Fluksi linkage

VI. DAFTAR PUSTAKA

5. Fluksi linkage

Fluksi linkage didefinisikan sebagai besarnya medan putar pada kumparan dengan jumlah N lilitan.

r s s

s L I MI

 (6)

s r r

r L I MI

 (7)

dengan



s= fluksi linkage pada kumparan stator dengan N lilitan



r= fluksi linkage pada kumparan rotor dengan N lilitan Ls = induktansi diri kumparan stator (H)

Lr= induktansi diri kumparan rotor (H)

Is = arus stator (A) ; Ir = arus rotor (A)

PWM Inverter

Vektor rotasi terhadap arus magnetisasi dan arus torsi menghasilkan arus fase referensi yang digunakan untuk sinyal kontrol PWM inverter. Prosedur pensaklaran (switching) diperlihatkan pada Gambar 1, dengan uraian sebagai berikut:

 Untuk kumparan stator fase A

If i_err i_a^i_a then V_sa  Es_ ph If i_err i_a^i_a i_err then V_sa 0 If i_a^ i_a i_err then

 Untuk kumparan stator fase C

If i_err i_c^i_c then V_sc Es_ph If i_err i_c^ i_c i_err then V_sc 0 If i_c^ i_c i_err then V_sc Es_ph

 Untuk kumparan stator fase B

If i_err i_b^i_b then V_sb Es_ ph If i_err i_b^i_b i_err then V_sb 0 If i_b^ i_b i_err then V_sb Es_ ph

Gambar 1. PWM Inverter Field Oriented Control

Persamaan Decoupled FOC

Field Oriented Control (FOC) adalah suatu metode pengaturan medan pada motor ac, dimana dari sistem coupled dirubah menjadi sistem decoupled. Dengan sistem ini arus penguatan dan arus beban motor dapat dikontrol secara terpisah, dengan demikian torsi dan fluksi juga dapat diatur secara terpisah, seperti halnya motor dc [1]. Diagram blok yang menggambarkan prinsip dasar sistem decoupled field oriented control (FOC Decoupled) motor induksi ditunjukkan pada gambar :

Switching PWM inverter

ke motor induksi +

+ +

- - -

ierr

ierr

ierr

ia

ib

ic

*

ia

*

ib

*

ic

Gambar 2. Diagram Blok FOC Decoupled Motor Induksi Indirect Field Oriented Control

Indirect Field Oriented Control (IFOC) adalah suatu metode pengaturan medan pada motor AC, di mana dari sistem coupled diubah menjadi sistem decoupled. Dengan sistem ini arus penguatan dan arus beban motor dapat dikontrol secara terpisah, dengan demikian torsi dan fluksi juga dapat diatur secara terpisah, seperti halnya motor DC.

Pada IFOC yang diatur adalah banyaknya fluks yang akan berdampak langsung dengan perubahan kecepatan pada motor induksi. Pengukuran besarnya fluks tidak diukur secara langsung, melainkan dapat diperkirakan dengan perubahan nilai dari kecepatan rotor motor yang dimonitor oleh sensor rotari. Kecepatan motor diumpan balik kan kemudian dibandingkan dengan kecepatan referensi oleh suatu komparator.[7]

Fluks rotor dan torsi dapat dikontrol secara terpisah oleh arus stator direct-axis (ids) dan arus quadratur-axis (iqs) secara berurutan[3]. Besar arus quadratur-axis referensi (i*qs) dapat dihitung dengan torsi referensi Te* menggunakan persamaan berikut:

I*qs = ²₃ *²_𝑝 * _𝐿^𝐿𝑟

𝑚 * ^𝑇_𝜆^𝑒∗

𝑟∗ (8) Adaptive Neuro Fuzzy Inference System (ANFIS)

Adaptive Neuro Fuzzy Inference System (ANFIS) adalah kombinasi antara teknik kontrol neural network dan fuzzy logic untuk menghasilkan suatu output. Dengan penggabungan ini, maka sistem mempunyai kemampuan untuk membangun model dengan menggunakan beberapa data sampel yang digunakan dari sistem target [5].

Sistem target ini membantu untuk membangun inisial dari struktur model. Secara hirarhi ANFIS dapat dijelaskan sebagai berikut :

1. ANFIS mempunyai sebuah struktur sebagai kombinasi antara kontroler neural network dengan fuzzy logic.

2. ANFIS terdiri dari sistem neural network dan fuzzy logic sebagai komponen bebas yang melaksanakan tugasnya masing-masing.

