Bab III. Plant Nonlinear Dengan Fase Nonminimum

dokumen-dokumen yang mirip
BAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA

EKSPEKTASI SATU PEUBAH ACAK

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

Karakterisasi Matrik Leslie Ordo Tiga

BAB 2 LANDASAN TEORI

INVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN

BAB II DIMENSI PARTISI

Analisis Penyelesaian Persamaan Kuadrat Matriks

III FUZZY GOAL LINEAR PROGRAMMING

Probabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata

BAB III MODUL INJEKTIF

USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG

Pengolahan lanjut data gravitasi

BAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh

BAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode

BAB II LANDASAN TEORI

Benyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN

Created by Simpo PDF Creator Pro (unregistered version)

BAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2)

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB I PENDAHULUAN. 1.1 Latar Belakang

PENYELESAIAN SISTEM PERSAMAAN TAK LINIER

Lucas Theorem Untuk Mengatur Penyimpanan Memori yang Lebih Aman

PENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD

BAB 2 LANDASAN TEORI

TEKNIK EKSTRAPOLASI RICHARDSON BERULANG PADA MODEL BINOMIAL FLEKSIBEL UNTUK MENENTUKAN HARGA OPSI JUAL AMERIKA

SYARAT PERLU DAN CUKUP SOLVABILITAS MASALAH DEKOPLING SEGITIGA BLOK

Analisis Sensitivitas

VI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar

P n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)

II. TEORI DASAR. Definisi 1. Transformasi Laplace didefinisikan sebagai

IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN

PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE

IDENTIFIKASI SISTEM NONLINIER DENGAN MENGGUNAKAN RECURRENT NEURAL NETWORK DAN ALGORITMA DEAD-ZONE KALMAN FILTER

KUNCI JAWABAN SOAL TEORI FISIKA OLIMPIADE SAINS NASIONAL Ketinggian maksimum yang dicapai beban dihitung dari permukaan tanah (y t ) 1 mv

BEBERAPA SIFAT TERKAIT SUBMODUL SEMIPRIMA

METODE OPTIMASI SELEKSI FITUR DENGAN ALGORITMA FAST BRANCH AND BOUND

Tinjauan Ulang Konsep Mekanika Klasik

PENDUGAAN PARAMETER MODEL HIDDEN MARKOV *

MODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1)

BAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c

BAB 2 ANALISIS ARUS FASA PADA KONEKSI BEBAN BINTANG DAN POLIGON UNTUK SISTEM MULTIFASA

Bab 2 AKAR-AKAR PERSAMAAN

U JIAN A KHIR S EMESTER M ATEMATIKA T EKNIK

Studi Perhitungan CCT Menggunakan Metode EEAC (Extended Equal Area Criterion) Dan Trajektori Kritis/ Critical Trajectory Untuk Kestabilan Transien

KAJIAN METODE SUMBER EKIVALEN TITIK MASSA PADA PROSES PENGANGKATAN DATA GRAVITASI KE BIDANG DATAR

SOLUSI SISTEM PERSAMAAN DIFERENSIAL PARSIAL DENGAN MENGGUNAKAN METODE PERTURBASI HOMOTOPI DAN METODE DEKOMPOSISI ADOMIAN

Bab 1 Ruang Vektor. R. Leni Murzaini/

Nilai Kritis Permutasi Eksak untuk Anova Satu Arah Kruskal-Wallis pada Kasus Banyaknya Sampel, k = 4

KONSTRUKSI RUANG TOPOLOGI LENGKAP

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara

STATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil

BAB V INTEGRAL KOMPLEKS

Tinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal

KOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda

V E K T O R Kompetensi Dasar :

BAB III SKEMA NUMERIK

BAB III FUNGSI MAYOR DAN MINOR. Pada bab ini akan dibahas konsep-konsep dasar dari fungsi mayor dan fungsi

Optimasi Baru Program Linear Multi Objektif Dengan Simplex LP Untuk Perencanaan Produksi

BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak).

