ci



_Di

(3.5)

...,4

1,

,

4 3 2 1 , 3





_

_

_

i



w

w

w

w

wi

w

O

_{i i}

(3.6)

),

(

_{1 2 3 3} , 4 i

w

i

f

i

w

i

p

i

x

q

i

x

r

i

x

s

i

x

t

i

O













(3.7)

3 METODE PENELITIAN

Arsitektur ANFIS

e) Layer-5, menghitung sinyal keluaran ANFIS dengan

menjumlahkan semua sinyal yang masuk:

, 5







  i i i i i w f w fi wi O

(3.8)

3 METODE PENELITIAN

Algoritma Pembelajaran Hybrid

 Proses adaptasi yang terjadi dalam sistem ANFIS dikenal juga

dengan pembelajaran hibrid, yang terdiri dari dua bagian yaitu bagian arah maju dan bagian arah mundur.

a) Bagian arah maju

 Ketika nilai parameter-parameter bagian premise telah

ditentukan, maka total keluaran dapat dinyatakan sebagai kombinasi linier dari parameter-parameter consequent.

2 4 3 2 1 2 1 4 3 2 1 1 f w w w w w f w w w w w f         4 4 3 2 1 4 3 4 3 2 1 3 f w w w w w f w w w w w        

(3.9)

3 METODE PENELITIAN

Algoritma Pembelajaran Hybrid (arah maju)

dimana linier pada parameter-parameter consequent p1, q1,

r1, s1, t1, p2, q2, r2, s2, t2, p3, q3, r3, s3, t3, dan p4, q4, r4, s4, t4. Sehingga: 4 4 4 4 4 3 4 4 2 4 4 1 4 3 3 3 4 3 3 3 3 3 2 3 3 1 3 2 2 2 4 2 2 3 2 2 2 2 2 1 2 1 1 1 4 1 1 3 1 1 2 1 1 1 1 4 4 4 3 4 2 4 1 4 4 3 4 3 3 3 2 3 1 3 3 2 4 2 3 2 2 2 1 2 2 1 4 1 3 1 2 1 1 1 1 ) ( ) ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( t w s x w r x w q x w p x w t w s x w r x w q x w p x w t w s x w r x w q x w p x w t w s x w r x w q x w p x w t x s x r x q x p w t x s x r x q x p w t x s x r x q x p w t x s x r x q x p w                                        



X

f



(3.10)

3 METODE PENELITIAN

Algoritma Pembelajaran Hybrid (arah maju)

 Dengan menggunakan metode invers dan dengan

mengasumsikan jumlah baris dari pasangan X dan f adalah k, maka diperoleh:

 Karena jumlah parameter ada sebanyak n, maka kita bisa

menyelesaikan matrik n x n dengan metode invers sebagai berikut:

f

X

X

X

T T k

(

)

1 





(3.12)

1

)

(





T _n n n

X

X

P

f

X

P

_{n n}T n





(3.13)

(3.14)

3 METODE PENELITIAN

Algoritma Pembelajaran Hybrid (arah maju)

 Dengan LSE rekursif, selanjutnya iterasi dimulai dari data ke-

(n+1), dengan nilai Pk+1 dan Wk+1 dapat dihitung sebagai berikut:

 Pada penelitian ini nilai P₀ dan ₀ merupakan nilai awal yang ditentukan secara random

T k k k T k k

A

P

A

X

X

P

P

P

) 1 ( 2 0 ) 1 ( 2 ) 1 ( 2 ) 1 ( 2 0 0 1

1

_{ }   







)

(

_{1 2( 1) 0} ) 1 ( 2 1 0 1







_





_{ } T _k



_k k k k

P

A

y

A

(3.15)

(3.16)

3 METODE PENELITIAN

Algoritma Pembelajaran Hybrid

b) Bagian arah mundur

 Pada bagian mundur, sinyal error dipropagasi mundur dan

parameter-parameter premise diperbaharui dengan gradient descent.

 dimana  adalah laju pembelajaran untuk a_ij . Kaidah berantai

yang digunakan untuk menghitung derivative parsial digunakan untuk memperbaharui parameter fungsi keanggotaan. ij ij ij

a

E

t

a

t

a













1

)

(

)



(

_(3.17)

ij ij ij i i i i ij

a

w

w

f

f

f

f

E

a

E







































(3.18)

ij ij ij

c

E

t

c

t

c













1

)

(

)



(

3 METODE PENELITIAN

Algoritma Pembelajaran Hybrid (arah mundur)