3. Metodologi desain untuk ANFIS merupakan gabungan dari ide-ide sistem kontroler neural network dan fuzzy logic.

Untuk membuat struktur ANFIS, digunakan dua obsesi yaitu : 1. Neuralizing fuzzy sistem

2. Fuzzyfiying neural network sistem.

FOC Decoupled

Rotor Flux Position and

Amplitude

Gambar 3 adalah struktur dari ANFIS. Diasumsikan bahwa sistem mempunyai dua input yaitu x dan y. Pada gambar tampak ada 5 layer yang mempunyai fungsi sendiri-sendiri.

[4]

/ A2

B1

N

N A1

B2 X

Y

W2 W1

W1f1

W2f2

f

^W1f1

^W2f2









Gambar 3. Struktur ANFIS

Layer 1: Layer ini mentransformasikan input yang masuk, setiap node pada layar ini adalah node adaptif dengan fungsi node adalah :

O1,i = Ai(x), untuk i = 1,2, atau O1,i = μBi-2(y) untuk i = 3,4

Node-node pada layar ini berfungsi sebagai membership function untuk menyatakan istilah linguistik dari variable masukan. Untuk fungsi Gausian berlaku :

μA(x) =

2

ó 2 1

e ^

 



 cx

(9)

dengan x,c,σ adalah parameter dari fungsi keanggotaan Gaussian.

Layer 2 : Setiap node pada layer ini adalah node yang tetap dengan label Π dengan keluarannya memiliki persamaan sebagai berikut :

O2,i = wi = μAi(x)μBi(y), i = 1,2 (10)

Layer 3: Pada layer ini nodenya adalah node yang tetap dengan label N. Node ke-i menghitung dari rasio rule ke-i dibagi dengan jumlah semua w.

2 , 1 ,

2 1 ,

3 

 

 i

w w w w

O i i ⁱ

(11)

Layer 4 : Pada layer ini node sama dengan node pada layer 1 yaitu node yang adaptif dengan node fungsi

),

, (

4i wifi wi pix qi ri

O     (12)

dengan pi, qi, ri, adalah parameter dari pada node ini.

Layer 5 : Pada layer ini nodenya adalah tetap dengan label

 







i

i i i

i i i

i

i w

f w f

w O_5,

(13)

R(t) + _

e(t) e(t) METODE PENELITIAN

Perancangan simulasi ini terdiri dari beberapa bagian yaitu pemodelan motor induksi tiga fasa, Indirect Field Orientation methods dan kontroller Adaptive Neuro Fuzzy Inference System (ANFIS). Berikut adalah sistem yang dirancang :

Gambar 4. Sistem pengaturan kecepatan motor menggunakan ANFIS Gambar 5. Adalah diagram blok kontroller ANFIS yang digunakan dalam penelitian ini

Gambar 5 Diagram blok Cara Kerja Kontroler ANFIS

Pada blok diagram tersebut error ( e(t) ) diperoleh dari e(t) = y(t)- R(t) dimana y(t) dan R(t) adalah system output dan system input sebagai referensi. Pada mulanya nilai error (e(t)) dan perubahan error (e(t)) akan dikonversi ke nilai fariabel fuzzy pada blok fuzzification. Setelah proses fuzzification, keluaran dari fuzzification akan di training dulu dengan menggunakan ANFIS editor dengan mengetikkan comand “anfisedit” pada comand from matlab setelah itu hasil fuzzification yang telah di train tadi masuk ke proses Inference Mechanisme dengan mempertimbangkan rule base serta membership function yang secara otomatis terbuat setelah melakukan train data. Setelah itu diproses di defuzzyfication untuk merubah variablefuzzy ke bentuk keluaran akhir dalam sistem ini yaitu sudut penyalaan dari thyristor ( thyristor’s firing angle ). Rule base yang digunakan dalam kontroler ANFIS tergantung dari training datanya.

𝑑

𝑑𝑡 Fuzzification

Rule-Base

Inference

Mechanism Defuzzification

Process

Train Data

y(t)

Tabel 3 adalah data dari train yang didialakuan.

Tabel 1. Training data pada ANFIS