TUGAS ANALISIS MATRIKS APLIKASI TEOREMA PERRON FROBENIUS PADA MODEL MATRIKS POPULASI LESLIE

Pemodelan Anomali Magnetik Berbentuk Prisma Menggunakan Algoritma Genetika Antonius a, Yudha Arman a *, Joko Sampurno a

ANALISIS REGRESI PADA DATA OUTLIER DENGAN MENGGUNAKAN LEAST TRIMMED SQUARE (LTS) DAN MM-ESTIMASI. Heru Nurcahyadi

BAB V ANALISIS FAKTOR-FAKTOR BEBAN DAN TAHANAN (LOAD AND RESISTANCE FACTOR)

Bab III Model Estimasi Outstanding Claims Liability

PENGENALAN WAJAH BERBASIS METODE TWO-DIMENSIONAL LINEAR DISCRIMINANT ANALYSIS

ANALISIS MODEL PERSEDIAAN BARANG EOQ DENGAN MEMPERTIMBANGKAN FAKTOR KADALUARSA DAN FAKTOR ALL UNIT DISCOUNT

IV. MODEL-MODEL EMPIRIS FUNGSI PERMINTAAN

Restorasi Citra Dengan Menggunakan Metode Iteratif Lanczos Hybrid Regularization

IV. UKURAN SIMPANGAN, DISPERSI & VARIASI

PRA-PEMROSESAN DATA LUARAN GCM CSIRO-Mk3 DENGAN METODE TRANSFORMASI WAVELET DAUBECHIES UNTUK PEMODELAN STATISTICAL DOWNSCALING

BAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi

BAB II TEORI ALIRAN DAYA

BAB VB PERSEPTRON & CONTOH

Implementasi Algoritma Radix Sort dalam Berbagai Kasus Bilangan Dibandingkan Algoritma Pengurutan yang lain

BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN. Pada prinsipnya model ini merupakan hasil transformasi dari suatu model

KWARTIL, DESIL DAN PERSENTIL

BAB 2 TINJAUAN KEPUSTAKAAN

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.

Pembayaran harapan yang berkaitan dengan strategi murni pemain P 2. Pembayaran Harapan bagi Pemain P1

Perbandingan Masalah Optimasi TSP dengan Menggunakan Algoritma Ant Colony dan Jaringan Hopfield

P i KULIAH KE 3 METODA KELOMPOK (COHORT SURVIVAL METHOD) METODE ANALISIS PERENCANAAN - 1 TPL SKS DR. Ir. Ken Martina K, MT.

BAB II STUDI PUSTAKA

Implementasi Jaringan Saraf Tiruan Backpropagation Pada Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda Menggunakan MATLAB 7.0

BAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA)

PENDAHULUAN Latar Belakang

DIMENSI PARTISI GRAF GIR

BAB 2 LANDASAN TEORI

BAB IV HASIL ANALISIS

Transkripsi:

Bab III Plant Nonlnear Dengan Fase Nonmnmum Pada bagan n dbahas mengena penurunan learnng controller untu sstem nonlnear dengan derajat relatf yang detahu Dalam hal n hanya dperhatan pada sstem-sstem nonlnear yang nvaran terhadap watu III Desrps Sstem Perhatan sstem nonlnear yang stabl pada aprosmas pertama d juga masuan pada eadaan stabl: ( ) ( ) () () = () t = f t + g t u t, = y t h t = dan ( 3 ) dmana adalah ndes teras dar ILC, { u} = merupaan barsan masuan, n m m ( t), u ( t), y t, n n f:, g: n n m n m, h: Untu penyederhanaan, perhatan asus derajat relatf r = Tujuan dar learnng adalah untu membangun barsan dar trayetor masuan { sedeman sehngga u u, dmana u ( t) u} = aan menyebaban sstem menuju jalur trayetor yang dngnan ( t ) agar sedeat mungn pada [,T ] dan ( ) ( d ) () () = () t = f t + g t u t, = d d d d d y t h t yang dpenuh untu setap t [, T] d ( 32) Untu model masuan gangguan, persamaan plant (3) dmodfas menjad : d mana ( ) ( ) ( ) () () = () t = f t + g t u t + b t w t, = y t h t ( 33 )

Fungs () w t aca dar sstem Asumsan : (A) Fungs f (), (), yang ontnu dan w t n n b: dan merepresentasan determnst dan gangguan yang terbatas secara b() g h( ), h ontnu merupaan fungs yang meml turunan r (A2) ( C ) dmana r = merupaan derajat relatf dar sstem (A3) u L C B r (A4) Sstem stabl pada aprosmas pertama dan masuan untu eadaan stabl (Perhatan bahwa, ja sstem tda stabl, maa sstem mungn bsa dstablan untu daplasan pada metode n) (A5) Sstem meml dnama nol hperbol yatu fase nonmnmumnya tda stabl () (A6) Gangguan w ontnu dbatas oleh, yatu b w ( t) w b Untu suatu sstem, algortma learnng dajuan sepert pada gambar berut N w u () P y ( ) + () - + d dt r u + ( ) + δ u () T DN Gambar III Sema algortma learnng 2

