JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1

Transkripsi

1 JURNAL TENI POMITS Vol, No, (0-6 Perancangan Sistem Pengenalian Flow Menggunakan Sliing Moe Control (SMC Dengan Neural Network Paa Backloaing Di Terminal BBM PT Pertamina Perak Surabaya Helmy Yunan Inaton, Imam Abai Jurusan Teknik Fisika, Fakultas Teknologi Inustri, Institut Teknologi Sepulu Nopember (ITS Jl Arief Raman Hakim, Surabaya Abstrak Backloaing aala proses peminaan prouk minyak untuk kepentingan transaksional i Terminal BBM PT Pertamina Perak Surabaya, yang memerlukan akurasi alam laju aliran, engan nilai yang istanarkan yaitu 79 m 3 /jam Seingga ibutukan sistem pengenali yang robust (mampu bekerja engan baik meskipun iberi gangguan untuk menjaga kestabilan flow, engan menerapkan sebua metoe, yaitu Sliing Moe Control (SMC SMC memiliki sifat yang apat menstabilkan konisi yang tiak pasti Selanjutnya asil keluaran tersebut i lakukan uji valiasi menggunakan Neural Nework jenis Backpropagation Dari simulasi pengenali tanpa controller SMC, asil Flow Output (Fou melebii set point yaitu sebesar 86,9 m 3 /jam Seangkan asil pengenali flow menggunakan contoller SMC mengasilkan nilai Fout menekati set point sebesar 78,935-78,999 m 3 /jam icapai kurang ari 0,0 jam emuian untuk pengujian valiasi engan Training Neural Networks mencapai performance Neural Network/ Mean Square Error (MSE sebesar 983e-06 atau 0, paa iterasi ke 479 untuk target value 79m 3 /jam ata kunci : Backloaing, pengenalian flow, Sliing Moe Control, Neural Network I PENDAHULUAN T PERTAMINA sebagai perusaaan minyak konisi P(state memiliki peran yang sangat penting alam komoiti migas Inonesia Hal ini ikarenakan ole kebutuan energi nasional yang sangat tergantung paa sektor energi minyak bumi Dalam melayanai konsumennya, PT Pertamina membutukan suatu metoe pengenalian minyak yang akurat an sesuai engan stanar Dan beberapa gangguan lain yang apat menimbulkan ketiakpastian paa flowrate yang iasilkan Nilai flowrate yang iatur/ set point untuk memenui stanar pengiriman aala 79 L/jam atau 79 m 3 /jam Paa proses Backloaing i Terminal BBM PT Pertamina Perak Surabaya, iapatkan beberapa ata flow rate paa saat pengiriman minyak ke kapal, imana flowrate yang aa berbea engan spesifikasi kapal Dari al tersebut pengaturan flow sangat iperlukan guna memberikan optimalisasi besaran flowrate untuk fluia yang itransfer Tetapi paa keaaan i lapangan, paa saat proses transfer, valve ibuka 00 % atau masi menggunakan gate valve manual paa sistem meter Saat transfer minyak ilakukan, operator i alam control room masi menggunakan any talkie untuk memberi instruksi kepaa operator i lapangan agar memutar valve secara manual sampai flowrate yang iinginkan tercapai Sistem otomasi yang terseia pun belum apat imaksimalkan Sistem pengenali yang banyak igunakan aala PID (Proportional Integral Derrivative Namun, pengenali PID mempunyai kelemaan, iantaranya aala pengenali PID tiak irancang untuk menyelesaikan sistem nonlinear engan banyak ketiakpastian (uncertainties etiakpastian tersebut bisa berupa gangguan eksternal, ketiakpastian moel, maupun ketiakpastian parameter etiakpastian yang muncul paa suatu sistem bisa mempengarui kestabilan sistem Berasarkan latar belakang yang tela itulis, maka irumuskan permasalaan ari penelitian tugas akir ini, yang selanjutnya ipecakan sesuai engan metoologi penelitian yang igunakan Permasalaan paa tugas akir ini aala aanya ketiakstabilan nilai laju aliran/ flow paa proses Backloaing yang apat menyebabkan beberapa kerugian paa PT Pertamina, kekurangan paa sistem pengenalian flow yang aa sebelumnya yang tiak stabil ketika aa gangguan serta iperlukan perancangan sistem pengenalian yang mampu menjaga kestabilan nilai Fout sesuai engan set point SMC (Sliing Moe Control merupakan metoe pengenali yang bersifat sangat robust Memiliki sifat yang apat menstabilkan konisi yang tiak pasti Beberapa conto aplikasi metoe SMC aala untuk pengenali ketinggian air an temperatur uap paa steam rum boiler [Herlambang, 00] serta igunakan untuk pengenali tegangan alternator paa sistem pengisian baterai [Nurai, 0] emuian Neural Network aala sebua moel yang ibuat untuk meniru fungsi belajar yang imiliki otak manusia, yang ilakukan untuk uji valiasi sebua metoe Tujuan ari penelitian Tugas Akir ini aala menapatkan rancangan sistem pengenalian flow paa Backloaing i TBBM PT Pertamina Perak Surabaya menggunakan Sliing Moe Control an menvaliasikan engan Neural Network II URAIAN PENELITIAN Bagian ini menjabarkan metoologi yang iterapkan untuk menyelesaikan permasalaan yang iangkat paa Tugas Akir ini Mengacu paa tinjauan pustaka yang terapat paa, uraian penelitian yang ijabarkan paa bagian ini memperjelas langka yang ilakukan untuk menyelesaikan permasalaan alam Tugas Akir ini Uraian penelitian Tugas Akir ini, ijabarkan secara runut paa flowcart berikut,

