LOGO ADAPTIVE PREDICTIVE CONTROL BERBASIS ANFIS-PI UNTUK PENGENDALIAN TEMPERATUR HEAT EXCHANGER TESIS RE2099. Ruslim

Transkripsi

1 LOGO PROGRAM MAGISTER BIDANG KEAHLIAN TEKNIK SISTEM PENGATURAN JURUSAN TEKNIK ELEKTRO FAKULTAS TEKNOLOGI INDUSTRI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA TESIS RE099 ADAPTIVE PREDICTIVE CONTROL BERBASIS ANFIS-PI UNTUK PENGENDALIAN TEMPERATUR HEAT EXCHANGER Ruslm 0700 Dosen Pembmbng Ir. Rusdhanto Effende AK, M.T Ir. Al Faton, M.T

2 GARIS BESAR PENDAHULUAN KAJIAN PUSTAKA METODE PENELITIAN 4 PEMBAHASAN 5 KESIMPULAN

3 PENDAHULUAN Latar Belakang Heat Echanger merupakan suatu alat untuk proses pertukaran panas, yang berfungs untuk mentransfer panas antara dua fluda yang berbeda temperature dan dpsahkan oleh suatu sekat pemsah, dan memegang peranan sangat pentng pada ndustr pengolahan yang mempergunakan atau memproses energy. Proses transfer panas pada Heat Echanger perlu untuk dkendalkan agar dperoleh temperature fluda yang sesua dengan krtera yang dngnkan, sehngga pemanfaatan sumber energy yang terseda akan dapat lebh optmal. Adanya keterbatasan area kerja sensor dan actuator pada plant Heat Echanger, yang akan menyebabkan keterlambatan respon dar system kendal jka proses dkendalkan dengan menggunakan sstem kendal yang hanya berbass pada system kendal PID basa. Salah satu teknk yang dkembangkan untuk mengatas kelemahan system kendal berbass PID mult loop SISO adalah dengan menggunakan Model Predctve Control (MPC).

4 PENDAHULUAN Latar Belakang Model Predctve Control (MPC) merupakan jens system kendal yang ddesan berdasarkan model suatu proses yang dgunakan untuk menghtung nla predks keluaran proses. Basanya Model Base Predctve Control menggunakan model lner dengan algortma on-lne least square untuk menentukan parameter. Akan tetap Heat Echanger memlk proses yang sangat tdak lner, sehngga metode n akan sult jka ngn dterapkan secara langsung pada proses tersebut (Radu Balan, 007). Dengan demkan dperlukan beberapa modfkas atau pengembangan dalam mendesan model system kendal yang berbass Model Predctve Control tersebut. Salah satu model kontroler yang banyak dkembangkan adalah Intellgent Systems Control, yang memanfaatkan teknk komputas dalam mencar penyelesaan suatu permasalahan. Intellgent Systems Controller n juga dapat dgunakan untuk memecahkan persoalan-persoalan yang berkatan Model Predctve Control.

5 PENDAHULUAN Perumusan Masalah Dar latar belakang tersebut datas maka drumuskanlah suatu permasalahan dan metode yang akan dgunakan untuk memecahkan permasalahan tersebut: Adanya masalah tme delay dalam proses pengukuran snyal respon dar Heat Echanger membuat model dengan system control yang basa tdak lag dapat bekerja dengan hasl maksmal pada plant tersebut, karenanya perlu dgunakan kontroler yang berbass pada Model Predctve Control (MPC). Pada kenyataannya, ddalam duna ndustr Heat Echanger juga terkadang harus bekerja pada beban bervaras atau berubah yang akan menyebabkan terjadnya perubahan parameter-parameter dar plant tersebut, karena tu selan kemampuan predks, pada system juga perlu dtambahkan mekansme adaptas yang mampu melakukan proses pembelajaran terhadap perubahan parameter plant yang terjad sehngga keluaran dar plant dapat tetap terjaga sesua dengan setpont yang dberkan.

6 PENDAHULUAN Perumusan Masalah Berangkat dar permasalahan yang ada datas, maka pada peneltan n ddesan suatu system kendal yang mampu mempredks nla keluaran dar Heat Ehcanger, serta mampu beradaptas dengan bak jka terjad perubahan beban pada plant Heat Ehcanger tersebut. System kendal Adaptve Predctve Control drancang sedemkan rupa dengan menggunakan computer yang berbass pada System Intelgent Kontrol yatu Adaptve Neuro Fuzzy Inference System (ANFIS). Dan untuk menjaga agar nla keluaran system memlk error yang kecl maka kontroler yang ddesan dkombnaskan dengan kontroler Proportonal Integral (PI).