III2 Formulas Learnng Controller pada Plant Pada bagan n, aan dturunan learnng controller DN (dtunjuan pada gambar III) dengan lnearsas plant Dar sstem lnear yang stabl pada (33) defnsan suatu masuan e eluaran pada plant nonlnear aprosmas pertama) sebaga berut : P:u y P (stabl pada Ja () t merupaan solus untu persamaan dferensal (33), maa < M < (dengan asums establan masuan e eluaran) Dar eompaan dan eontnuan fungs h dan menggunaan Teorema 45 pada [7]: y Dengan menggunaan aturan ranta ddapat : L = y t h t t Juga dar eterdferensalan, h dan h (asums A), dan menggunaan Teorema 55 pada [7], ddapat : Karena tu Dar Teorema 45 pada [7] ddapat : Oleh arena tu ddapat: P:u y C ( ) C y y L y ( 34) ( 35) P:C L C L Defnsan operator lnear dmana d DT : = d + dt Jad ( δ ) = δ + δ ( 36) DT y y y 3

dan δ = y y δ = y y Asumsan r C ( r = adalah derajat relatf) dan L dmana bahwa y d merupaan trayetor eluaran yang dngnan Telah dbutan y C L Karena tu, δ y y C L Dengan alasan yang sama, dapat dataan = δ y = y C L Oleh arena tu DT : δ y δy + δy DT : C L C L Defnsan operator nonlnear N sebaga : ( ) ( δ δ ) N: = DT P :u y + y C L C L ( 37) Operator lnear DN ddefnsan dengan melnearan sstem (33) dsetar (,u,w = = = ) dmana sebaga berut : () () = δ () δ t = Aδ t + bδu t, δ = δ y t C t A: = f ;b : = g ;C: = h ( 38) 4

Karena plant stabl pada aprosmas pertama, A adalah Hurwtz d (38), maa δ = dapat dgant dengan δ ± = dan juga tanpa mengubah masuan-eluaran pada pemetaan yang ddefnsan oleh (38) Searang defnsan operator lnear DN sebaga : Jad DN : = DT DP : δu δ y + δ y ( 39 ) DN δ u C + CA δ t + Cbδu t = δ y + δ y dmana δ merupaan solus untu (38) dan Oleh arena tu δ y C L DN :C L C L Operator lnear DN meml nvers, arena r =, Cb (lhat but Lemma 32) Learnng Control ( DN ) ddefnsan oleh persamaan berut : () = () + () + () ( + ) () ( ± ) δ t Aδ t b Cb δy t δy t C CA δ t, δ () δ () δ () = A b Cb C + CA t + b Cb y t + y t () = () + () ( + ) () δu t Cb δy t δy t C CA t = δ ( 3 ) Karena sstem hperbol (asums A5), dengan onds batas bsa ddapatan solus untu sstem d atas menggunaan stable noncausal yang dambl dar pendeatan [3] Karena tu operator lnear DN ddefnsan sebaga: DN : C L C L δ y + δ y δu Notasan δ = d, δ y = y dan δ u = ud u, dan turunan (dengan espans deret Taylor) plant yang dlnearsas dar (33) sebaga berut : 5

() + δ () = ( () + δ ) + ( + δ ) +δ ( f ( () t ) + f( () t ) δ () t + g( () t ) + g( () t ) δ() t u() t + δu() t t t f t t g t t u t u t) ( 3 ) Yang ddapat dengan espans deret Taylor dan pengabaan bagan orde yang tngg, dmana Juga f g f t : t ;g t : t ( ()) = ( ()) ( ()) = ( ()) () δ δ y t + y t = h t + t Kurang (3) dar (33) dan dabaan orde yang tnggnya, maa aan ddapatan plant yang dlnearsas d setar solus ( t ) untu (33) sebaga: () () = () = () ( ) δ () () ( ()) () δ t = f t δ t + g t δu t δ + g t t u t b t w t δ () δy t h t t ( 32 ) Karena (38) stabl, dmana n dapat dbutan dengan metode Lyapunov bahwa (37) juga stabl pada masuan terbatas eluaran terbatas, ja tda termasu dalam batas yang dtentuan Perhatan bahwa, dsn δ = juga dapat dgant (sepert d (38)) dengan δ ( ± ) = dan tda mengubah pemetaan masuan-eluaran Defnsan ( ) A : = f t + g t u t ( ) B: = g t ( ) C: = h t ( ) b: = b t Maa sstem lnear yang stabl pada (32) meml solus emudan defnsan pemetaan masuan-eluaran lnear : DP : δu δy u C L C L 6

