ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM

(1)

ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM SOFT SENSOR

UNTUK MEMPREDIKSI KADAR OKSIGEN PADA BOILER

(ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) SOFT SENSOR TO PREDICT OXYGEN CONTENTS IN A BOILER)

Totok R. Biyanto1)_{, Hari Hadi Santoso} 2)

1)_{Jurusan Teknik Fisika - FTI – ITS Surabaya}

Kampus ITS Keputih Sukolilo Surabaya 60111 E-mail : trb@ep.its.ac.id

2)_{LIPI – Serpong - Tangerang}

ABSTRAK

Soft computing seperti halnya Adaptive Neuro-Fuzzy Inference System (ANFIS) dan Artificial Neural Networks (ANN) memberikan kelebihan kemudahan dan keakuratan dalam memodelkan sistem yang nonlinier dan multivariabel. [1,2,3,4,8,9] Kemampuan dalam hal memetakan hubungan yang nonlinier, sistem multivariabel dan perhitungan secara paralel adalah keuntungan yang dapat dimanfaatkan dalam membuat soft sensor. Selain itu modeldapat dibangun tanpa memerlukan persamaan yang komplek dan informasi yang detail.

Analiser mempunyai respon yang lambat, kurang reliabel, dan mahal [6,7], sehingga pengukuran secara inferensial biasanya adalah pilihan yang tepat. Makalah ini akan memaparkan kemampuan soft sensor berbasis Adaptive Neuro-Fuzzy Inference System (ANFIS) untuk memprediksi kandungan oksigen pada boiler. ANFIS soft sensor yang dilatih dengan pasangan data kandungan oksigen, laju aliran udara dan laju aliran bahan bakar, mampu menghasilkan Root Mean Square Error (RMSE) yang baik.

ABSTRACT

Soft computing such as Adaptive Neuro-Fuzzy Inference System (ANFIS) and Artificial Neural Networks (ANN) offer many advantages for developing of the nonlinear and multivariable models. [1,2,3,4,8,9] Their abilities in nonlinear mapping, multivariable system and parallel computing are the potential benefits to build up the model for soft sensor purposes. Moreover, the model can also be built without complicated mathematical equations and need no detail information.

Analizer has slow respon performance, lack of reliability, and expensive, [6,7], then inferensial measurement usualy the best way to predict it. This paper will describe Adaptive Neuro-Fuzzy Inference System (ANFIS) soft sensor capability to predict oxygen content in a boiler.

ANFIS soft sensor which trained using oxygen content, combustion air flow rate, and fuel gas flow rate data sets has good Root Mean Square Error (RMSE).

(2)

1. PENDAHULUAN

Boiler dapat ditemui pada beberapa fasilitas industri yang digunakan sebagai pembangkit dan keperluan proses. Pada boiler terdapat furnace dimana bahan bakar dan udara dibakar untuk menghasilkan semburan api ke water-tube system. Tube dihubungkan ke steam drum, dimana uap-air terpisah. Optimisasi pada operasional boiler dapat menghasilkan banyak penghematan, salah satu performansi optimisasi dapat dilihat pada besarnya kadar oksigen pada gas buang. Penurunan kelebihan oksigen dari 1% ke 0.5% akan meningkatkan efisiensi boiler sebesar 0.25% dan menghemat biaya sebesar $5000/tahun untuk boiler dengan kapasitas uap 100.000 lb/jam [4]. pengukuran kadar oksigen biasanya menggunakan probe-type zirconium oxide probe. Probe sebaiknya dipasang dekat pada daerah combustion zone tetapi tetap dipilih pada daerah dengan suhu dibawah batas yang diperbolehkan untuk electrically heated zirconium oxide detector, dan terletak pada daerah turbulen untuk menjamin pengukuran terjadi pada aliran gas yang tercampur sempurna

Soft computing telah digunakan untuk menggantikan peranan analiser, karena analiser mempunyai respon yang lambat, reliabiliti yang rendah dan mahal untuk pemasangan awal, operasional dan pemeliharaan [6,7]. Sehingga pada penelitian terdahulu telah diteliti beberapa soft sensor untuk mengantikan peran analiser ini. Soft sensor untuk memprediksi komposisi produk pada kolom distilasi biner kontinyu telah dikembang dengan mengunakan hubungan antara temperatur tray dan komposisi produk mengunakan Artificial Neural Network (ANN) [1]. ANN soft sensor juga telah dikembangkan pada kolom distilasi batch mengunakan hubungan temperatur [9] serta non linier soft sensor juga telah dikembangkan mengunakan hubungan temperaratur pada top tray untuk ternary batch distillation column mengunakan Hysys plant and Matlab [8]. ANN soft sensor menggunakan hubungan flow rate dengan komposisi produk pada kolom distilasi biner [2] serta flow rate dan tekanan fuel gas burner untuk memprediksi kadar oksigen pada stack boiler [4].

