Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kolom destilasi merupakan salah satu unit operasi yang paling banyak digunakan di dunia industri dan memerlukan pengendalian proses yang lebih lanjut karena memiliki sistem multi input multi oputput (MIMO) atau sistem multivariable yang sulit untuk dikendalikan. Model predictive control (MPC) merupakan salah satu pengendali alternatif yang dikembangkan untuk mengatasi pengendalian yang memiliki sistem MIMO dengan interaksi diantara lup-lup yang dikendalikannya. Penelitian ini bertujuan untuk mendapatkan model dinamik dari pengendalian proses pada kolom destilasi menggunakan MPC serta mendapatkan kinerja pengendali MPC yang optimum. Pengendalian proses kolom desitlasi dilakukan dengan mensimulasikan model dinamik dari kolom destilasi pada perangkat lunak UNISIM R390.1. Proses optimasi dilakukan dengan tuning terhadap parameter-parameter pengendali MPC seperti sampling time (T=1-240 s), prediction horizon (P=1-400), dan control horizon (M=1-400). Hasil simulasi dari pengendalian dengan MPC selanjutnya akan diuji dan dibandingkan dengan hasil pengendalian PI, menggunakan parameter pengujian Integral Absolute Error (IAE). Pengendali MPC memberikan kinerja lebih baik dibandingkan dengan pengendali PI untuk range set point 0,95 sampai 0,94 pada komposisi produk destilate menggunakan model 1 yang dimodifikasi dengan IAE 0,0584 untuk pengendali MPC dan 0,0782 untuk IAE pengendali PIDistillation columns are widely used in chemical industry as unit operation and required advance process control because it has multi input multi output (MIMO) or multivariable system, which is hard to be controlled. Model predictive control (MPC) is one of alternative controller develoved for MIMO system due to loops interaction to be controlled. This study aimed to obtain dynamic model of process control on a distillation column using MPC, and to get the optimum performance of MPC controller. Process control in distillation columns performed by simulating the dynamic models of distillation columns by UNISIM R390.1 software. The optimization process was carried out by tuning the MPC controller parameters such as sampling time ( t = 1 ? 240 s), prediction horizon (p = 1-400), and the control horizon (M=1-400). The comparison between the simulation result of MPC obtained with the simulation result of PI controller is presented and Integral Absolut Error (IAE) was used as comparison parameter. Then, result indicate that the performance of MPC is better then PI controller for set point range 0.95 to 0.94 on destillate product composition using a modified model 1 with IAE 0.0584 for MPC controller and 0.0782 for PI controller."

"ABSTRAKKolom destilasi merupakan salah satu unit operasi yang paling banyak digunakan di dunia industri dan memerlukan pengendalian proses yang lebih lanjut karena memiliki sistem multi input multi oputput (MIMO) atau sistem multivariable yang sulit untuk dikendalikan. Model predictive control (MPC) merupakan salah satu pengendali alternatif yang dikembangkan untuk mengatasi pengendalian yang memiliki sistem MIMO dengan interaksi diantara lup-lup yang dikendalikannya. Penelitian ini bertujuan untuk mendapatkan model dinamik dari pengendalian proses pada kolom destilasi menggunakan MPC serta mendapatkan kinerja pengendali MPC yang optimum. Pengendalian proses kolom desitlasi dilakukan dengan mensimulasikan model dinamik dari kolom destilasi pada perangkat lunak UNISIM R390.1. Proses optimasi dilakukan dengan tuning terhadap parameter-parameter pengendali MPC seperti sampling time (T=1-240 s), prediction horizon (P=1-400), dan control horizon (M=1-400). Hasil simulasi dari pengendalian dengan MPC selanjutnya akan diuji dan dibandingkan dengan hasil pengendalian PI, menggunakan parameter pengujian Integral Absolute Error (IAE). Pengendali MPC memberikan kinerja lebih baik dibandingkan dengan pengendali PI untuk range set point 0,95 sampai 0,94 pada komposisi produk destilate menggunakan model 1 yang dimodifikasi dengan IAE 0,0584 untuk pengendali MPC dan 0,0782 untuk IAE pengendali PI

