Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKPerubahan karakteristik pada Heat Exchanger akibat adanya endapankotoran yang melapisi pennukaan perpindahan panas, membuat sistemrnenjadi sulit untuk dikendalilcan. Untuk mengatasi masalah tersebut dipilih pengendali PID (Proporsional. Integral dan Diferensial) sebagai pengendali sistem, dengan bantuan Jaringan Syaraf Tiruan (JST) untuk menentukau parameter pengendalinya. Proses belajar JST menggunakan algoritma backpropagation dengan arsitektur jaringan yang terdiri dari tiga lapis neuron. Pada proses belajar dilakukan cara pelatihan dengan memberikan bobot yang berbeda pada tiap Iapisannya dan dicari pola keluaran yang paling mendekati pola target yang ditetapkan. Pada penelitian ini program sirnulasi dibuat dalam bahasa pernrogratnan Pascal. Dari basil simulasi dapat dilihat bahwa JST mampu rnenentukan parameter pengendali PID yang dapat memperbaiki karakteristik sistem, bila terjadi perubahan pada parameter proses."

"ABSTRAKMetode WRV adalah metode penyetelan pengendali menunjukkan kinerja pengendaliyang lebih optimum dari metode penyetelan Ziegler Nichols, Cohen Coon, Dahlin danLopez. Metode ini menggunakan mengkorelasikan informasi dari step respon openloop tranfer function (K, τ, dan θ) untuk menentukan konstanta pengendali P, PI, danPID yaitu Kc, τi, dan τd. Namun, kompleksitas dan dinamika dari sistem proses yangspesifik membutuhkan pengendali yang mampu untuk dilatih berdasarkan data historisproses serta mampu untuk mengkombinasikan faktor-faktor yang mempengaruhisistem proses dalam memutuskan suatu aksi. Jaringan syaraf tiruan diaplikasikan yangpada sistem pengendali, mampu memberikan kedua manfaat tersebutkan.Penelitian ini dilakukan dengan mengaplikasikan jaringan syaraf tiruan untukmenentukan konstanta penyetelan pengendali P, PI, dan PID dengan menggunakanmetode penelitian yang dilakukan untuk menghasilkan metode penyetelan pengendaliWRV. Penelitian ini dilakukan dengan menggunakan tiga jenis jaringan syaraf tiruanyaitu, multi layer feed forward (MLFF), radial basis, dan generalized regression(GRNN). Hasil simulasi dan penerapan pada alat pengendali tekanan di LaboratoriumProses Operasi Teknik, Departemen Teknik Kimia FTUI menunjukkan bahwa jaringansyaraf radial basis memberikan kinerja pengendali paling optimum untuk pengendali Pdan PI, sedangkan kinerja paling optimum dari pengendali PID diperlihatkan padaaplikasi jaringan syaraf generalized regression (GRNN) sebagai metode penyetelanpengendali."

"Untuk mendapatkan respon keluaran yang baik, maka Heat Exchanger memerlukan pengendalian. Karena Heat Exchanger adalah termasuk peralatan proses yang lambat maka pengendali PID digunakan bersama-sama dengan pengendali Feedforward.Pengendali PID berfungsi untuk mempertahankan kestabilan sistem lingkar tertutup, sedangkan pengendali Feedforward berfungsi untuk mengantisipasi gangguan yang terjadi pada sistem Heat Exchanger tersebut. Adapun persamaan karakteristik dari Heat Exchanger diturunkan dengan perhitungan matematis, yang memberikan fungsi alih orde satu dengan waktu tunda.Dari hasil pengujian terhadap pengendali PID yang digabungkan dengan Feedforward tersebut, didapatkan response keluaran sistem Heat Exchanger yang baik walaupun terjadi perubahan yang bervariasi dari masukannya.

---

To get a good output response, the Heat Exchanger need a controller. Because the Heat Exchanger is a slow equipment process, a P1D controller is used together with a Feedforward controller.

The PID controller is used to maintain the closed loop system stability and the Feedforward controller is used to completely eliminating the impact of a disturbance change on the process output. The characteristic equations of Heat Exchanger are determined based on mathematics calculation where the transfer function is first order plus dead time.

The results of test of the PID and the Feedforward controller shows that the output response of the Heat Exchanger works well in the presence of disturbances at the system inputs."

"Dalam Tugas Akhir ini digunakan sistem kendali yang merupakan gabungan antara pengendali jaringan syaraf dengan pengendali PID. Pengendali jaringan syaraf yang digunakan menggunakan sebuah jaringan syaraf lain yang berfungsi sebagai ideenrifier. Identifier di sini berfungsi untuk menghitung sinyal error bagi jaringan syaraf pengendali. 3aringan syaraf pengendali di sini berfungsi untuk memberikan sinyal koreksi bagi sinyal kendali pengendali PID untuk memperbaiki respon transien sistem. Dengan menggunakan kombinasi dua jenis pengendali seperti ini, diperoleh basil kendali dengan tanggapan yang eepat dan stabil, yang terlihat pada basil simulasi yang dilakukan."