 Derivative parsial diperoleh sebagai,

sehingga, sehingga, 2

)

(

2

1

_

_



f

f

E

e

f

f

f

E

_

_

_





_

)

(

(3.19)







n i i

f

f

1

1







i

f

f

(3.20)

3 METODE PENELITIAN

Algoritma Pembelajaran Hybrid (arah mundur)

sehingga, sehingga,

)

(

_{1 2 3} 1 i i i i n i i i

s

x

r

x

q

x

p

w

w

fi































n i i i i i i i i

w

f

s

x

r

x

q

x

p

w

f

1 3 2 1

)

(







m j Aji i

w

1



(3.21)

ij i ij i

w

w











_(3.22)

3 METODE PENELITIAN

Algoritma Pembelajaran Hybrid (arah mundur)

 Gradient kemudian diperoleh sebagai berikut:

 Sebelum melakukan proses pembelajaran, kita harus

mendefinisikan nilai awal dari parameter-parameter premise a, b, dan c ij ij ij i n i i i i i i ij

a

w

w

f

s

x

r

x

q

x

p

e

a

E

























1 3 2 1

)

(

(3.23)

ij ij ij i n i i i i i i ij

c

w

w

f

s

x

r

x

q

x

p

e

c

E

























1 3 2 1

)

(

3 METODE PENELITIAN

Model Prediksi dan Invers dengan ANFIS

 Model standar yang digunakan untuk merepresentasikan system

yang didesain adalah model nonlinear autoregressive-moving average (NARMA)

 Sehingga didapat model keluaran prediksi adalah:

 Dan model keluaran invers adalah:

),

1

(

),....,

1

(

),

(

[

)

(

ˆ

k



F

y

k



d

y

k



d



y

k



d



n



y

)]

1

(

),....,

1

(

),

(

u

k



d

u

k



d



u

k



d



n



(3.25)

),

1

(

),....,

1

(

),

(

[

)

(

ˆ

k



d



H

y

k



d

y

k



d



y

k



d



n



u

)]

1

(

),....,

1

(

u

k



d



u

k



d



n



(3.26)

3 METODE PENELITIAN

Kontroler Neuro Fuzzy

 Besarnya nilai dari sinyal ditentukan oleh parameter-parameter

kontroler Neuro Fuzzy, nilai masukan yang berasal dari output model ym , sinyal keluaran sistem y(k) serta sinyal kontrol u(k).

 Parameter-parameter kontroler diambil secara online dari bagian

invers model plant yang melakukan proses pembelajaran.

 Besarnya sinyal kontroler yang dihasilkan oleh kontroler Neuro

Fuzzy adalah:

)]

1

(

),....,

1

(

),

1

(

),....,

1

(

),

(

),

(

[

)

(



















n

k

u

k

u

n

k

y

k

y

k

y

d

k

y

G

k

u

_m (3.27)

3 METODE PENELITIAN

Kontroler Proporsional-Integral (PI)

 Kelemahan dari model ANFIS pada pada kasus pengendalian Heat

Exchanger ini adalah lambatnya adaptasi parameter model invers terhadap perubahan set point dan beban yang terjadi, yang

membuat kontroler bekerja tidak mampu untuk menghasilkan keluaran sesuai yang sesuai dengan seting point.

 Karenanya penambahan kontroler PI pada sistem diharapkan dapat

menutupi kelemahan tersebut.

 Sehingga persamaan untuk sinyal kontroler u(k) adalah sebagai

berikut:

)

(

)

(

)

(

k

u

k

u

k

u



_NF



_PI (3.28)

3 METODE PENELITIAN

Model Prediksi Error

 Error Model Prediksi adalah suatu bagian yang berfungsi untuk

menjaga agar keluaran sistem mampu untuk tetap mengikuti seting point yang diberikan.

 Model ini diturunkan dari model persamaan sistem adaptif, dan dapat

dijelaskan berdasarkan ilustrasi dari model system sebagaimana yang terlihat pada Gambar 3.5.

3 METODE PENELITIAN

Model Prediksi Error

 Dari penurunan persamaan yang dijabarkan berdasarkan Gambar 3.3

maka akan didapatkan persamaan error dari model prediksi sebagai berikut:

 Dimana ₁ *, ₂ *, ₃ *, ₁ * dan ₂ * adalah parameter-parameter dari persamaan error model prediksi.