7 PENDAHULUAN Tujuan dan Manfaat Peneltan Tujuan dar peneltan n secara umum adalah sesua dengan judul peneltan yang telah dsebutkan, yatu: ) Mengembangkan algortma Adaptve Predctve Control berbass ANFIS yang dkombnaskan dengan kontroler PI sebaga pengendal temperature pada Heat Echanger. ) Mengetahu dan memperjelas jens kontroler yang palng cocok untuk dmplementaskan pada plant Heat Echanger.

8 PENDAHULUAN Tujuan dan Manfaat Peneltan Dengan tercapanya tujuan tersebut datas maka manfaat yang bsa dperoleh dar peneltan n adalah: ) Temperatur Heat Echanger dapat dkendalkan sesua dengan setpont yang dngnkan sehngga pemanfaatan energ pada system akan lebh optmal. ) Adanya alternatve solus dengan metode yang berbeda untuk menyelesakan permasalahan proses pengendalan Heat Echanger. ) System kendal pada heat echanger dapat dlakukan secara onlne dengan memanfaatkan teknolog computer. BACK

9 KAJIAN PUSTAKA Heat Echanger(Feedback nstrument Ltd, 00) Plant heat ehcnager yang dgunakan dalam peneltan n adalah Temperature Process Rg Traner 8-600, plant n merupakan bagan dar Procon 8 Seres System yang dgunakan sebaga traner dalam proses pengendalan temperatur (Temperature Process Control) secara real. Komponen-komponen dan nstalas dar plant adalah sepert yang terlhat pada Gambar., yatu: Heat Echanger Pompa Water Reservor Heater Servo valve Coolng Radator Thermstor

10 KAJIAN PUSTAKA Gambar. Tamplan depan dar Temperature Porcess Rg Traner (Feedback nstrument Ltd, 00)

11 KAJIAN PUSTAKA Heat Echanger(Feedback nstrument Ltd, 00) Pada plant Temperature Process Rg Traner terdapat dua alran fluda dengan temperature yang berlanan, yatu: Fluda bertemperatur tngg, dalam plant n dsebut sebaga prmary flo. Fluda bertemperatur rendah, dalam plant n dsebut sebaga secondary flo. Dagram alr dar kedua jens alran fluda n dtunjukkan dalam Gambar..

12 KAJIAN PUSTAKA Gambar. Dagram alr fluda pada Prmary Flo dan Secondary Flo (Feedback nstrument Ltd, 00)

13 KAJIAN PUSTAKA System Kontrol Umpan Balk (Rsfendra, 007) Kontroler otomats yang membandngkan snyal keluaran sstem dengan snyal acuan dsebut dengan snyal umpan balk, yang kemudan dnamakan sstem kontrol umpan balk Upaya untuk membuat kesalahan sekecl mungkn tersebut dnamakan aks kontrol. Dagram blok sstem kontrol umpan balk adalah sebagamana yang terdapat dalam Gambar.. Gambar. Dagram Blok Sstem Kontrol Umpan Balk (Rsfendra, 007)

14 KAJIAN PUSTAKA System Kontrol Umpan Balk [0] Dmana: r = refference (setpont) y = respon plant G = proses yang akan dkendalkan K = kontroler u = snyal dar elemen kontrol d = gangguan e = error

15 KAJIAN PUSTAKA System Kontrol Predks (Marthn Sanchez, 996) Kontrol predks merupakan jens kontroler yang ddesan berdasarkan model suatu proses, yang dgunakan untuk menghtung sejumlah nla predks keluaran dar proses tersebut. Berdasarkan sejumlah nla predks tersebut, snyal kontrol yang akan dberkan ke proses dhtung dengan melakukan mnmalsas suatu fungs krtera sehngga selsh antara jumlah nla predks keluaran proses tersebut dengan set masukan referens yang bersesuaan adalah mnmal. Predks keluaran pada aktu k untuk saat aktu k+ berkutnya adalah: yˆ( k k) nˆ aˆ y( k ) mˆ bˆ u( k ) (.)

16 KAJIAN PUSTAKA System Kontrol Adaptve Predctve (Marthn Sanchez, 996) Sebuah model yang membuat predks dengan tepat akan mampu mengmbang proses keluaran jka a menerma masukan yang sama sepert pada proses. Ketka predks tdak memuaskan, terkat dengan parameter yang tdak bsa menyesuakan, maka a sebaknya mempunya sebuah mekansme adaptas yang mampu menyesuakan parameterparameter model dar kesalahan dengan membandngkan proses dengan keluaran model. Skema hubungan dar system n dperlhatkan pada Gambar.6.

