Perancangan Kontroler PID-LQR dan Robust Neural Network Estimator untuk Direct Torque Control Motor Induksi Tiga Fasa

(1)

TUGAS AKHIR

PERANCANGAN KONTROLER PID-LQR DAN

ROBUST NEURAL NETWORK

ESTIMATOR

UNTUK

DIRECT TORQUE CONTROL

MOTOR INDUKSI TIGA

FASA

DISUSUN OLEH:

Farida Gamar 2213 105 043

DOSEN PEMBIMBING:

Dr. Ir. Mochammad Rameli

Ir. Rusdhianto Effendie A.K, MT.

(2)

(3)

LATAR BELAKANG

Kompleks

sehingga sulit

dikendalikan

Metode vektor

kontrol yaitu

DTC

Masih banyak

terjadi fluktuasi

switching

(4)

RUMUSAN MASALAH

1. Desain Metode Direct Torque Control (DTC)

yang dapat meminimalkan terjadinya fluktuasi

pada pemilihan sektor.

2. Desain kontroler kecepatan motor induksi

secara optimal.

3. Mendesain agar kecepatan motor induksi

sesuai dengan model kecepatan yang

diinginkan.

(5)

TUJUAN

1. Merancang metode vektor kontrol yaitu

Direct Torque Control

(DTC) sebagai

pengaturan kecepatan motor induksi 3 fasa.

2. Merancang Neural Network fluks estimator untuk mengestimasi nilai fluks

stator.

3. Merancang Kontroler PID yang dituning menggunakan metode

Linear Quadratic

Regulator

(LQR) untuk mengatur kecepatan motor induksi.

4. Merancang

neural network flux reference

agar kecepatan aktual sama dengan

(6)

BATASAN MASALAH

1. Parameter motor induksi menggunakan parameter dari

textbook Advance Power Electronic

(7)

TINJAUAN

PUSTAKA

(8)

Motor Induksi

1. Konstruksi motor induksi sederhana, kokoh,

handal, mudah perawatannya, dan relatif

murah.

2. Terdiri dari banyak bagian, namun yang

menjadi subsystem dasar adalah stator dan

rotor.

3. Kumparan stator terdiri dari 3 kumparan yang

berbeda phasa 120°.

(9)

Motor Induksi (2)



Performansi motor induksi 3 fasa agak kompleks dikarenakan gulungan rotor 3

fasa bergerak sehubungan dengan gulungan stator 3 fasa.



Diperlukan penyederhanaan dari 3 fasa ke 2 fasa.

a

b

c

r q r d s q s d

(10)

Motor Induksi (3)

Transformasi Clarke

1 2 3 1 2 3 − 1 2 − as α s b s c β R

Transformasi Park

Xa Xα _=T _X 23 b X β Xc     _{ }   _{ }   _{ }_{ } 1 1 1 - -2 ₂ ₂ T =₂₃ 1 1 3 0 3 - 3 2 2           s α r α d s β r β q θ r θ s θ s θ X _{cosθ sinθ} X_α d = _X X_q -sinθ cosθ _β

 

_

_

 

 

_

_

_

 

  

 

Transformasi yang digunakan untuk mengubah besara stator ke dalam koordinat stationary rotating frame(d-q) Transformasi yang digunakan untuk mengubah dari 3 fasa menjadi 2 fasa (abc to 𝛼𝛼)

X dapat berupa tegangan (v), arus (i) , dan frekuensi (f)

(11)

Motor Induksi (4)

𝑉

_𝑞𝑞

𝑉

_𝑑𝑞

𝑉

_𝑞𝑞

𝑉

_𝑑𝑞

=

𝑅

_𝑞

+

𝑆𝐿

_𝑞

𝜔

.

𝐿

_𝑞

𝑆𝐿

_𝑚

𝜔

.

𝐿

_𝑚

−𝜔

.

𝐿

_𝑞

𝑆𝐿

𝑚

−

(

𝜔 − 𝜔

_𝑞

)

𝐿

_𝑚

𝑅

_𝑞

+

𝑆𝐿

_𝑞

(

𝜔 − 𝜔

_𝑞

)

𝐿

_𝑚

𝑆𝐿

𝑚

−𝜔

.