---

AbstractDistillation columns are widely used in chemical industry as unit operation and required advance process control because it has multi input multi output (MIMO) or multivariable system, which is hard to be controlled. Model predictive control (MPC) is one of alternative controller develoved for MIMO system due to loops interaction to be controlled. This study aimed to obtain dynamic model of process control on a distillation column using MPC, and to get the optimum performance of MPC controller. Process control in distillation columns performed by simulating the dynamic models of distillation columns by UNISIM R390.1 software. The optimization process was carried out by tuning the MPC controller parameters such as sampling time ( t = 1 ? 240 s), prediction horizon (p = 1-400), and the control horizon (M=1-400). The comparison between the simulation result of MPC obtained with the simulation result of PI controller is presented and Integral Absolut Error (IAE) was used as comparison parameter. Then, result indicate that the performance of MPC is better then PI controller for set point range 0.95 to 0.94 on destillate product composition using a modified model 1 with IAE 0.0584 for MPC controller and 0.0782 for PI controller"

"Model Predictive Control (MPC) merupakan sistem pengendalian yang menggunakan model berdasarkan data hasil pengukuran keluaran (output) saat ini atau masa sebelumnya untuk memprediksi nilai dari variabel proses (input) pada masa yang akan datang. Pada penelitian ini, sistem pengendalian MPC digunakan untuk menangani pengendalian proses variabel jamak dalam unit operasi Continous Stirred Tank Reactor (CSTR) dengan reaksi pembuatan propylene glycol. Model dinamik sesuai dengan kondisi operasi yang dapat mewakili interaksi antara variabel jamak dibuat untuk diterapkan pada sistem pengendali. Sistem pengendalian proses disimulasikan dengan menggunakan perangkat lunak Unisim R390.1. Simulasi pengendalian proses dilakukan untuk menghasilkan performa pengendalian yang optimum dan untuk mengendalikan variable jamak yang saling berinteraksi dalam sistem pada CSTR. Optimasi pada sistem pengendalian dilakukan dengan cara tuning terhadap parameter-parameter MPC seperti model horizon (N), waktu sampel (T), prediction horizon (P), dan control horizon (M).Hasil dari simulasi menunjukkan Model F sebagai model dinamik terbaik pada pengendali MPC multivariable mampu menangani jangkauan perubahan setpoint dalam rentang perubahan yang kecil dari 0,33 ke 0,331 dengan IAE sebesar 0,10602. Secara keseluruhan, pengendali MPC belum dapat mengendalikan sistem CSTR secara optimum berdasarkan nilai IAE, namun pengendali MPC lebih mampu menjaga kestabilan sistem dibandingkan dengan pengendali PI.Model Predictive Control (MPC) are control system which use model based on value output variable at present or past to predict value of future process variable. In this research, MPC control system use to handle multivariable process control in unit operation Continous Stirred Tank Reactor (CSTR) with propylene glycol reaction system. Dynamics model based on operating condition which representative interaction between multivariable are made to implement in control system. Process control system simulating in Unisim R390.1 software. The simulation of process control aims to achieve optimum performance of controller and to control interaction between multivariable in CSTR system. Optimasion will be doing in system control with MPC parameters tuning such as model horizon (N), time sampling (T), prediction horizon (P), and control horizon (M).

The Results show that Model F as the best model in MPC multivariable can control the change of setpoint in short length from 0,33 to 0,331 with 0,10602 IAE. Overall, MPC controller can?t controlled CSTR system with optimum result based on IEA value, but MPC can make system more stabile than PI controller."

