PERANCANGAN KONTROLER KASKADE FUZZY UNTUK PENGATURAN TEKANAN PADA PRESSURE CONTROL TRAINER

Transkripsi

1 TUGAS AKHIR TE PERANCANGAN KONTROLER KASKADE FUZZY UNTUK PENGATURAN TEKANAN PADA PRESSURE CONTROL TRAINER Nur Muhlis NRP JURUSAN TEKNIK ELEKTRO Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Surabaya 2011

2 PENDAHULUAN DASAR TEORI IDENTIFIKASI PERANCANGAN IMPLEMENTASI KESIMPULAN Latar Belakang Permasalahan Tujuan Sistem kontrol pneumatik tekanan rendah secara luas telah diterapkan pada teknologi sistem kontrol industri Perubahan variasi beban dan gangguan pada teknologi elektro-pneumatik dapat menyebabkan respon sistem tidak sesuai dengan kriteria yang diharapkan Salah satu dari teknologi elektro-pneumatik adalah sistem pressure control trainer

3 PENDAHULUAN DASAR TEORI IDENTIFIKASI PERANCANGAN IMPLEMENTASI KESIMPULAN Latar Belakang Permasalahan Tujuan Mempertahankan respon sistem agar tetap mengikuti nilai setpoint meskipun terjadi perubahan parameter dari plant

4 PENDAHULUAN DASAR TEORI IDENTIFIKASI PERANCANGAN IMPLEMENTASI KESIMPULAN Latar Belakang Permasalahan Tujuan Sistem pressure control trainer tetap mengikuti nilai setpoint dan memiliki respon yang cepat terhadap perubahan beban Memiliki error steady state yang kecil bila menggunakan kontroler kaskade fuzzy

5 PENDAHULUAN DASAR TEORI IDENTIFIKASI PERANCANGAN IMPLEMENTASI KESIMPULAN Plant Logika Fuzzy Kaskade 4-20 ma Sinyal Pengatur Katup 4-20 ma Sinyal Aliran 4-20 ma Sinyal Tekanan Katup 6 Katup 5 Katup 4 Pengatur Tekanan 1 I/P Pengubah Arus ke Pneumatik Sensor Aliran Sensor Tekanan Katup 3 Katup 2 Penampung Udara Kompresor Pengatur Tekanan 2 Kontrol Katup Pneumatik Orifice Katup 1

6 PENDAHULUAN DASAR TEORI IDENTIFIKASI PERANCANGAN IMPLEMENTASI KESIMPULAN Plant Logika Fuzzy Kaskade Rule Base Masukan Fuzzifikasi Inference Engine Defuzzifikasi Keluaran Fuzzy metode Takagi-Sugeno adalah metode fuzzy yang keluaran sistem nya tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linear

7 PENDAHULUAN DASAR TEORI IDENTIFIKASI PERANCANGAN IMPLEMENTASI KESIMPULAN Plant Logika Fuzzy Kaskade Tujuan Mengurangi pengaruh gangguan Meningkatkan atau memperbaiki kedinamisan performasi sistem kendali

8 PENDAHULUAN DASAR TEORI IDENTIFIKASI PERANCANGAN IMPLEMENTASI KESIMPULAN Sinyal Statis Sinyal Dinamis Hasil Antarmuka untuk proses identifikasi

9 PENDAHULUAN DASAR TEORI IDENTIFIKASI PERANCANGAN IMPLEMENTASI KESIMPULAN Sinyal Statis Sinyal Dinamis Hasil Respon Plant Tekanan Respon Plant Aliran N.ts > tr (2N-1).ts < L Nilai Minimal ts dan L dari PRBS

10 PENDAHULUAN DASAR TEORI IDENTIFIKASI PERANCANGAN IMPLEMENTASI KESIMPULAN Sinyal Statis Sinyal Dinamis Hasil Bentuk Sinyal PRBS Respon Plant Tekanan Respon Plant Aliran

11 PENDAHULUAN DASAR TEORI IDENTIFIKASI PERANCANGAN IMPLEMENTASI KESIMPULAN Sinyal Statis Sinyal Dinamis Hasil (a) (b) Perbandingan Bentuk Respon Plant dan model (a) Tekanan (b) Aliran

12 Fungsi Alih Model PENDAHULUAN IMPLEMENTASI IDENTIFIKASI KESIMPULAN PERANCANGAN DASAR TEORI Hasil Sinyal Dinamis Sinyal Statis ,439 0, , z z z 0, ,9821 0,4779 0, z z z , z z z 0, ,9558 0,4187 0, z z z 0,2837 0, , z z z 0, ,9571 0,4433 0,46 2 z z z Maksimal Nominal Minimal Aliran Tekanan Fungsi Alih Model Plant Beban

13 Pendahuluan Menentukan susunan kaskade yang dipergunakan Menyusun kontroler pada masing-masing loop secara terpisah Menyusun kontroler yang telah dibuat dalam susunan kaskade

14 Pendahuluan Fuzzy PI dipilih karena memiliki performansi yang baik untuk mengurangi steady state error

15 Pendahuluan Penulisan Algoritma Program

16 Pendahuluan Fuzzifikasi Bentuk Membership Function e(k) = SP(k) Y(k) de(k) = e(k) e(k-1)

17 Pendahuluan NB NM NS Z PS PM PB 1 Pemilihan Bentuk Membership Function /3-1/3 0 1/3 2/3 1 NB NM NS Z PS PM PB NB NM NS Z PS PM PB