"Tesis ini membahas identifikasi sistem dan inversi sistem untuk sistem evaporasi limbah cair radioaktif dengan Jaringan Syaraf Tiruan (JST), yang meliputi penentuan parameter JST yang diperlukan. Perancangan model JST dimaksudkan untuk merancang sistem pengendalian inversi yang sesuai. Dalam tesis ini digunakan struktur Multi-Layer Feedforward Network, yang terdiri dari lapisan masukan, lapisan keluaran dan 2 buah lapisan tersembunyi. Data diperoleh dari evaporator limbah cair radioaktif yang sebenarnya, yaitu dari Pusat Pengelolaan Pengembangan Limbah Radioaktif (P2PLR), PT. BATAN, Serpong, yang kemudian data tersebut digunakan untuk melatih dan menguji JST. Identifikasi sistem dan inversi sistem dilakukan dengan menggunakan model JST dengan struktur serial-paralel dan pelatihan JST dengan menggunakan algoritma Error Back Propagation. Hasil identifikasi tersebut diuji dengan memberikan masukan referensi pads pengendali. Berdasarkan hasil tes tanggapan waktu lingkar terbuka dan perhitungan harga MAE (Mean Absolute Error), ternyata didapat bahwa hasil pengendalian plant adalah baik.

---

This thesis discusses about identification of system and inverse system of an evaporation of liquid waste system using Artificial Neural Network (ANN) that includes determining the parameters required to get the ANN's model of the system. The ANN's model is used to design an appropriate inverse controller for the plant system.

In this thesis, the Feed forward Multi-Layer Network is used which contains input layer, output layer and two hidden layers. The data are collected from the real evaporator of radioactive liquid waste plant at Pusat Pengelolaan Pengembangan Limbah Radio aktif (P2PLR), PT. SATAN, Serpong, then the data are used to train and to test the ANN.

The ANN is implemented by using serial-paralel structure and is trained using error back propagation method. The ANN's model is tested using a reference input to the controller.

Based on open loop time response test dan calculating the Mean Absolute Error (MAE), yields a good controlling to the plant."

"Sistem kendali berbasis logika fuzzy terdiri dari proses fuzzifikasi, pengarnbilan keputusan berdasarkan basis pengetahuan, dan defuzzifikasi. Basis pengetahuan memuat aturan-aturan kendali fuzzy dan informasi mengenai proses pengolahan data yang terjadi dalam sistem kendali. Dalam skripsi ini, penerapan logika fuzzy pada sistem kendali akan disimulasikan pada sistem pengatur temperatur suatu ruang. Pada simulasi pengaruh temperatur luar terhadap sistem turut diperhitungkan. Model sebuah ruangan diturunkan dari perumusan resisitansi dan kapasitansi termalnya. Kernudian FLC digunakan untuk 'mengendalikan sistem, dengan input T error dan DT error serta output berupa sinyaI kendali mesin pemanas dan pendingin. Digunakan 15 aturan kendali dengan implikasi mamdani dan metode defuzzifikasi LoM. Hasil simulasi menunjukkan bahwa penggunaan FLC telah memperbaiki kinerja sistem pengendalian temperatur ruang, yang ditandai dengan settling time dan rise time yang lebih baik, juga error yang diperoleh cukup kecil bila dibandingkan sistem dengan terrnostat. Pengaruh temperatur Iuar digunakan untuk menaikkan temperatur ruang dari nol sampai mencapai set point, yang mempersingkat settling time sistem (ruangan berjendela). Pada ruang tanpa jendela settling time sedikit lebih lambat, karena pengaruh temperatur luar lebih kecil. Kemampuan FLC dibatasi oleh dirnensi ruang dan jangkauan setpoint yang diinginkan."

"Salah satu unit proses yang sulit untuk dilakukan pemodelanannya secara matematis adalah unit proses ammonia converter. Dalam unit proses ini produk yang dihasilkan dipengaruhi berbagai macam proses seperti proses reaksi kimia, proses quenching, serta perpindahan kalor, yang kesemuanya dipengaruhi oleh setting laju alir pada aliran feed, by-pass, quench dan interchanger dalam ammonia converter. Dengan banyaknya proses yang terjadi, perubahan kondisi pada aliran masukan akan sangat berpengaruh terhadap produk yang dihasilkan, sehingga dibutuhkan pengubahan setting laju alir dalam ammonia agar produk tetap sesuai dengan spesifikasi yang diinginkan, oleh karena itu dibutuhkan suatu alat untuk memprediksi kondisi operasi ammonia converter yang dapat mengikuti perilaku alami dari unit proses ammonia converter tersebut. Metode jaringan syaraf tiruan backpropagation dan jaringan regresi dapat digunakan untuk memprediksi setting laju alir dalam ammonia converter jika diketahui data historis kondisi operasi dan setting laju alir yang sudah ada pada unit ammonia converter tersebut. Dalam penelitian ini dilakukan perancangan jaringan syaraf tiruan dengan menggunakan backpropagation dan jaringan regresi yang kemudian dilakukan proses pembelajaran, validasi dan simulasi dengan data historis yang didapat dari unit Ammonia Converter 105-D pada periode Juli - Agustus 2004. Unit ini merupakan unit proses sintesis ammonia milik PT. Pupuk Sriwidjaya (Persero). Dari penelitian diperoleh hasil bahwa untuk memprediksi setting laju alir dalam ammonia converter, dibutuhkan 4 buah jaringan syaraf tiruan paralel yang digunakan untuk memprediksi masing-masing laju alir dalam ammonia converter. Jaringan backpropagation 3 layer (lapisan) dengan 10 neuron pada layer input, 5 neuron pada hidden layer dan 1 neuron pada layer output menghasilkan kesalahan rata-rata hasil simulasi sebesar 0.85 %. Sedangkan jaringan regresi 3 layer dengan 4 neuron pada layer input, 4 neuron pada hidden layer dan 1 neuron pada layer outputnya menghasilkan kesalahan rata-rata hasil simulasi sebesar 0.523 %. Dengan hasil tersebut maka jaringan regresi dapat melakukan prediksi setting laju alir dalam ammonia converter lebih baik dibandingkan jaringan backpropagation."