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 PembimbingIr. 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 iy
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 kr )
(
)
(
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 mr u )] 1 ( ),...., 1 ( ), (k d w k d w k d pr 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
1k
c
2k
c
k
c
pr2 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 yd (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
1k
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
)
(
)
(
1k
k
k
d
k
y
k
u
ro T ro d
(2.8)
) ( ˆ 1 k )
(
)
(
)
(
k
y
k
y
dk
(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 ia
c
x
x
A
21
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 iw
if
iw
ip
ix
q
ix
r
ix
s
ix
t
iO
(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 nX
X
P
f
X
P
n nT 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 11
)
(
1 2( 1) 0 ) 1 ( 2 1 0 1
T k
k k k kP
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 aij . 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 ija
w
w
f
f
f
f
E
a
E
(3.18)
ij ij ijc
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 if
f
11
if
f
(3.20)
3 METODE PENELITIAN
Algoritma Pembelajaran Hybrid (arah mundur)
sehingga, sehingga,
)
(
1 2 3 1 i i i i n i i is
x
r
x
q
x
p
w
w
fi
n i i i i i i i iw
f
s
x
r
x
q
x
p
w
f
1 3 2 1)
(
m j Aji iw
1
(3.21)
ij i ij iw
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 ijc
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 InversReference 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 bertambahGambar 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 60oCGambar 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.