"ABSTRAKFormaldehida merupakan senyawa kimia yang digunakan pada industri perekat. PT X merupakan produsen formaldehida di Jawa Timur. Sistem pengendali proses yang digunakan di PT X masih berbasis proportional integral (PI). Pengendali konvensional ini masih memiliki kekurangan. Multivariable model predictive control (MMPC) diajukan untuk meningkatkan kinerja sistem pengendali pada PT X. Model empiris dibuat menggunakan process reaction curve (PRC) dan perhitungan parameter first order plus dead time (FOPDT). Empat manipulated variable (MV) dan empat controlled variable (CV) membentuk 16 model empiris. Perhitungan parameter MMPC, meliputi sample time (T), prediction horizon (P), control horizon (M), dilakukan dengan metode Shridhar dan Cooper (1998) dan dioptimalkan dengan metode fine tuning. Kinerja pengendalian MMPC diuji dengan perubahan set point (SP) dan ketahanan atas gangguan (disturbance rejection). Empat pengendali yang diuji, yaitu pengendali tekanan evaporator (PIC-101), pengendali liquid percent level evaporator (LIC-101), pengendali laju alir steam (FIC-102), dan pengendali suhu udara (TIC-101). Nilai parameter MMPC meliputi T, P, dan M yang optimal berturut turut adalah 3, 62, dan 2. Pengendali MMPC dapat memberikan peningkatan kinerja pengendalian pada uji SP tracking dengan rata rata sebesar 33,24% untuk IAE dan 42,93% untuk ISE. Sedangkan, pada uji disturbance rejection, terdapat peningkatan kinerja dengan rata-rata sebesar 33,48% untuk IAE dan 58,08% untuk ISE.

---

ABSTRACT

Formaldehyde is chemical substances that is used in adhesive industry. PT X is formaldehyde producer in East Java. PT X is using proportional integral based control system. This conventional controller has several weaknesses. Multivariable model predictive control (MMPC) is used to increase the performance of control system at PT X. Empirical model is made with process reaction curve (PRC) followed by first order plus dead time (FOPDT) calculation. Four manipulated variable (MV) and four controlled variable (CV) will construct 16 empirical models. Calculation of MMPC parameter, which include sample time (T), prediction horizon (P), and control horizon (M), is done with Shridhar and Cooper method (1998) and optimized by fine tuning method. Performance of MMPC is tested by set point changes and disturbance rejection. Four controllers tested are evaporator pressure control (PIC-101), liquid percent level control (LIC-101), steam flow control (FIC-102), and air temperature control (TIC-101). The optimized parameter of MMPC which include T, P, and M are 3, 62, and 2 respectively. MMPC Controller can increase controller performance in SP tracking with average number of 33.24% for IAE and 42.93% of ISE. Meanwhile, in disturbance rejection, there is an increase in average of 33.485 for IAE and 58.08% for ISE."

"Kebutuhan energi di dunia semakin meningkat. Hal ini mendorong terbentuknya penelitian berbasisi Energi Baru dan Terbarukan (EBT) salah seperti biomassa dan salah satunya adalah biohidrogen. Unit penting dalam proses pembuatan biohidrogen adalah gasifier dan char combustor. Gasifier adalah unit reaksi pembentukan biohidrogen. Untuk mengoptimasi kinerja unit proses awal pabrik bioidrogen dari biomassa ini maka akan dipasangkan sistem pengendalian dengan metode MPC. Pengendali MPC bergantung pada model empirik FOPDT yang diperoleh dengan melakukan identifikasi sistem.

Pemodelan empirik melalui PRC menghasilkan pengendali MPC yang tidak lebih baik dari pengendali PI. Setelah dilakukan MPC tuning dan reidentifikasi, kinerja MPC menjadi lebih baik dibandingkan PI. Hal tersebut ditunjukkan dengan nilai IAE yang kecil. Untuk IAE pada pengendalia suhu gasifier nilaie IAE nya 184,47 dengan kenaikan performa pengendalia 100% disbanding PI, untuk char combustor IAEnya sebesar 61,12 dengan kenaikan performa pengendali sebesar 78,9% dan pada unit cooler IAEnya menjadi 12,76 dengan kenaikan kinerja pengendali 81,11%. Hal tersebut menjadikan kinerja pengendali meningkat 70% hingga 80% dan ketigaya dapat bekerja dengan baik pada proses menyeluruh.