𝐿

_𝑚

𝑅

𝑞

+

𝑆𝐿

𝑞

−

(

𝜔 − 𝜔

_𝑞

)

𝐿

_𝑞

𝑆𝐿

_𝑚

(

𝜔 − 𝜔

_𝑞

)

𝐿

_𝑞

𝑅

_𝑞

+

𝑆𝐿

_𝑞

𝑖

_𝑞𝑞

𝑖

_𝑑𝑞

𝑖

_𝑞𝑞

𝑖

𝑑𝑞

Bentuk persamaan model matematika motor induksi

Rs Lls Llr + i_qs Rr i_qr ωλds (ω-ωr)λdr LM + _ _ Rs Lls Llr + i_ds Rr i_dr ωλqs (ω-ωr)λqr LM + _ _ Vqs Vds _Vdr Vqr

Persamaan Kron

(12)

Direct Torque Control (DTC)

Variable Frequency

Control

U/f=const Passivity based _Control

Stator Flux Oriented Direct Torque Control Rotor Flux Oriented Hexagon flux trajectory (Depenbrock) Direct Torque space-vector modulation Feedback Linierisation Is=f(ωt) Circular flux trajectory (Takahashi) Indirect (Hasse) Direct (Blaschke) Scalar Based

controllers Vector based controller

Field Oriented

Closed Loop Flux &Torque control Open Loop NFO

(Jonsson)

(13)

Direct Torque Control (2)

TABEL SWITCHING SEKTOR FLUKS DAN TORSI ESTIMATOR INVERTER MOTOR INDUKSI Referensi Fluks Referensi Torsi

Kontrol Loop Fluks

Kontrol Loop Torsi

State switch ia ib

+-Skema DTC

estimator Komparator Switching Table |𝜆𝑞| = 𝜆𝑑𝑞2+𝜆𝑞𝑞2 𝛼 =∠𝜆𝑞 = tan−1_𝜆𝜆𝑞𝑞 𝑑𝑞 ψqs -1 α= ψ =tan_s ψds ∠ DTC Modifikasi : 00_<_α₍₁₎_{< 60}0 600_<_α₍₂₎_{< 12}₀0 1200_<_α₍₃₎_{< 18}₀0 1800_<_α₍₄₎_{< -12}₀0 -1200_<_α₍₅₎_{< -6}₀0 -600_<_α₍₆₎_<₀0 V1 V2 V3 V4 V5 _V₆ q-axis α1 α6 α3 α5 α4 α2 DTC konvensional : -300_<_α₍₁₎_<₃₀0 300_<_α₍₂₎_{< 9}₀0 300_<_α₍₃₎_{< 9}₀0 900_<_α₍₄₎_{< 15}₀0 1500_<_α₍₅₎_{< 21}₀0 2100_<_α₍₆₎_{< 27}₀0

(14)

Neural Network

Merupakan salah satu bentuk penyederhanaan dari jaringan sistem syaraf biologis

dinyatakan dalam formulasi matematika jaringan simbolik dengan pemodelan secara

umum seperti gambar dibawah

(15)

Linear Quadratic Regulator (LQR)

Linear Quadratic Regulator

(LQR) adalah sebuah kontrol optimal yang bertujuan membawa

state

akhir ke titik nol dengan meminimalkan

cost fuction

. Kontroler ini bertujuan mencari nilai

(16)

PID

adalah salah satu mekanisme kontroler umpan

balik yang banyak digunakan dalam sistem

pengaturan di industry. Sebuah kontroler PID

menghitung nilai kesalahan sebagai perbedaan

antara variable proses terukur dan set point yang

diinginkan. Hingga saat ini PID dapat dikatakan

sebagai kontroler terbaik karena tidak diperlukan

teknik yang rumit dalam tahap perancangan.