17 KAJIAN PUSTAKA Gambar.6 Skema dasar untuk sebuah system adaptve (Martn Sanchez, 996)

18 KAJIAN PUSTAKA System Kontrol Adaptve Predctve (Marthn Sanchez, 996) Adaptve Predctve Control System (APCS) adalah sebagamana yang dtamplkan dalam blok dagram pada Gambar.7. Gambar.7 Adaptve Predctve Control System (Martn Sanchez, 996)

19 KAJIAN PUSTAKA System Kontrol Adaptve Predctve (Marthn Sanchez, 996) Dalam system adaptve model predctve memberkan suatu estmas dar keluaran proses pada aktu k menggunakan parameterparameter model yang juga destmas pada aktu k, yang mana dtanda oleh ˆ r ( k ), snyal kontrol keluaran dan proses sudah daplkaskan atau dukur pada aktu sebelumnya. Estmas keluaran model dtamplkan dalam bentuk persamaan : yˆ ( k k) ˆ ( k) r T ( k r d) (.)

20 KAJIAN PUSTAKA System Kontrol Adaptve Predctve (Marthn Sanchez, 996) Dmana: T ( k d) [ y( k d), y( k d ),..., y( k d n ), r u( k d), u( k d ),..., u( k d m ), ( k d), ( k d ),..., ( k d p )] r r r ˆ ( ) [ ˆ ( ), ˆ ( ),..., ˆ ( ), ˆ, ˆ ( ),..., ˆ r k a k a k anr k b( k ) b k bmr ( k), cˆ ( ), ˆ ( ),..., ˆ k c k c pr ( k)]

21 KAJIAN PUSTAKA System Kontrol Adaptve Predctve (Marthn Sanchez, 996) Estmas error antara keluaran proses dan model: T e( k k) y( k) yˆ( k k) y( k) ( k) ( k d) (.4) Predks keluaran pada aktu k+d: ˆ T yˆ ( k d k) r ( k) r ( k) (.6) Trayektory kendal yang dngnkan dapat dtuls sebaga y d (k+d), prnsp dar kontrol predctve dapat dtuls kedalam bentuk persamaan: T (.7a) y d ( k d) ˆ ( k) ( k) r r r r Persamaan tersebut datas dapat juga dtuls dalam bentuk persamaan: y d ˆ T ( k d) ( k) ( k) ˆ ( k) u( k) ro ro (.7b)

22 KAJIAN PUSTAKA System Kontrol Adaptve Predctve (Marthn Sanchez, 996) Sehngga persamaan untuk menentukan besarnya snyal kontrol adalah: ˆ T yd ( k d) ro ( k) ro ( k) u( k) (.8) ˆ ( k ) Jelaslah baha mekansme adaptas harus selalu menjamn baha parameter ˆ ( k) tdak nol untuk setap aktu k. Sehngga akhrnya dapat ddefnskan suatu kontrol atau trackng error yang merupakan selsh dar keluaran proses dan keluaran kendal yang dgnkan, sebaga: ( k) y( k) y ( k) d (.9)

23 KAJIAN PUSTAKA Adaptve Neuro Fuzzy Inference System (Jang, 997, Sr Kusumade, 006) Neuro-fuzzy adalah gabungan dar dua sstem yatu sstem logka fuzzy dan jarngan syaraf truan, dmana sstem nferens fuzzy dlath menggunakan algortma pembelajaran yang dturunkan dar sstem jarngan syaraf truan. Dengan demkan, sstem neuro-fuzzy memlk semua kelebhan yang dmlk oleh sstem nferens fuzzy dan sstem jarngan syaraf truan. Dar kemampuannya untuk belajar maka sstem neuro-fuzzy serng dsebut sebaga ANFIS (Adaptve Neuro Fuzzy Inference Systems). Secara fungsonal arstektur ANFIS sama dengan fuzzy rule base model Sugeno dan juga sama dengan jarngan syaraf dengan fungs radal dengan sedkt batasan tertentu.

24 KAJIAN PUSTAKA Adaptve Neuro Fuzzy Inference System (Jang, 997, Sr Kusumade, 006) Salah satu bentuk struktur yang sudah sangat dkenal adalah sepert terlhat pada Gambar.6. Gambar.6 Arstektur jarnga ANFIS (Jang, J.S.R., Sun, C.T., Mzutan,E., 997)

25 KAJIAN PUSTAKA Adaptve Neuro Fuzzy Inference System(Jang, 997, Sr Kusumade, 006) Sepert terlhat pada Gambar.6, sstem ANFIS terdr dar 5 lapsan, yatu: ) Layer-: Membangktkan derajat keanggotaan. ) Layer-: Membangkt frng strength. ) Layer-: Bagan untuk menghaslkan keluaran yang menormalkan frng strength. 4) Layer-4: Menghtung keluaran kadah berdasarkan parameter consequent. 5) Layer-5: Menghtung snyal keluaran ANFIS dengan menjumlahkan semua snyal yang masuk.