Penelitian – penelitian diatas didasari karena kemampuan ANN sebagai soft computing untuk memetakan hubungan nonlinier antara variabel termodinamik dan variabel analitikal. Alternatif lain untuk kepentingan ini adalah memanfaatkan kelebihan Adaptive Neuro-Fuzzy Inference System (ANFIS) dalam memetakan hubungan nonlinier sistem mengunakan data pengukuran dilapangan [3].

2. OKSIGEN ANALISER BERBASIS ADAPTIVE NEURO FUZZY INFERENCE SYSTEM (ANFIS)

Kualitas pembakaran pada boiler tergantung pada kesempurnaan rasio bahan bakar dan oksigen

Data dari studi kasus ini diperoleh dari perusahaan petrokimia di Kalimantan Timur -Indonesia. Dua proses variabel dipilih karena mempengaruhi kadar oksigen pada gas buang. Dua variabel tersebut adalah laju udara dan laju gas bahan bakar dan dapat dilihat pada Gambar 1. Susunan ANFIS sebagai oksigen analiser dapat dilihat pada Gambar 2.

(3)

LT 108 FT 101 102FT 111TE AT 101 TE 110 TT 105 FT 106 PT 100 FT 103 TE ₁₀₅FT Plant Steam Header Vortex Shedding

Steam Drum SheddingVortex

FW Preheater Feed Water (FW) O Analyzer2 Fo Forced Draft Fan Combution Air Dust Pitot Transverse Station Combution Air Flow Mass Flow Meter Superheater Header Water Pipe Furnace Burner Mud Drum Induced Draft Fan Stack Fc Wind Box Fuel Gas Flow Air Air Heater Baffeld Super Heater Fc ATM. Fo

Gambar 1. Boiler Schematic Diagram.

ANFIS

Combustion Air Flow Fuel Gas Flow

Oxygen Content

Gambar 2. ANFIS sebagai oksigen analiser

Ide dasar dari ANFIS sebagai oksigen analiser adalah memprediksi kadar oksigen pada aliran

gas (stack) dengan menggunakan pengukuran proses variabel yang lain dengan mudah.

Struktur ANFIS [5] merupakan mekanisme penalaran fuzzy Sugeno atau arsitektur jaringan syaraf feed-forward. Struktur ANFIS terdiri dari lima lapisan yang tiap-tiap lapisan mempunyai fungsi-fungsi tertentu. Simpul kotak yang ada pada gambar menyatakan simpul adaptif, yang yang parameternya dapat berubah dengan pembelajaran, sedangkan lingkaran menyatakan simpul non adaptif yang nilainya tetap. (Gambar 3)

B1 TT TT N N N 1 2 3 A3 A2 A1 X X z Parameter konsekuen Parameter premis LAYER 5

(4)

Lapisan 1. Semua simpul pada lapisan ini adalah simpul adaptif (parameter dapat berubah)

dengan fungsi simpul : ) ( , x O_l_i _A untuk I = 1, 2 atau (1) ) ( 2 , y OliBi untuk I = 3, 4 (2) dengan x dan y adalah masukan pada simpul i, Ai (atau Bi-2) yang merupakan variable

linguistic (seperti ‘besar’ atau ‘kecil’). Dengan kata lain O1,i adalah fungsi keanggotaan

masing-masing dari sebuah set fuzy (A dan B) dengan derajat keanggotaan yang ditentukan oleh input x dan y. Simpul O1,i berfungsi untuk menyatakan derajat keanggotaan tiap

masukan terhadap himpunan fuzzy A dan B. Bentuk fungsi keanggotaan pada layer atau lapisan pertama dapat berbentuk misalnya fungsi keanggotaan gauss, yang dapat ditunjukkan dalam bentuk :





2 2 1 , ,         i i b a x i i b e a x gaussian (3) (3)

dimana



a ,_i b_i



adalah parameter yang dapat diubah-ubah (parameter adaptif). Selama harga dari parameter ini berubah-ubah, fungsi keanggotaan bell akan bervariasi bergantung pada parameter yang berubah, sehingga fungsi keanggotaan untuk set fuzy (A dan B) akan bervariasi. Parameter-parameter pada lapisan ini disebut sebagai parameter premis.

Lapisan 2. Semua simpul pada lapisan ini adalah non adaptif (parameter tetap). Fungsi

simpul ini adalah mengalikan setiap sinyal masukan yang datang. ) y ( ) x ( w O₁_,₂  _i _Ai _Bi ,i = 1, 2 (4)

Tiap keluaran simpul menyatakan kekuatan pengaruh (firing strength) tiap aturan fuzzy. Fungsi ini dapat diperluas apabila bagian premis memiliki lebih dari dua himpunan fuzzy. Banyaknya simpul pada lapisan ini menunjukkan banyaknya aturan yang dibentuk. Fungsi perkalian yang digunakan adalah interpretasi kata hubung “AND” dengan menggunakan operator t-norm.

Lapisan 3. Setiap simpul pada lapisan ini adalah simpul nonadaptif yang menampilkan

fungsi normalisasi kekuatan pengaruh (normalized firing strength) yaitu rasio keluaran simpul ke-i pada lapisan sebelumnya terhadap seluruh keluaran lapisan sebelumnya, dengan bentuk fungsi simpul:

2 1 i i i , 3 w w w w O    ,i = 1, 2 (5)

Apabila dibentuk lebih dari dua aturan, fungsi dapat diperluas dengan membagi wi dengan

jumlah total w untuk semua aturan.