2 JURNAL TENI POMITS Vol, No, (0-6 kw kw Fout (5 A A Persamaan merupakan moel yang iapatkan ari sistem, yang selanjutnya igunakan untuk mencari pengenali SMC B Perancangan pengenali Sliing Moe Control perancangan pengenali tegangan menggunakan SMC paa sistem pengenalian flow terlebi aulu menentukan sliing surface ari sistem pengenali Dalam menentukan sliing surface arus iketaui terlebi aulu tracking error ari sistem Yang merupakan Error selisi antara flow yang aa engan flow yang itetapkan/ set point akan igunakan alam konsep SMC F F F F onstan (6 Gambar Flowcart penelitian Mengacu paa flowcart i atas, maka apat ilaksanakan engan terlebi aulu engan memoelkan sistem secara matematis, kemuian iikuti engan langka selanjutnya A Pemoelan Matematis Sistem Dilakukan pemoelan secara matematis untuk plant Menggunakan ukum kesetimbangan massa, imana Penjumlaan Total Massa Waktu Total Massa Yang Masuk Total Massa Yang eluar Waktu Waktu Persamaannya itulis sebagai berikut, ( ρa ρ ρfout( t ρa ρ ρfout( t Dengan ro ianggap iabaikan, maka persamaan untuk Fout aala, Fout kw (3 Dimana k aalaoefisien control valve (m 3/ /jam an w aala flow control valve (m an aalaetinggian air (m Seingga variabel yang ikontrol aala flow (m 3 /jam Nilai Fout imasukkan paa persamaan 4, seingga iapatkan persamaan sebagai berikut, A kw (4 t Variabel iturunkan, seingga iperole, kw A A Selanjutnya, ibentuk fungsi switcing arena sistem berore maka n, seingga t t + λ + λ n ~ F ~ + λ F t ~ F F 0 ~ F, n F Seangkan turunan S aala, F ~ F F (7 arena F konstan, maka F 0 Dengan mensubstitusikan persamaan 5 ke 7, maka iasilkan, S F F S k kw w( A Selanjutnya itentukan nilai engan nilai S 0 Seingga iperole aala, (8 (estimasi pengenali (9 Berasarkan control law yang memenui konisi sliing sebagai berikut, w wˆ sgn( s (0 Maka ari persamaan 9 an 0 iapatkan persamaan, w sgn(s ( Dengan mensubstitusikan persamaan an 8, iperole,

3 JURNAL TENI POMITS Vol, No, (0-6 3 S F emuian irancang nilai agar memenui konisi sliing, engan persamaan S S η S S S η S k S sgn( sgn( s s η S A k k sgn( s sgn( s η k A k sgn( s η A A k sgn( s η 0 A A Untuk menapatkan persamaan kuarat agar nilai apat itemukan, maka persamaan i atas ikalikan engan A x k Seingga iapatkan persamaan kuarat sebagai berikut, Aη sgn( s 0 k iklasifikasi,,,, k kw w( A k sgn( s sgn( s A A k sgn( s sgn( s A Dengan rumus abc, variabel persamaan apat Aη a, b sgn( s, c k b ± b 4ac a 8 Aη sgn( s ± k Aη sgn( s + k 4k sgn( s + k sgn( s k Aη 4k Aη 4k Agar sistem optimal, maka iambil yang positif, seingga iapatkan nilai, yaitu max + k Aη 4k emuian igunakan suatu Bounary Layer untuk meminimalkan cattering Sebab Cattering merupakan osilasi keluaran pengenali engan frekuensi tinggi yang isebabkan ole switcing yang sangat cepat untuk membentuk sliing moe, al ini apat menyebabkan ketiakstabilan paa sistem Untuk mencegaetiakstabilan akibat cattering, paa SMC iterapkan satu bounary layer (BL paa permukaan sliing yang membuat smoot control input w an membatasi bawa sistem beraa i alam layer Penggunaan BL i alam Control law paa w wˆ sgn( s ilakukan engan mengganti fungsi sgn(s engan saturasi an aala konstanta positif s w sat( θ s sat( θ Dengan emikian rancangan pengenali Sliing Moe Control (SMC aala sebagai berikut : max Aη s w + sat( k 4k θ C Implementasi Moel engan Software Dari pemoelan matematis paa plant an controller yang tela ibaas sebelumnya, langka selanjutnya aala membuat esain software berasarkan moel rumus yang tela iapatkan Moel Software untuk Plant Dari Moel matematis plant yang tela iperole kw kw yaitu Fout, A A maka esain software paa plant aala, Gambar Moel Software untuk plant