26 KAJIAN PUSTAKA Adaptve Neuro Fuzzy Inference System(Jang, 997, Sr Kusumade, 006) Proses adaptas yang terjad dalam sstem ANFIS dkenal juga dengan pembelajaran, yatu parameter-parameter ANFIS (bak premse maupun consequent) Selama proses belajar akan dperbaharu menggunakan metode pembelajaran. Metode pembelajaran yang dgunakan dalam sstem ANFIS adalah algortma pembelajaran hybrd, yang terdr dar dua bagan yatu bagan arah maju dan bagan arah mundur. Pada bagan arah maju, proses adaptas dlakukan menggunakan metode LSE dan terjad pada parameter consequent, sedangkan pada bagan arah mundur, proses adaptas dlakukan menggunakan metode gradent-descent dan terjad pada parameter premse. BACK

27 METODE PENELITIAN Heat Echanger Sstem kendal pada plant Heat Ehanger memanfaatkan pengolahan arus lstrk, sedangkan proses akuss data dengan ADC dan DAC memerlukan pengolahan tegangan lstrk agar dapat dbaca komputer. Oleh sebab tu, dalam proses dentfkas atau proses pengendalan temperatur Heat Ehanger n dperlukan pengubah arus ke tegangan, demkan pula sebalknya. Blok dagram untuk dentfkas dan pengendalan temperatur Heat Ehanger secara onlne adalah sepert yang terlhat pada Gambar..

28 METODE PENELITIAN Heat Echanger Gambar. Blok dagram sstem dentfkas dan kendal Heat Ehanger.

29 METODE PENELITIAN Model Matemats Plant Heat Echanger (Angga Saputro, 008) Model plant dperlukan untuk proses smulas, menguj algortma kontroler, menentukan parameter aal dar kontroler dan permodelan system serta mempertajam analsa untuk kebutuhan desan kontroler. Persamaan fungs alh dar model plant Heat Ehanger pada Temperature Process Rg Traner adalah sebaga berkut: ) Beban nomnal 0,958 G 6,089s 8,009566s (.) ) Beban bertambah 0,595 G 4,s 4,574s (.)

30 METODE PENELITIAN Desan Kontroler Kontroler drancang sedemkan rupa hngga dperolehnya respon sstem yang sesua dengan krtera yang dngnkan. Adaptve Predctve Control berbass Adaptve Neuro-Fuzzy Inference System Proportonal Integral (ANFIS-PI) yang dkembangkan adalah sebagamana yang dpelhatkan pada blok dagram Gambar.. Secara gars besar system tersebut dbag menjad empat bagan utama yatu: ) Plant ) Model predks keluaran sstem ) Model nvers dar keluaran sstem 4) Model predks error 5) Kontroler

31 METODE PENELITIAN Desan Kontroler Gambar. Blok dagram Control Adaptve Predctve Berbass ANFIS

32 METODE PENELITIAN Arstektur ANFIS Arstektur ANFIS yang drancang untuk kebutuhan desan kontroler dan permodelan sstem adalah sebagmana terlhat pada Gambar.4 berkut. Gambar.4 Arstektur ANFIS dengan empat varabel masukan dan empat rule

33 METODE PENELITIAN Arstektur ANFIS Struktur dar model ANFIS yang dgunakan tersebut adalah berdasarkan pada: Model fuzzy Sugeno orde-satu sehngga bagan consequen dar aturan fuzzy f-then adalah persamaan lner. Operator T-norm yang membentuk fuzzy AND adalah keluaran aljabar. Type fungs kenggotaan (Member Fucnton-MF) dar nput adalah fungs generalzed bell yang merupakan persamaan yang tdak lner.

34 METODE PENELITIAN Arstektur ANFIS Fungs node pada setap layer yang sama akan memlk fungs yang serupa, dengan penjelasan untuk masng-masng layer adalah sebaga berkut: a) Layer-, membangktkan derajat keanggotaan: O O O O l, l, l, l, A ( B 4 C 8 D ), ( ( ( ), ), 4 untuk,,,4 atau untuk 5, 6, 7,8 atau untuk 9,0,, atau ), untuk,4,5,6 (.) dmana,, dan 4 adalah masukan pada node dan A, B-4, C-8 dan D- adalah fuzzy set yang berhubungan dengan node n dalam bentuk fungs generalzed bell: A( ) c a b (.4)