 Pada penelitian ini ditentukan sebuah model yang dijadikan sebagai

referensi untuk menentukan nilai parameter-parameter error model sebagai berikut:

 Dari fungsi alih tersebut, parameter-parameter error model yang

didapatkan dari hasil perhitungan perdasarkan persamaan (3.30)

sampai dengan persamaan (3.37) adalah ₁ *=1, ₂ *=-1, ₁ *=0,7358 dan

₂ *= 0,1353

)

1

(

)

(

)

1

(

)

(

)

1

(

)

1

(

ˆ

* 2 * 1 * 3 * 2 * 1



















k

e

k

e

k

y

k

y

k

y

k

e

_{r r r}











(3.37)

1

2

1

2







s

s

G

_{m (3.38)}

3 METODE PENELITIAN

Pengujian Kontroler

 Berdasarkan rancangan struktur kontroler yang telah dibuat diatas,

maka langkah selanjutnya adalah mengimplementasikan rancangan kontroler, yang mana pada penelitian ini disimulasikan dengan

menggunakan program Matlab.

 Pengujian yang dilakukan meliputi:

1. Pengujian model matematis plant pada system open loop. 2. Pengujian model plant berbasis ANFIS.

3. Pengujian model invers plant berbasis ANFIS. 4. Pengujian kotroler prediksi berbasis ANFIS 5. Pengujian kotroler adaptif prediksi berbasis PI

6. Pengujian kotrol adaptif prediksi berbasis ANFIS-PI

4 PEMBAHASAN

Respon Open-Loop Sistem Heat Exchanger

 Dengan masukan step pada masing-masing model plant maka

dihasilkan respon dari plant sebagimana terlihat pada Gambar 4.2.

0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 Waktu (detik) R e s po n P lant (oC ) Beban Bertambah Beban Nominal

Gambar 4.2 Respon Open-Loop model system Heat Exchanger dengan setpoint step 2,5.

4 PEMBAHASAN

Respon Open-Loop Sistem Heat Exchanger

 Berdasarkan gambar respon open-loop dari masing-masing model

pant dapat dilihat bahwa terdapat perbedaan yang jelas antara respon pada model plant dengan beban rendah dan model plant dengan

beban bertambah.

 Hal inilah yang kemudian menjadi dasar bahwa untuk menjaga agar

respon dari sistem Heat Exchanger tersebut tetap stabil pada nilai yang diinginkan akibat adanya perubahan beban, maka pada sistem plant perlu untuk ditambahkan sistem kendali (kontroler).

4 PEMBAHASAN

Respon Model Plant Prediksi Berbasis ANFIS

 Respon dari permodelan plant Heat Exchanger dengan metode ANFIS

adalah sebagaimana diperlihatkan dalam Gambar 4.3.

0 300 600 900 1200 1500 1800 2100 2400 2700 0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 Waktu (detik) R e spon P la n t d an M ode l A N F IS (oC ) Respon Plant Output Model Plant

Beban bertambah

Beban bertambah

Beban kembali ke awal Reference diperkecil 60oC

Beban bertambah

Beban kembali ke awal

Reference diperbesar 90oC Beban kembali ke awal

4 PEMBAHASAN

Respon Model Plant Prediksi Berbasis ANFIS

 Dari gambar terlihat bahwa respon permodelan plant sudah mampu

mengikuti respon plant dengan baik dengan nilai error yang kecil

pada variasi setpoint dan beban yang diberikan pada system tersebut.

 Parameter yang didapat dari proses learning untuk mencapai respon

pada permodelan tersebut diatas kemudian digunakan secara online untuk menentukan nilai prediksi keluaran dari system.

 Respon dari dari prediksi nilai keluaran plant dengan Neuro Fuzzy

diperlihatkan pada Gambar 4.7.

 Dari gambar terlihat bahwa prediksi berbasis Neuro Fuzzy juga masih

mampu bekerja dengan baik pada variasi setpoin dan beban yang diberikan pada sistem.

4 PEMBAHASAN

Kontroler Prediksi Dengan Model Invers Berbasis

ANFIS

 Model invers pada sistim ini berfungsi untuk melakukan pembelajaran

sampai dengan dicapainya nilai error invers yang terkecil.

 Posisi bagian model invers ini sangat menentukan dalam proses

pengendalian karena parameter yang dihasilkan akan digunakan secara online oleh bagian kontroler Neuro Fuzzy.

 Namun dari grafik hasil simulasi terlihat bahwa sinyal model invers

tidak dapat mengikuti dengan baik perubahan yang terjadi pada set point dan beban system Gambar 4.4.