4 JURNAL TENI POMITS Vol, No, (0-6 4 Moel Software untuk pengenali Sliing Moe Control Berasarkan rancangan pengenali yang tela iapatkan yaitu max Aη s w + sat( k 4k θ Maka esain software paa pengenali aala, valiasi emuian baru ijalankan Tampilan yang akan iapatkan berupa nntraintool Yang menjelaskan jumla layer, performansi yang iperole, an plot grafiasil simulasi Seperti paa gambar i bawa ini, Gambar 5 Tampilan neural network training tool Gambar 3 Moel Software untuk pengenali SMC emuian untuk menjalankan simulasi ari moel software i atas, ibutukan parameter plant sesuai engan ata yang aa i lapangan, yang imasukkan ke alam M- file, sebagai fungsi nilai ari variabel yang ibuat paa software III HASIL DAN PEMBAHASAN A Uji Plant tanpa controller Untuk simulasi yang pertama, ilakukan uji plant tanpa controller, untuk mengetaui respon ari plant apabila tiak ikenalikan engan SMC Gambar 4 Parameter Sistem D Pengujian valiasi engan Neural Network Untuk membuat program valiasi Neural Network Menggunakan fungsi neural network toolbox yang aa paa software Fungsi ini ipakai untuk membuat listing program emuian ata yang imasukkan aa ua jenis, yaitu bobot an ata flow Bobot aala ata bukaan valve, antara waktu an flowrate yang tela iambil i lapangan Selanjutnya, ua jenis ata tersebut i import paa listing yang sua ibuat Seangkan ata flow aala target value, yaitu set point yang iinginkan emuian untuk layer atau lapis yang igunakan berjumla 3 layer Dengan parameter berikut, -Data Training : 00 -Parameter Epocs : Parameter Goals : 0,0000 -Target Value : 79 Langka-langka paa listing program aala sebagai berikut, ata training perinta eksekusi membuat Neural Network training selanjutnya bobot untuk Neural Network Gambar 6 Diagram blok software untuk uji plant tanpa controller Respon yang iapatkan, ketika moel i atas ijalankan, akan iperole grafik sebagai berikut, Gambar 7 Grafik Flowrate tanpa controller Grafik i atas memperliatkan bawa flowrate mulai naik paa titik 0 m 3 /jam an berlanjut ingga mencapai set point paa waktu 7 jam, namun setela itu nilai flow semakin meningkat melebii set point yang itentukan mencapai nilai 86,9 m 3 /jam, seingga nilai output flow paa plant tanpa menggunakan controller tiak memenui syarat flowrate yang iinginkan

5 JURNAL TENI POMITS Vol, No, (0-6 5 B Uji Pengenali Sliing Moe Control (SMC Setela iperole respon uji plant tanpa Controller, selanjutnya aala uji untuk Sistem Pengenali Sliing Moe Control (SMC, yang igambarkan engan iagram blok software ibawa ini, Gambar 8 Diagram blok software untuk pengenali SMC Hasil yang iapatkan ari simulasi pengenali SMC ini itampilkan paa grafik berikut, Gambar Grafik respon simulasi pengenali SMC engan transmitter an control valve Berasarkan asil simulasi i atas, menunjukkan bawa nilai Fout mencapai set point an stabil paa nilai 78,99 m 3 /s alam waktu kurang ari 0, jam emuian berlanjut stabi paa waktu berikutnya Dapat inyatakan bawa Moel pengenali SMC yang irancang sua apat mengenalikankan nilai Fout alam mencapai set point yang itentukan Gambar 9 Grafik Respon simulasi pengenali SMC Berasarkan asil simulasi i atas, menunjukkan bawa nilai Fout mencapai set point an stabil paa nilai 78,99 m 3 /s alam waktu kurang ari 0, jam emuian berlanjut stabi paa waktu berikutnya Dapat inyatakan bawa Moel pengenali SMC yang irancang sua apat mengenalikankan nilai Fout alam mencapai set point yang itentukan C Simulasi sistem pengenali SMC engan trasmitter an control valve Sesuai engan iagram blok untuk sistem pengenalian flow, maka simulasi selanjutnya aala melibatkan keseluruan elemen ari sistem pengenalian ini Dengan memasukkan nilai untuk transmitter an control valve yang igunakan D Pengujian engan Neural Network Nilai keluaran Fout paa asil pengenali SMC i atas, selanjutnya igunakan untuk nilai target paa ata Neural Network Hasil yang iapatkan paa tampilan Neural Network Training tool menunjukkan Layer yang tela ibuat berjumla 3 iantara input an output Training yang igunakan aala jenis Backpropagation, an beberapa keterangan variabel yang tela icapai Dari gambar tersebut apat iliat bawa performance Neural Network/ MSE iperole saat mencapai 479 iterasi sebesar 983e-06 atau 0, Hasil plot grafik ari performance Training Neural Network i atas aala sebagai berikut, Gambar Grafik performance Neural Network Training Gambar 0 Diagram blok software untuk sistem pengenali flow engan transmitter an control valve Grafik tersebut menjelaskan performa ari neural network Dengan itunjukkan tentang bagaimana proses sistem menuju goal yang iinginkan paa saat trainingterliat bawa Training untuk Neural Network mencapai titik pertemuan antara nilai best an goal paa iterasi ke 479 Selanjutnya alam neural network training, terapat training state yang ialamnya menggambarkan graien ari sistem an nilai kegagalan valiasinya Ditunjukkan paa gambar ibawa ini,