35 METODE PENELITIAN Arstektur ANFIS b) Layer-, membangkt frng strength dar suatu rule yatu dengan mengalkan setap snyal masukan, sebaga berkut: O, ( ) ( ) ( ) D ( 4 ), A B C,..., 4 (.5) c) Layer-, bagan untuk menghaslkan keluaran yang menormalkan frng strength, sebaga berkut: O,, 4,...,4 (.6) d) Layer-4, menghtung keluaran kadah berdasarkan parameter consequent. Dar Gambar.4 dtentukan parameter-parameter consequent adalah p, q, r, s, t. Maka persamaan pada layer- 4 n adalah: (.7) O 4, f ( p q r s t ),

36 METODE PENELITIAN Arstektur ANFIS e) Layer-5, menghtung snyal keluaran ANFIS dengan menjumlahkan semua snyal yang masuk: O 5 f f, (.8)

37 METODE PENELITIAN Algortma Pembelajaran Hybrd Proses adaptas yang terjad dalam sstem ANFIS dkenal juga dengan pembelajaran hbrd, yang terdr dar dua bagan yatu bagan arah maju dan bagan arah mundur. a) Bagan arah maju Ketka nla parameter-parameter bagan premse telah dtentukan, maka total keluaran dapat dnyatakan sebaga kombnas lner dar parameter-parameter consequent. 4 4 f f f f f (.9)

38 METODE PENELITIAN Algortma Pembelajaran Hybrd (arah maju) dmana lner pada parameter-parameter consequent p, q, r, s, t, p, q, r, s, t, p, q, r, s, t, dan p4, q4, r4, s4, t4. Sehngga: ) ( ) ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( ) ( t s r q p t s r q p t s r q p t s r q p t s r q p t s r q p t s r q p t s r q p X f (.0)

39 METODE PENELITIAN Algortma Pembelajaran Hybrd (arah maju) Dengan menggunakan metode nvers dan dengan mengasumskan jumlah bars dar pasangan X dan f adalah k, maka dperoleh: k ( X T X ) X T f (.) Karena jumlah parameter ada sebanyak n, maka kta bsa menyelesakan matrk n n dengan metode nvers sebaga berkut: P n ( X T n X n ) (.) n P n X T n f (.4)

40 METODE PENELITIAN Algortma Pembelajaran Hybrd (arah maju) Dengan LSE rekursf, selanjutnya teras dmula dar data ke- (n+), dengan nla Pk+ dan Wk+ dapat dhtung sebaga berkut: P k P 0 P 0 X T ( k ) X ( k ) T A P A ( k ) 0 ( k ) (.5) T k 0 Pk A( k ) k ( k ) ( y A ) 0 (.6) Pada peneltan n nla P 0 dan 0 merupakan nla aal yang dtentukan secara random

41 METODE PENELITIAN Algortma Pembelajaran Hybrd b) Bagan arah mundur Pada bagan mundur, snyal error dpropagas mundur dan parameter-parameter premse dperbaharu dengan gradent descent. E aj ( t ) aj ( t) (.7) a c j dmana adalah laju pembelajaran untuk a j. Kadah beranta yang dgunakan untuk menghtung dervatve parsal dgunakan untuk memperbaharu parameter fungs keanggotaan. E E f f j (.8) a f f a j j ( t ) c j E ( t) c j j j

42 METODE PENELITIAN Algortma Pembelajaran Hybrd (arah mundur) Dervatve parsal dperoleh sebaga, E ( f sehngga, f ) sehngga, E ( f f e f ) (.9) f f f n f (.0)

43 METODE PENELITIAN Algortma Pembelajaran Hybrd (arah mundur) sehngga, sehngga, ) ( n s r q p f n f s r q p f ) ( m j Aj (.) j j (.)

44 METODE PENELITIAN Algortma Pembelajaran Hybrd (arah mundur) Gradent kemudan dperoleh sebaga berkut: Sebelum melakukan proses pembelajaran, kta harus mendefnskan nla aal dar parameter-parameter premse a, b, dan c j j j n j a f s r q p e a E ) ( (.) j j j n j c f s r q p e c E ) (

45 METODE PENELITIAN Model Predks dan Invers dengan ANFIS Model standar yang dgunakan untuk merepresentaskan system yang ddesan adalah model nonlnear autoregressve-movng average (NARMA) Sehngga ddapat model keluaran predks adalah: yˆ ( k) F[ y( k d), y( k d ),..., y( k d n ), u( k d), u( k d ),..., u( k d n )] (.5) Dan model keluaran nvers adalah: uˆ ( k d) H[ y( k d), y( k d ),..., y( k d n ), (.6) u( k d ),..., u( k d n )]