18 Pendahuluan Rule Base e de NB NM NS Z PS PM PB NB NB NB NB NM NS NS Z NM NB NM NM NM NS Z PS NS NB NM NS NS Z PS PM Z NB NM NS Z PS PM PB PS NM NS Z PS PS PM PB PM NS Z PS PM PM PM PB PB Z PS PS PM PB PB PB Rule Base

19 Pendahuluan Inference Engine u ( 1) * w(1) (2) * w(2) (3) * w(3) (4) * (1) (2) (3) (4) w (4) Weighing Average

20 Diagram Alir START e s = 0; de s = 0; SP2 = 0; Y s = 0 memasukkan SP2 Baca Data nilai Y s e s = SP2 Y s de s = e s -ê s Fuzzifikasi e s Domain : NB,NM,NS,Z,PS,PM,PB μ error domain 1 [e s ] μ error domain 2 [e s ] Fuzzifikasi de s Domain : NB,NM,NS,Z,PS,PM,PB μ rate error domain 1 [de s ] μ rate error domain 2 [de s ] Pendahuluan A u = B Rule Base Menggunakan Logika AND w (1), w (2), w (3), w (4) Inference Engine μ (1) * w (1) + μ (2) *w (2) + μ (3) * w (3) + μ (4) * w (4) μ (1) + μ (2) + μ (3) + μ (4) Fuzzy PI u PI (k) = u PI (k-1)+ki * u(k) Plant Aliran Di dapat nilai Y s A B END

21 Pendahuluan Fuzzifikasi Bentuk Membership Function e(k) = SP(k) Y(k) de(k) = e(k) e(k-1)

22 Pendahuluan NB NM NS Z PS PM PB 1 Pemilihan Bentuk Membership Function /3-1/3 0 1/3 2/3 1 NB NM NS Z PS PM PB NB NM NS Z PS PM PB

23 Pendahuluan Rule Base e de NB NM NS Z PS PM PB NB NB NB NB NM NS NS Z NM NB NM NM NM NS Z PS NS NB NM NS NS Z PS PM Z NB NM NS Z PS PM PB PS NM NS Z PS PS PM PB PM NS Z PS PM PM PM PB PB Z PS PS PM PB PB PB Rule Base

24 Pendahuluan Inference Engine u ( 1) * w(1) (2) * w(2) (3) * w(3) (4) * (1) (2) (3) (4) w (4) Weighing Average

25 Diagram Alir START e p = 0; de p = 0; SP1 = 0; Y p = 0 memasukkan SP1 Baca Data nilai Y p Pendahuluan C D Rule Base Menggunakan Logika AND w (1), w (2), w (3), w (4) e p = SP1 Y p de p = e p -ê p Fuzzifikasi e p Domain : NB,NM,NS,Z,PS,PM,PB μ error domain 1 [e p ] μ error domain 2 [e p ] Fuzzifikasi de p Domain : NB,NM,NS,Z,PS,PM,PB μ rate error domain 1 [de p ] μ rate error domain 2 [de p ] u = Inference Engine μ (1) * w (1) + μ (2) *w (2) + μ (3) * w (3) + μ (4) * w (4) μ (1) + μ (2) + μ (3) + μ (4) Fuzzy PI u PI (k) = u PI (k-1)+ki * u(k) Plant Tekanan Di dapat nilai Y p C D END

26 Pendahuluan Blok Diagram

27 Diagram Alir Pendahuluan

28 Pendahuluan Tampilan

29 Simulasi Implementasi

30 Simulasi Implementasi Respon Aliran dengan kontroler Sekunder kes 2 kdes 2 ki s 5

31 Simulasi Implementasi Respon Tekanan dengan kontroler Primer ke p 0,17 kde 6 ki p 20 p

32 Simulasi Implementasi Performansi pada Simulasi

33 Simulasi Implementasi (a) (b) Respon Plant dengan Menggunakan Fuzzy (a) Tekanan (b) Aliran

34 Simulasi Implementasi Performansi Fuzzy pada Simulasi

35 Simulasi Implementasi Antarmuka untuk proses Implementasi

36 Simulasi Implementasi Agar dapat diimplementasikan pada plant maka diperlukan penyesuaian gain dari kontroler kes 2 kdes 2 ki s 1 ke p 0,08 kde p 3 ki p 3, 5

37 Simulasi Implementasi Respon Plant dengan Menggunakan

38 Simulasi Implementasi Respon Plant dengan Menggunakan

39 Simulasi Implementasi (a) (b) Respon Plant dengan Menggunakan Fuzzy (a) Tekanan (b) Aliran

40 Simulasi Implementasi Perbandingan Kontroler Tunggal dengan Kaskade Perbandingan Performansi Kontroler Fuzzy Tunggal dan Fuzzy

41 PENDAHULUAN DASAR TEORI IDENTIFIKASI PERANCANGAN IMPLEMENTASI KESIMPULAN fuzzy dalam penelitian ini mampu mengurangi nilai overshoot dan waktu steady state. hal ini bila dibandingkan dengan kontroler fuzzy tunggal Perubahan bentuk membership function pada kontroler primer tidak terlalu signifikan terhadap hasil respon, sedangkan pada perubahan bentuk membership function pada kontroler sekunder berpengaruh terhadap hasil respon Meskipun hasil perancangan pada kontroler sekunder pada saat keadaan steady state memiliki nilai osilasi yang besar, kontroler sekunder tersebut tetap bisa diterapkan pada susunan kontroler kaskade fuzzy Kontroler kaskade fuzzy mampu mengendalikan tekanan pada plant pressure control trainer

42 Terima Kasih