(17)

(18)

(19)

(20)

(21)

(22)

Setelah dicari menggunakan persamaan state,

maka representasi

plant

dalam

state space

sebagai berikut

:

𝑥0̇ 𝑥1̇ 𝑥₂̇ = 0 1 0 0 0 1 0 1,825 −40,46 𝑥1 𝑥2 𝑥3 + −3,750 550,875 𝑢 𝑦= 0 1 0 𝑥𝑥10 𝑥2

Sehingga diperoleh masing-masing matriks penyusun LQR sebagai berikut:

𝐴

=

0

1

0

1 0 1,825

−

40,46

,

𝐵

=

0 −

3,75

550,875

,

𝐶

= 0 1 0

𝑅

= [1]

𝑄= 18. 10 −6 ₀ ₀ 0 0.39 0 0 0 865. 10−6

Perancangan Kontroler PID-LQR

Didapatkan model matematika

plant

dari proses identifikasi:

825 ,1

46 ,

40 6,

702

75 ,3

)

(

)

(

2

₊

₋

+

−

=

s

U

s

Y

(23)

Perancangan

Neural Network Flux Reference

Bertujuan untuk memperbaiki respon kecepatan aktual agar mengikuti respon

kecepatan yang diinginkan.

W1 W2 W3 y(k-1) yr(k-1) yr(k) 𝑧−1 X1 ∑ X2 X3 y(k) 𝑧−1

(24)

(25)

Hasil Simulasi Motor Induksi

(26)

(27)

Hasil Simulasi Fluks estimator

Setelah dilakukan proses learning

pda struktur NN maka didapatkan

bobot sebesar -1,77 sehingga

estimasi dari fluks nilainya sama

(28)

(29)

(30)

Hasil Simulasi Motor Induksi dengan Kontroler PID-LQR

Kecepatan

Torsi

Set point Steady State

Rise Time Settling

time Error steady state Tanpa PID-LQR 120 119.85 rps 0.260 s 0.45 s 0.15% Dengan PID-LQR 120 121.5 rps 0.240 s 0.3 s 1.5%

(31)

Hasil Simulasi Motor Induksi setelah menggunakan

Neural Network Flux Reference (1)

(32)

Hasil Simulasi Motor Induksi setelah menggunakan

Neural Network Flux Reference (2)

Kecepatan

Torsi

Karakteristik Set point

Steady State

Rise Time Settling

time Error steady state Tanpa NN flux ref 120 119.8 rps 0.24 s 0.45 s 0.16% Dengan NN flux ref 120 119.6 rps 0.16078 s 0.336 s 0.33%

(33)

Hasil Simulasi Motor Induksi setelah menggunakan

Neural Network Flux Reference (3)

(34)

(35)

KESIMPULAN DAN SARAN

1. Respon hasil fluks estimasi antara estimator konvensional dengan

neural network estimator hasilnya sama dikarenakan nilai bobot untuk neural network sama dengan nilai tahanan stator yaitu -1,77.

2. Karena nilai fluks stator hasil neural network fluks estimator sama dengan estimator konvensional, maka respon sudut alpha masih befluktuasi.

3. Respon kecepatan motor induksi yang dikontrol menggunakan DTC lebih baik dibandingkan dengan saat belum dikontrol dengan DTC, karena respon dengan DTC mampu mengikuti set point yang diberikan yaitu sebesar 120 rps.

4. Respon kecepatan motor induksi DTC menggunakan kontroler PID-LQR lebih baik dibandingkan dengan tanpa kontroler PID-PID-LQR. 5. Respon torsi motor induksi DTC menggunakan kontroler PID-LQR

lebih baik dibandingkan dengan tanpa kontroler PID-LQR karena lebih sedikit terjadi fluktuasi.

6. Respon kecepatan actual hasil neural network flux reference

mampu menyamai dengan respon kecepatan yang diinginkan. 7. Setelah menggunakan neural network flux reference, sudut alpha

diketahui tidak terjadi fluktuasi.

1. Pembuatan neural network dapat dikaji dan dikembangkan lagi agar hasilnya lebih baik. 2. Hasil perancangan sistem dapat

diimplementasikan pada plant yang nyata.

KESIMPULAN

(36)