PERANCANGAN SOFTSENSOR KADAR GAS BUANG PADA STACK HASIL KELUARAN HRSG (HEAT RECOVERY STEAM GENERATOR) DENGAN METODE JARINGAN SYARAF TIRUAN

Transkripsi

1 PERANCANGAN SOFTSENSOR KADAR GAS BUANG PADA STACK HASIL KELUARAN HRSG (HEAT RECOVERY STEAM GENERATOR) DENGAN METODE JARINGAN SYARAF TIRUAN Oleh : Hera Firdhausa Katili Dosen Pembimbing : Dr. Bambang Lelono Widjiantoro, S.T.,M.T. NIP LABORATORIUM REKAYASA INSTRUMENTASI DAN KONTROL JURUSAN TEKNIK FISIKA FAKULTAS TEKNOLOGI INDUSTRI INSTITUT TEKNOLOGI SEPULUH NOPEMBER

2 LATAR BELAKANG Dampak lingkungan - > polusi udara CEMS Analyzer Kelemahan : -Harga mahal -Diperlukan maintenance dalam jangka waktu tertentu -Terkadang terjadi error dalam pengukurannya Data yang digunakan non-linier dan MIMO SOFTSENSOR

3 PERMASALAHAN Bagaimana merancang softsensor kadar gas buang pada stack sebagai hasil keluaran dari HRSG (Heat Recovery Steam Generator) dengan metode jaringan syaraf tiruan.

4 TUJUAN Tujuan dari penelitian tugas akhir ini adalah merancang softsensor kadar gas buang pada stack sebagai hasil keluaran dari HRSG (Heat Recovery Steam Generator) dengan metode jaringan syaraf tiruan sehingga dapat memberikan hasil yang cukup akurat.

5 BATASAN MASALAH Data input yang digunakan adalah data yang terukur pada stack saat beroperasi (real time). Kadar gas buang yang terukur oleh CEMS Analyzer adalah gas NO, CO dan O 2. Metode yang digunakan dalam perancangan softsensor adalah Jaringan Syaraf Tiruan. Algoritma yang digunakan dalam Jaringan Syaraf Tiruan adalah algoritma backpropagation. Fungsi pelatihan yang digunakan dalam algoritma backpropagation ini adalah Levenberg-Marquardt. Perancangan softsensor kadar gas buang dilakukan secara simulasi menggunakan software Matlab seri R2009a.

6 DASAR TEORI

7 SEKILAS CEMS ANALYZER Pengertian CEMS Analyzer Kadar gas NO, SO 2, CO 2, CO dan CH 4 diukur menggunakan metode NDIR (non-dispersive infrared) yang memanfaatkan radiasi sinar infrared untuk pengukuran sedangkan O 2 menggunakan sensor external. Ketentuan sampel gas : 1. Rendah temperatur 2. Tidak banyak mengandung debu dan zat-zat kotoran yang bersifat korosif

8 JARINGAN SYARAF TIRUAN

9 ALGORITMA BACKPROPAGATION Algoritma Backpropagation adalah algoritma jaringan syaraf tiruan (JST) yang multi layer dan biasanya sering digunakan untuk menyelesaikan masalah yang rumit.

10 Pelatihan backpropagation terdiri dari 3 fase : 1. Propagasi maju 2. Propagasi mundur 3. Perubahan bobot Ketiga fase ini akan terus diulang hingga kondisi penghentian dipenuhi. Kondisi pnghentian adalah ketika jumlah iterasi melebihi jumlah maksimum yang ditentukan atau jika kesalahan/eror yang terjadi sudah lebih kecil dari batas toleransi.

11 METODOLOGI PENELITIAN

12 Mulai Studi Literatur Pengambilan Data Penyususnan Algoritma Backpropagation Proses training dan validasi data tidak MSE mencapai ya Perancangan HMI Selesai

13 STUDI LITERATUR CEMS Analyzer = untuk mengetahui karakteristik dan prinsip kerja dari CEMS Analyzer. Jaringan Syaraf Tiruan = melakukan penyusunan algoritma, penentuan fungsi aktifasi, jumlah layer dan fungsi pelatihannya. Software MATLAB = untuk pengujian data dengan menentukan jumlah data yang digunakan untuk proses training, validation dan testing.