Lapisan 4. Setiap simpul pada lapisan ini adalah simpul adaptif dengan fungsi simpul :

) r y q x p ( w f w O₄_,_i  _i _i  _i _i  _i  _i (6) denganwi _

adalah derajat perngaktifan ternormalisasi dari lapisan 3 dan parameter



p_i,q_i,r_i



menyatakan parameter yang adaptif Parameter lapisan ini dinamakan parameter konsekuen.

Lapisan 5. Pada lapisan ini hanya ada satu simpul tetap yang fungsinya untuk

(5)

     i i i i i i i i w f w f w O₅_,₁ . (7)

3. SIMULASI DAN PEMBAHASAN

Pasangan data antara laju udara dan laju gas bahan bakar sebagai input dan kadar oksigen

sebagai output (berturut-turut Gambar 4, 5, dan 6), dilatihkan pada ANFIS untuk mengenali

pola hubungan pasangan-pasangan data tersebut. Struktur ANFIS yang digunakan sebagai soft sensor menggunakan mekanisme penalaran fuzzy Sugeno [5].

Model ANFIS dengan input data laju udara dan laju gas bahan bakar serta mengeluarkan harga kadar oksigen sebagai output, adalah soft sensor berbasis ANFIS yang akan siap untuk diaplikasikan bila mempuyai performansi yang baik, yang ditunjukkan secara kuntitatif dengan nilai Root Mean Square Error (RMSE). Secara matematik RMSE dapat dijelaskan sebagai berikut :   N yˆ y RM SE N 1 i 2 i i     (8)

(6)

Gambar 5. Laju aliran bahan bakar

Gambar 6. Kadar Oksigen

Soft sensor kadar oksigen berbasis ANFIS mempunyai Root Mean Square Error (RMSE)

(7)

Gambar 7. Error soft sensor kadar oksigen berbasis ANFIS

Dari data hasil diatas menunjukkan bahwa ANFIS mampu menperkirakan kadar oksigen dengan akurat. Model ANFIS memerlukan waktu pelatihan yang cepat, tidak memerlukan persamaan matematis yang kompleks dan mampu bertahan pada keaadaan operasi yang berbeda. Bila diterapkan secara online, maka ANFIS sebagai analiser memberikan biaya yang murah, respon yang cepat dan mempunyai reliabiliti yang lebih baik dibandingkan analiser.

Sehingga alternatif soft sensor berbasis ANFIS akan memberikan respon yang relatif lebih cepat, reliabiliti yang lebih baik karena instrumen untuk pengukuran laju aliran lebih reliabel dibandingkan analiser, murah, biaya operasional yang lebih rendah dan biaya perawatan yang rendah pula.

4. KESIMPULAN

Soft sensor yang telah dilatih dengan input laju aliran udara, laju aliran bahan bakar dan kadar oksigen, dibangun dengan struktur ANFIS mampu memprediksi kadar oksigen pada boiler dengan Root Mean Square Error (RMSE) sebesar 2,547 x 10-7 dan mudah dibuat Saran, perlukomparasi sbg std.

DAFTAR PUSTAKA

[1] Biyanto, TR., Design of Non Linier soft sensor for Predict Composition (mole-fraction) distillate and Bottom Product in Single Methanol-water Binary Distillation Column, International Conference on Instrumentation, Communication and Information Technology (ICICI) 2005 Proc., Bandung, 2005.

(8)

[4] Duwaish, H., Ghouti, L., Halawani, T., and Mohandes, M., Use of Artificial Neural Networks Process Analyzers: A Case Study , ESANN'2002 proceedings - European Symposium on Artificial Neural Networks Bruges (Belgium), 2002.

[5] Jang, Jantzen, Neural and Neurofuzzy Control. Tech. report no 99-H 99 (nefcon), 2003. [6] Kamohara, H, Takinami, MT, Takeda, M, Kano, M, Hasebe, S, Hashimoto,I,

Integration of Product Quality Estimation and Operating Condition Monitoring for Efficient Operation of Industrial Ethylene Fractionator, IFAC, 2003.

[7] Luyben, W. L. Bjorn D. Tyreus, Michael L. Luyben, Plant wide Process Control, Mc Graw – Hill, New York, 1998.

[8] Ruiz J.P, Zumoffen D, Basualdo M, Jimenez E., A, Nonlinear soft sensor for Quality Estimation and Optimal Control Applied in a Ternary Batch Distillation Column, European Symposium on Computer Aided Process Engineering, Lisbon, Portugal, May 16-19, 2004.

[9] Zamprogna E., Barolo M. and Seborg D. E., Neural Network Approach to Composition Estimation in a Middle-Vessel Batch Distillation Column”. Proc. DINIP 2000. Workshop on Nonlinear Dynamics and Control in Process Engineering Rome, 2000.