46 METODE PENELITIAN Kontroler Neuro Fuzzy Besarnya nla dar snyal dtentukan oleh parameter-parameter kontroler Neuro Fuzzy, nla masukan yang berasal dar output model ym, snyal keluaran sstem y(k) serta snyal kontrol u(k). Parameter-parameter kontroler dambl secara onlne dar bagan nvers model plant yang melakukan proses pembelajaran. Besarnya snyal kontroler yang dhaslkan oleh kontroler Neuro Fuzzy adalah: ( k) G[ y ( k d), y( k), y( k ),..., y( k u( k ),..., u( k n )] n ), u m (.7)

47 METODE PENELITIAN Kontroler Proporsonal-Integral (PI) Kelemahan dar model ANFIS pada pada kasus pengendalan Heat Echanger n adalah lambatnya adaptas parameter model nvers terhadap perubahan set pont dan beban yang terjad, yang membuat kontroler bekerja tdak mampu untuk menghaslkan keluaran sesua yang sesua dengan setng pont. Karenanya penambahan kontroler PI pada sstem dharapkan dapat menutup kelemahan tersebut. Sehngga persamaan untuk snyal kontroler u(k) adalah sebaga berkut: u( k) u ( k) u ( k) NF PI (.8)

48 METODE PENELITIAN Model Predks Error Error Model Predks adalah suatu bagan yang berfungs untuk menjaga agar keluaran sstem mampu untuk tetap mengkut setng pont yang dberkan. Model n dturunkan dar model persamaan sstem adaptf, dan dapat djelaskan berdasarkan lustras dar model system sebagamana yang terlhat pada Gambar.5. Gambar.5 Kontrol adaptve dengan model reference

49 METODE PENELITIAN Model Predks Error Dar penurunan persamaan yang djabarkan berdasarkan Gambar. maka akan ddapatkan persamaan error dar model predks sebaga berkut: eˆ( k * ) y r ( k * ) y * * e( k) e( k r ( k) y ) ) Dmana *, *, *, *dan * adalah parameter-parameter dar persamaan error model predks. Pada peneltan n dtentukan sebuah model yang djadkan sebaga referens untuk menentukan nla parameter-parameter error model sebaga berkut: G m (.8) s s Dar fungs alh tersebut, parameter-parameter error model yang ddapatkan dar hasl perhtungan perdasarkan persamaan (.0) sampa dengan persamaan (.7) adalah *=, *=-, *=0,758 dan *= 0,5 * r ( k (.7)

50 METODE PENELITIAN Pengujan Kontroler Berdasarkan rancangan struktur kontroler yang telah dbuat datas, maka langkah selanjutnya adalah mengmplementaskan rancangan kontroler, yang mana pada peneltan n dsmulaskan dengan menggunakan program Matlab. Pengujan yang dlakukan melput:. Pengujan model matemats plant pada system open loop.. Pengujan model plant berbass ANFIS.. Pengujan model nvers plant berbass ANFIS. 4. Pengujan kotroler predks berbass ANFIS 5. Pengujan kotroler adaptf predks berbass PI 6. Pengujan kotrol adaptf predks berbass ANFIS-PI BACK

51 4 PEMBAHASAN Respon Open-Loop Sstem Heat Echanger Dengan masukan step pada masng-masng model plant maka dhaslkan respon dar plant sebagmana terlhat pada Gambar 4.. Respon Plant (oc) Beban Bertambah Beban Nomnal Waktu (detk) Gambar 4. Respon Open-Loop model system Heat Echanger dengan setpont step,5.

52 4 PEMBAHASAN Respon Open-Loop Sstem Heat Echanger Berdasarkan gambar respon open-loop dar masng-masng model pant dapat dlhat baha terdapat perbedaan yang jelas antara respon pada model plant dengan beban rendah dan model plant dengan beban bertambah. Hal nlah yang kemudan menjad dasar baha untuk menjaga agar respon dar sstem Heat Echanger tersebut tetap stabl pada nla yang dngnkan akbat adanya perubahan beban, maka pada sstem plant perlu untuk dtambahkan sstem kendal (kontroler).

53 4 PEMBAHASAN Respon Model Plant Predks Berbass ANFIS Respon dar permodelan plant Heat Echanger dengan metode ANFIS adalah sebagamana dperlhatkan dalam Gambar 4.. Respon Plant dan Model ANFIS (oc) Reference dperkecl 60oC Respon Plant Output Model Plant 0 Beban bertambah 0 Beban bertambah Beban bertambah Beban kembal ke aal Beban kembal ke aal 0 Beban kembal ke aal 0 0 Reference dperbesar 90oC Waktu (detk) Gambar 4. Grafk respon model plant berbass ANFIS.