14 PENGAMBILAN DATA Pengambilan data dilakukan di PLTGU Belawan dimana data tersimpan dalam recorder yang terhubung langsung dengan CEMS Analyzer. Data Input : pressure, temperature, dust dan opacity Data Output : kadar gas NO, CO dan O2. Jumlah data : 870 data untuk setiap jenis data.

15 ARSITEKRUR BACKPROPAGATION

16 PENYUSUNAN ALGORITMA BACKPROPAGATION PENGAMBILAN DATA == Pengambilan data dilakukan dengan cara meberikan kode perintah pda m-file untuk mengambil data dari Excel dalam bentuk matriks. Bentuk matriks yang dibuat adalah 7x870 dimana terdiri dari 7 baris (4 baris untuk input 3 baris untuk target) dan 870 kolom untuk jumlah data. PREPROCESSING DATA == untuk merubah data yang bernilai puluhan/ratusan ke dalam range PEMBENTUKAN JARINGAN == menggunakan 2 fungsi aktifasi yaitu sigmoid bipolar dan linier serta fungsi pembelajaran Levenberg Marquardt. PARAMETER PELATIHAN == lr = 1 goal = epoch = 1000 PEMBAGIAN DATA == data training=610 data (data ke-1 610) data validasi=130 data (data ke ) data testing=130 data (data ke ). INISIALISASI BOBOT == untuk menyimpan nilai bobot dan bias pada setiap layer ketika diperoleh performansi yang baik agar nilai MSE dan jumlah iterasi tidak berubah. SIMULASI JARINGAN == untuk menghitung keluaran jaringan berdasarkan arsiektur, pola masukan dan fungsi aktifasi yang digunakan. Nilai keluaran hasil simulasi jaringan ini masih dalam range Untuk merubah nilai tersebut ke dalam nilai aslinya maka digunakan perintah postprocessing data.

17 ANALISA DATA DAN PEMBAHASAN

18 Selama proses pelatihan variabel yang diubah-ubah adalah jumlah node/neuron untuk mendapat MSE yang paling baik mendekati nilai Jumlah Node MSE

19 GRAFIK PERFORMANSI

20 Setelah nilai bobot dan bias disimpan dalam m-file maka tampilan grafik performansi sbb :

21 GRAFIK REGRESI

22 PERBANDINGAN KADAR GAS NO AKTUAL DENGAN KELUARAN SOFTSENSOR Jumlah Node Rata-rata eror (ppm) Prosentase Eror (%) VAF (%)

23 Perbandingan kadar gas NO aktual dengan keluaran softsensor ppm data

24 PERBANDINGAN KADAR GAS CO AKTUAL DENGAN KELUARAN SOFTSENSOR Jumlah Node Rata-rata eror (ppm) Prosentase Eror (%) VAF (%)

25 Perbandinga kadar gas CO aktual dengan keluaran softsensor ppm data

26 PERBANDINGAN KADAR GAS O2 AKTUAL DENGAN KELUARAN SOFTSENSOR Jumlah Node Rata-rata eror (ppm) Prosentase Eror (%) VAF (%)

27 Perbandingan kadar gas O2 aktual dengan keluaran softsensor ppm data

28 INTERFACE DENGAN GUI Static text Edit text Panel Push Button

29

30 KESIMPULAN Telah berhasil dirancang softsensor kadar gas buang pada stack hasil keluaran HRSG dengan metode jaringan syaraf tiruan menggunakan algoritma backpropagation. Fungsi pelatihan yang digunakan dalam perancangan ini adalah fungsi pelatihan trainlm karena fungsi ini merupakan metode pembelajaran dengan proses penurunan tercepat tanpa memerlukan perhitungan matriks Hessian. Dari proses training dan validasi didapatkan MSE terkecil yang menunjukkan hasil terbaik dengan memasukkan jumlah neuron 130 yaitu 0, Didapatkan rata-rata eror untuk masing-masing kadar gas buang sebesar , 0.01 dan 0.12 ppm dengan tingkat akurasi sebesar 99.01%, 99.03% dan 99.01%.

31 TERIMA KASIH