 Hal ini membuktikan bahwa dengan menggunakan metode ini pada

system kontroler, sinyal invers masih perlu untuk disempurnakan sebelum diberikan ke plant agar system dapat bekerja dengan baik pada kondisi yang berbeda.

 Karena itu pada penelitian ini untuk memperbaiki sinyal kontroler

nantinya sinyal kontroler Neuro Fuzzy dijumlahkan dengan sinyal kontroler PI.

4 PEMBAHASAN

Kontroler Prediksi Dengan Model Invers Berbasis

ANFIS

0 300 600 900 1200 1500 1800 2100 2400 2700 0 20 40 60 80 100 120 140 160 180 200 Waktu (detik) R e s po n M odel Invers (oC ) Sinyal Kontroler Output Model Invers

Reference diperbesar 90oC Beban bertambah

Reference diperkecil 60oC

4 PEMBAHASAN

Kontroler Prediksi Dengan Model Invers Berbasis

ANFIS

0 300 600 900 1200 1500 1800 2100 2400 2700 0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 Waktu (detik) S in y al R espon (oC ) Setpoint Respon Plant Setpoint 60oC Beban bertambah Setpoint 75oC Beban normal Beban bertambah Setpoint 90oC Beban normal Beban bertambah

Gambar 4.5 Grafik respon plant dengan kontrol prediksi dan model invers berbasis ANFIS

4 PEMBAHASAN

Kontroler Adaptif Prediktif PI dan Model Plant

Berbasis ANFIS

 PI dapat digunakan untuk menyempurnakan sinyal kontrol Neuro

Fuzzy untuk menghasilkan keluaran sistem yang tetap dapat mengikuti seting point yang diberikan.

 Disini diperlihatkan pengaruh kontroler PI terhadap sistem kontrol

prediksi apabila berdiri sendiri, yang responnya dapat dilihat pada Gambar 4.6.

 Terlihat bawa kontroler PI masih lebih baik dalam menghadapi

perubahan yang terjadi pada sistem apabila dibandingkan dengan

4 PEMBAHASAN

Kontroler Adaptif Prediktif PI dan Model Plant

Berbasis ANFIS

0 300 600 900 1200 1500 1800 2100 2400 2700 0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 Waktu (detik) R e spon P la n t d an R e s p on S tep (oC ) Setpoint Respon Plant Beban bertambah Beban normal Beban normal Setpoint 75oC Setpoint 90oC Beban bertambah Setpoint 60oC

Gambar 4.6 Respon dari sisten dengan kontroler PI prediksi dan model plant berbasis ANFIS

4 PEMBAHASAN

Kontroler Adaptif Prediktif Berbasis ANFIS-PI

 Desain kontroler adaptif prediktif berbasis ANFIS-PI bertujuan untuk

menghasilkan keluaran sistem yang mampu tetap mengikuti seting point yang diberikan, walaupun pada terjadi perubahan beban pada plant.

 Dari Gambar 4.7 dapat dilihat bahwa kontroler ini dapat bekerja

dengan hasil yang lebih baik.

 Error sinyal plant terhadap reference yang terjadi adalah sebagaimana

yang terlihat pada Gambar 4.8.

 Terlihat bahwa terjadi perubahan nilai error yang signifikan ketika

terjadi perubahan pada sistem, namun setelah respon mendekati nilai steady state nilai error sudah sangat kecil.

4 PEMBAHASAN

Kontroler Adaptif Prediktif Berbasis ANFIS-PI

0 300 600 900 1200 1500 1800 2100 2400 2700 0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 Waktu (detik) S iny al R es pon ( oC ) Setpoint Respon Plant Output Prediksi Setpoint 90oC Setpoint 75oC Setpoint 60oC Beban Bertambah Beban Normal Beban Normal Beban Bertambah Beban Bertambah Beban Normal

4 PEMBAHASAN

Kontroler Adaptif Prediktif Berbasis ANFIS-PI

Gambar 4.8 Error sinyal plant terhadap sinyal reference dengan beban berubah

5 KESIMPULAN DAN SARAN

Kesimpulan

 Secara umum dapat dikatakan bahwa system control yang didesain

untuk pengendalian Heat Exchanger telah mampu bekerja dengan baik.