54 4 PEMBAHASAN Respon Model Plant Predks Berbass ANFIS Dar gambar terlhat baha respon permodelan plant sudah mampu mengkut respon plant dengan bak dengan nla error yang kecl pada varas setpont dan beban yang dberkan pada system tersebut. Parameter yang ddapat dar proses learnng untuk mencapa respon pada permodelan tersebut datas kemudan dgunakan secara onlne untuk menentukan nla predks keluaran dar system. Respon dar dar predks nla keluaran plant dengan Neuro Fuzzy dperlhatkan pada Gambar 4.7. Dar gambar terlhat baha predks berbass Neuro Fuzzy juga mash mampu bekerja dengan bak pada varas setpon dan beban yang dberkan pada sstem.

55 4 PEMBAHASAN Kontroler Predks Dengan Model Invers Berbass ANFIS Model nvers pada sstm n berfungs untuk melakukan pembelajaran sampa dengan dcapanya nla error nvers yang terkecl. Poss bagan model nvers n sangat menentukan dalam proses pengendalan karena parameter yang dhaslkan akan dgunakan secara onlne oleh bagan kontroler Neuro Fuzzy. Namun dar grafk hasl smulas terlhat baha snyal model nvers tdak dapat mengkut dengan bak perubahan yang terjad pada set pont dan beban system Gambar 4.4. Hal n membuktkan baha dengan menggunakan metode n pada system kontroler, snyal nvers mash perlu untuk dsempurnakan sebelum dberkan ke plant agar system dapat bekerja dengan bak pada konds yang berbeda. Karena tu pada peneltan n untuk memperbak snyal kontroler nantnya snyal kontroler Neuro Fuzzy djumlahkan dengan snyal kontroler PI.

56 4 PEMBAHASAN Kontroler Predks Dengan Model Invers Berbass ANFIS Beban bertambah Snyal Kontroler Output Model Invers Respon Model Invers (oc) Reference dperkecl 60oC Reference dperbesar 90oC Waktu (detk) Gambar 4.4 Grafk snyal respon model nvers berbass ANFIS

57 4 PEMBAHASAN Kontroler Predks Dengan Model Invers Berbass ANFIS Snyal Respon (oc) Setpont 75oC Beban normal Beban bertambah Setpont 60oC Beban bertambah Beban normal Setpont Respon Plant Setpont 90oC Beban bertambah Waktu (detk) Gambar 4.5 Grafk respon plant dengan kontrol predks dan model nvers berbass ANFIS

58 4 PEMBAHASAN Kontroler Adaptf Predktf PI dan Model Plant Berbass ANFIS PI dapat dgunakan untuk menyempurnakan snyal kontrol Neuro Fuzzy untuk menghaslkan keluaran sstem yang tetap dapat mengkut setng pont yang dberkan. Dsn dperlhatkan pengaruh kontroler PI terhadap sstem kontrol predks apabla berdr sendr, yang responnya dapat dlhat pada Gambar 4.6. Terlhat baa kontroler PI mash lebh bak dalam menghadap perubahan yang terjad pada sstem apabla dbandngkan dengan kontroler ANFIS, akan tetap overshoot yang terjad mash tngg.

59 4 PEMBAHASAN Kontroler Adaptf Predktf PI dan Model Plant Berbass ANFIS Respon Plant dan Respon Step (oc) Beban bertambah Beban normal Beban bertambah Setpont 75oC Setpont 60oC Beban normal Setpont 90oC Setpont Respon Plant Waktu (detk) Gambar 4.6 Respon dar ssten dengan kontroler PI predks dan model plant berbass ANFIS

60 4 PEMBAHASAN Kontroler Adaptf Predktf Berbass ANFIS-PI Desan kontroler adaptf predktf berbass ANFIS-PI bertujuan untuk menghaslkan keluaran sstem yang mampu tetap mengkut setng pont yang dberkan, alaupun pada terjad perubahan beban pada plant. Dar Gambar 4.7 dapat dlhat baha kontroler n dapat bekerja dengan hasl yang lebh bak. Error snyal plant terhadap reference yang terjad adalah sebagamana yang terlhat pada Gambar 4.8. Terlhat baha terjad perubahan nla error yang sgnfkan ketka terjad perubahan pada sstem, namun setelah respon mendekat nla steady state nla error sudah sangat kecl.