6 JURNAL TENI POMITS Vol, No, (0-6 6 (a waktu kurang ari 0,0 jam Fout sua mencapai nilai yang stabil an sesuai engan spesifikasi set Point yaitu 79 m 3 /jam 3 Nilai yang icapai ole pengujian valiasi engan Training Neural Networks mengasilkan nilai target set point yaitu sebesar 79m 3 /Jam paa performance Neural Network/ Mean Square Error (MSE iperole saat mencapai iterasi ke 479 yaitu sebesar 983e-06 atau 0, DAFTAR PUSTAA (b Gambar 43 Tampilan grafik training state paa neural network; (a Grafik nilai graient yang iperole paa epoce 479, (b Grafik kegagalan valiasi Dapat isimpulkan ari gambar i atas bawa nilai graient sebesar an kegagalan valiasi untuk trainingnya aala sebesar 0 paa iterasi ke 479 ari parameter sebesar epocs Seingga valiasi apat berjalan mencapai asil tanpa aa kegagalan/ fail emuian proses training menuju target value/ set point itunjukkan paa plot grafik regresi berikut, imana iperliatkan antara ata referensi yang imasukkan engan target yang ingin perole tela tercapai [] Gunterus, Frans Falsafa Dasar Sistem Pengenalian Proses Jakarta : Elex Meia omputino;997 [] Iyas, Muarram System Control Eisi VI LAPI-ITB;990 [3] FMC Tecnologies Positive Displacement Meter Liqui Flowmeter Smit Meter sation Internationale De Metrologie Legale (OIML R- 7 Measuring System for Liqui Oter Tan Water International Recommenation Eition 997 (E OIML Paris France997 [4] Mo Azlan Hussain, Pei Yee Ho Aaptive sliing moe control wit neural network base ybri moels Department of Cemical Engineering, University of Malaya ;003 [5] Nur Hai Perancangan Moel Pengenalian Tegangan Alternator Paa Sistem Pengisian Baterai Menggunakan Metoe Sliing Moe Control Jurusan Matematika FMIPA-ITS ; 0 [6] Nørgaar, Magnus Neural Network Base Control System Design TOOLIT For Use wit MATLAB, Version Denmark: Department of Automation Department of Matematical Moelling-Tecnical University of Denmark; 000 [7] Ogata, atsuiko Teknik ontrol Automatik Jakarta : Erlangga; 993 [8] Perruquetti, W an Barbot, JP Sliing Moe Control in Engineering New York: Marcel Dekker, Inc;00 Gambar 4 Tampilan asil Regresi Neural Network Regresi i atas menunjukkan asil antara target an output paa Training untuk Neural Network ini tela mencapai target value yaitu, sebesar 79 Dengan emikian apat inyatakan bawa, pengujian valiasi Neural Network untuk sistem pengenalian SMC sua apat memenui target set point yang tela itentukan IV ESIMPULAN/RINGASAN Setela ilakukan analisis serta pembaasan maka iapatkan beberapa kesimpulan paa penelitian ini yaitu: Sistem pengenalian flow paa Backloaing berasil ilakukan penerapan metoe Sliing Moe Control engan performa yang lebi akurat sesuai set point engan selisi error 0064 m 3 /jam atau 64 liter/jam Dari asil simulasi pengenali flow menggunakan SMC, menunjukkan bawa asil simulasi Fout stabil paa nilai antara m 3 /jam icapai alam waktu 0,0 jam Artinya alam