Dapat dbutan () δ ( ) δy t = h t t + h t δ t ( ) δ y C L Defnsan operator lnear DN sebaga : u DN : = DT DP : δ u δ y + δ y u u C L C L ( 33 ) Dalam suatu proses teratve learnng control, sepert yang dtunjuan pada gambar III, pada setap langah learnng e-, masuan ontrol menjad u + = T( u + δu ) Jumlah dar galat pada snyal eluaran yatu u dperbaru dan galat pada turunannya yatu δ = y: y δ y: = y y d menjad masuan untu operator learnng, dmana δ u merupaan eluaran learnngnya Pada bagan n dasumsan bahwa sstem nonlnear meml derajat relatf, hal n dperluan untu mengambl turunan dar eluaran untu membalan sstem Dalam pratenya, pendferensalan hanya dapat daprosmas arena adanya gangguan sensor eluaran Untu menglarfas dsus sebelumnya, parameter fungs aan dtunjuan dalam notas dbawah gars dengan ebergantungan dar watu yang dsebaban eadaan lan yang decualan Searang aturan teratf yang dperbaru dar ILC dapat dtuls dalam stlah operator N dan DN sebaga berut : ( δ ) ( ( δ δ )) ( ) u+ = T u + δu = T u + Cb δy + δy C + CA ( 34 ) = u + T DN y + y = u T DN N u dmana δ merupaan solus untu (33) 7

Lemma berut aan menentuan dmana solus nonausal dperluan untu plant yang lnear Lemma 32 Ja suatu sstem nonlnear dengan derajat relatf yang terdefns dengan ba dan dnama nol hperbol merupaan fase nonmnmum (yatu dnama nol tda stabl), plant yang dlnearsas (dengan tt eulbrum (,)) meml zero yang tda stabl But : Perhatan sstem nonlnear yang dberan oleh : = f + g u y = h h ( 35) dengan derajat relatf terdefns untu r n Msalan bentu normal dar sstem d atas dberan oleh ξ = ξ2 ξ = ξ 2 3 = ξr = b ξη + a ξη u η = q y = ξ (, ) (, ) ( ξ, η) ( 36 ) Pertama, perlu dtunjuan bahwa aprosmas lnear dar persamaan dalam bentu normal adalah sama dengan bentu normal dar aprosmas lnear dar desrps awal sstem Hal n euvalen dengan menunjuan bahwa derajat relatf dar sstem dan aprosmas lnearnya adalah sama Untu mengahr, msalan medan vetor f ( ) meml eulbrum d = yan f perhatan untu f ( ) suatu espans dalam bentu f ( ) = A+ f2 ( ) dengan dengan memsahan aprosmas lnear Dengan cara yang sama espansan dmana f A = = f2 dan = = = dan A dar bentu derajat tertngg f ( ) h = C+ h, 2 2 8

h = ; C = [ h ] dan [ ] = h 2 = = Deman halnya espans g( ) menjad g( ) B g ( ) Oleh arena tu, aprosmas lnear dar sstem d = A+ Bu y = C In dapat dbutan dengan ndus bahwa : dmana f Lh = CA+ d d ( ) memenuh [ ] = d = Dar sn, dapat ddedus bahwa CA B g f = + dengan B= g =, ddefnsan sebaga = L L h = untu semua < r r r g f CA B = L L h yan derajat relatf dar aprosmas lnear dar sstem d = tepat sama dengan r Dar fata n, dapat dsmpulan bahwa dengan mengambl aprosmas lnear dar persamaan dalam bentu normal (36) berdasaran espans dar bentu : ( ξ, η) = ξ + η+ 2 ( ξ, η) ( ξη, ) = + ( ξη, ) ( ξ, η) = ξ + η+ ( ξ, η) b R S b a K a q P Q q dhaslan sstem lnear dalam bentu normal ξ = ξ2 ξ = ξ 2 3 = ξr = Rξ + Sη+ Ku η = Pξ + Qη y = ξ 2 ( 37 ) Dtunjuan oleh [4] bahwa nla egen dar Q bersesuaan dengan zero dar sstem lnear yang dberan oleh (37) Juga dcatat bahwa matrs Jacob [ q ] ( ξη ) menjelasan aprosmas lnear pada η = dar dnama nol dar η, = sstem nonlnear awal (36) Oleh arena tu, ja sstem nonlnear merupaan fase nonmnmum (pelnearan dnama nol meml palng sedt satu nla 9

egen yang tda stabl): nol dar fungs transfer dar aprosmas lnear dar sstem awal d = tda semua stabl Dar Lemma 32 dapat dsmpulan bahwa ja dberan sstem nonlnear dengan dnama nol yang tda stabl, maa DN meml postf yang tda stabl, dan hal tu dperluan untu mengaplasan proses nvers noncausal [4] pada DN yang djelasan pada bagan sebelumnya 2