61 4 PEMBAHASAN Kontroler Adaptf Predktf Berbass ANFIS-PI Snyal Respon (oc) Setpont 75oC Beban Bertambah Beban Bertambah Beban Normal Beban Normal Setpont 60oC Setpont Respon Plant Output Predks Setpont 90oC Beban Bertambah Beban Normal Waktu (detk) Gambar 4.7 Respon plant dengan kontroler Adaptf Predktf Berbass ANFIS-PI

62 4 PEMBAHASAN Kontroler Adaptf Predktf Berbass ANFIS-PI Gambar 4.8 Error snyal plant terhadap snyal reference dengan beban berubah BACK

63 5 KESIMPULAN DAN SARAN Kesmpulan Secara umum dapat dkatakan baha system control yang ddesan untuk pengendalan Heat Echanger telah mampu bekerja dengan bak. Dar uraan-uraan yang djabarkan dalam bab sebelumnya maka dapat dtark beberapa kesmpulan sebaga berkut:. Pemodelan plant dengan menggunakan metode ANFIS dapat bekerja dengan bak pada plant yang tdak lner. Hal n terlhat dar hasl pengujan dmana model tersebut tetap mampu bergerak mengkut bentuk dar respon plant dengan error yang relatve kecl, bak pada beban plant yang berubah maupun pada setpont yang berbeda.. Penggunakan model nvers dalam desan kontroler kurang bak untuk konds beban plant dan reference yang berubah. Karenanya untuk memperbak kerja dar model jens tersebut perlu dtambahkan kontroler PI pada system. Kontroler PI akan membantu kontroler Neuro Fuzzy untuk memperbak snyal kontroler yang akan dberkan ke plant.

64 5 KESIMPULAN DAN SARAN Kesmpulan. Desan kontroler Adaptf Predktf berbass ANFIS-PI untuk pengendalan temperature Heat Echanger telah bekerja sesua dengan crtera yang dngnkan, yatu respon plant dengan system kontroler tersebut tetap dapat mengkut setpont dengan error yang relatve kecl, alaupun pada konds dmana terjad perubahan beban maupun perubahan setpont pada system.

65 5 KESIMPULAN DAN SARAN Saran Dar hasl pengujan dan uraan pembahasan terlhat baha kekurangan system hanya terletak pada model nvers dengan metode ANFIS yang tdak maksmal dalam kerjanya akbat kurang mampu beradaptas terhadap penurunan snyal yang masuk ke model. Karena tu perlu dkembangkan model nvers dengan metode atau struktur yang berbeda sehngga kontroler untuk kebutuhan plant Heat Echanger dapat ddesan tanpa menggunakan kontroler PI.

66 DAFTAR PUSTAKA ) Angga Saputro, (008), Implementas Kontroler Neural Netork Untuk Pengaturan Temperatur Pada Feedback Temperature Process Rgg, Tugas Akhr Bdang Keahlan Teknk Sstem Pengaturan Jurusan Teknk Elektro ITS, Surabaya. ) Feedback nstrument Ltd, (00), PROCON Temperature Process Rg Traner Instructon Manual, Feedback Instrument Ltd., UK. ) Jang J.-S.R., Sun C.-T., Mzutan E., (997), Neuro-Fuzzy And Soft Computng: A Computatonal Approach To Learnng And Machne Intellgence, Prentce-Hall, Inc. 4) Johnson, Curts D., (00), Process Control Instrumentaton Technology-7th ed, Prentce-Hall, Ne Jersey. 5) Juan M. Marthn Sanchez, Jose Rodellar, (996), Adaptve Predctve Control: From the Concepts to Plant Optmzaton, Prentce Hall, London.

67 DAFTAR PUSTAKA 6) Mahd Jall-Kharajoo, Babak N. Araab (004), Neural Netork Based Predctve Control of a Heat Echanger Nonlnear Process, Journal of Electrcal & Electronc Engneerng, Instambul Unversty, Vol. 4, No., hal ) M.A. Denaı, F. Pals, A. Zeghbb, (007), Modelng And Control Of Non-Lnear Systems Usng Soft Computng Technques, Appled Soft Computng, Vol. 7, hal ) Landu, Ioan Dore, (990), System Identfcaton and Control Desgn Usng P.I.M + Softare, Prentce Hall Inc. 9) Ogata, Katsuhto, (997), Modern Control Engneerng, Prentce- Hall, Ne Jersey. 0) Rsfendra (007), Dsan Dan Implementas Kontroler Kaskade Robust Pada Sstem Pressure Control Traner Feedback 8-74, Tess Program Magster Bdang Keahlan Teknk Sstem Pengaturan Jurusan Teknk Elektro ITS, Surabaya. ) Radu Bălan, Vstran Măteş, Vctor Hodor, Olmpu Hancu, and Sergu Stan, (007), Applcatons of a Model Based Predctve Controlto Heat-Echangers, Proceedng of The 5th Medterranan Conference On Control And Automaton, Athens-Greece, T7-00.

68 DAFTAR PUSTAKA ) Sr Kusumade, Sr Hartat (006), Neuro-Fuzzy: Integras Sstem Fuzzy dan Jarngan Syaraf, Graha Ilmu, Yogyakarta.

69 LOGO