 Dari uraian-uraian yang dijabarkan dalam bab sebelumnya maka dapat

ditarik beberapa kesimpulan sebagai berikut:

1. Pemodelan plant dengan menggunakan metode ANFIS dapat bekerja dengan baik pada plant yang tidak linier. Hal ini terlihat dari hasil pengujian dimana model tersebut tetap mampu

bergerak mengikuti bentuk dari respon plant dengan error yang relative kecil, baik pada beban plant yang berubah maupun pada setpoint yang berbeda.

2. Penggunakan model invers dalam desain kontroler kurang baik untuk kondisi beban plant dan reference yang berubah.

Karenanya untuk memperbaiki kerja dari model jenis tersebut perlu ditambahkan kontroler PI pada system. Kontroler PI akan membantu kontroler Neuro Fuzzy untuk memperbaiki sinyal kontroler yang akan diberikan ke plant.

5 KESIMPULAN DAN SARAN

Kesimpulan

3. Desain kontroler Adaptif Prediktif berbasis ANFIS-PI untuk

pengendalian temperature Heat Exchanger telah bekerja sesuai dengan criteria yang dinginkan, yaitu respon plant dengan

system kontroler tersebut tetap dapat mengikuti setpoint

dengan error yang relative kecil, walaupun pada kondisi dimana terjadi perubahan beban maupun perubahan setpoint pada

5 KESIMPULAN DAN SARAN

Saran



Dari hasil pengujian dan uraian pembahasan terlihat bahwa

kekurangan system hanya terletak pada model invers dengan

metode ANFIS yang tidak maksimal dalam kerjanya akibat

kurang mampu beradaptasi terhadap penurunan sinyal yang

masuk ke model.



Karena itu perlu dikembangkan model invers dengan metode

atau struktur yang berbeda sehingga kontroler untuk

kebutuhan plant Heat Exchanger dapat didesain tanpa

menggunakan kontroler PI.

DAFTAR PUSTAKA

1) Angga Saputro, (2008), “Implementasi Kontroler Neural Network Untuk Pengaturan Temperatur Pada Feedback 38-600 Temperature Process Rigg”, Tugas Akhir Bidang Keahlian Teknik Sistem

Pengaturan Jurusan Teknik Elektro ITS, Surabaya.

2) Feedback instrument Ltd, (2003), “PROCON Temperature Process Rig Trainer 38-600 Instruction Manual”, Feedback Instrument Ltd., UK.

3) Jang J.-S.R., Sun C.-T., Mizutani E., (1997), “Neuro-Fuzzy And Soft Computing: A Computational Approach To Learning And Machine Intelligence”, Prentice-Hall, Inc.

4) Johnson, Curtis D., (2003), “Process Control Instrumentation Technology-7th ed”, Prentice-Hall, New Jersey.

5) Juan M. Marthin Sanchez, Jose Rodellar, (1996), “Adaptive Predictive Control: From the Concepts to Plant Optimization”, Prentice Hall, London.

DAFTAR PUSTAKA

6) Mahdi Jalili-Kharajoo, Babak N. Araabi (2004), “Neural Network Based Predictive Control of a Heat Exchanger Nonlinear Process”, Journal of Electrical & Electronic Engineering, Instambul University, Vol. 4, No. 2, hal. 1219-1226.

7) M.A. Denaı, F. Palis, A. Zeghbib, (2007), “Modeling And Control Of Non-Linear Systems Using Soft Computing Techniques”, Applied Soft Computing, Vol. 7, hal. 728-738.

8) Landu, Ioan Dore, (1990), “System Identification and Control Design Using P.I.M + Software”, Prentice Hall Inc.

9) Ogata, Katsuhito, (1997), “Modern Control Engineering”, Prentice-Hall, New Jersey.

10) Risfendra (2007), “Disain Dan Implementasi Kontroler Kaskade Robust Pada Sistem Pressure Control Trainer Feedback 38-714”, Tesis Program Magister Bidang Keahlian Teknik Sistem Pengaturan Jurusan Teknik Elektro ITS, Surabaya.

11) Radu Bălan, Vistrian Mătieş, Victor Hodor, Olimpiu Hancu, and Sergiu Stan, (2007), “Applications of a Model Based Predictive

Controlto Heat-Exchangers”, Proceeding of The 15th Mediterranian Conference On Control And Automation, Athens-Greece, T27-010.

DAFTAR PUSTAKA

12) Sri Kusumadewi, Sri Hartati (2006), “Neuro-Fuzzy: Integrasi Sistem Fuzzy dan Jaringan Syaraf”, Graha Ilmu, Yogyakarta.