---

Need of energy source increasing each year. It lead researcher to find another source of newable and renewabale energy such biomass energy based as an example biohydrogen. The important proses unit in biohydrogen plant is gasifier and char combustor. Gasifer is reactor that produce biohydrogen from biomethane. To optimize plant performance, plant will utilize with proses control equipment with MPC method. MPC controller depend on empirical model from system identification.

Result of empirical modeling with PRC method is MPC model that has not better performance than PI method controller. But, after MPC tuning and reidentification of empirical model, the MPC controller have better performance than PI method. It proven by smaller IAE number. In gasifier IAe humber is 184.47%, it has 100% increases of performances char combustor temperature control the IAE number is 61,12%, it performance is increase in 78%. IAE number in cooler is 12,67 it performance is increase 81,18% . It make proses control performance increase for 70% up to 80%. Proses Control work very well in overall process."

"Untuk menangani gangguan pada proses operasi nonlinear diperlukan suatu bentuk pengendalian. Representative Model Predictive Control (RMPC) adalah salah satu cara untuk memperoleh sekumpulan MPC lokal yang dapat merepresentasikan keseluruhan rentang operasi. MPC lokal ini nantinya digunakanpada Multiple Model Predictive Control (MMPC) untuk mensimulasikanproses operasi nonlinear multi variabel.Skripsi ini membahas penggunaan RMPC untuk memilih beberapa MPC lokal yang kemudian digunakan sebagai model pada MMPC untuk menangani gangguan. Penelitian ini menggunakan model kolom distilasi biner ?Kolom A? yang disimulasikan dengan perangkat lunak MATLAB. Variabel yang dimanipulasi adalah laju refluks dan laju boil up sedangkan variabel yang dikontrol adalah komposisi produk distilat dan komposisi produk bawah. Hasil IAE MMPC dibandingkan dengan IAE kontroler PI konvensional. Untuk gangguan single step; MPC terbaik dengan IAE 0,2564, lebih baik dari IAE kontroler PI 0,7494.Sedangkan untuk gangguan multi step; MMPC terbaik dengan IAE 0,7730, lebih baik dari IAE kontroler PI 0,9808.

---

In order to handle disturbances in the nonlinear operation some form of control is required. Representative Model Predictive Control (RMPC) is one way to obtain a set of local MPC which able to represent the entire operating range. The local MPC is later used in the Multiple Model Predictive Control (MMPC) to simulate the operation of nonlinear multi-variable process. This thesis discusses the use of RMPC to select some local MPC which is then used as a model for dealing with disturbances in the MMPC. This study uses a model of a binary distillation column "Column A" which is simulated with MATLAB software. The manipulated variable is the rate of reflux and boil-up rate, while the controlled variable is the product composition of the distillate and bottom product composition. MMPC IAE results compared with conventional PI controller IAE. For single step disturbance; the best MPC with IAE 0.2564, is better than PI controller IAE 0.7494. As for the multi-step disturbance; the best MMPC with IAE 0.7730, is better than PI controller IAE 0.9808."

"Dimetil eter DME sebagai energi alternatif yang bersih telah mendapat perhatian dalam beberapa tahun terakhir. Produksi DME dengan distilasi reaktif memiliki potensi untuk menghemat biaya kapital dan penggunaan energi. Meski begitu, kombinasi sistem reaksi dan distilasi dalam satu kolom membuat proses distilasi reaktif menjadi sistem multivariabel yang kompleks dengan perilaku proses yang sangat non linear dan adanya interaksi antar variabel proses yang kuat. Studi ini menginvestigasi pengendalian proses distilasi reaktif DME dengan multivariable Model Predictive Control MPC berdasarkan struktur pengendalian suhu dua titik untuk menjaga kemurnian kedua aliran produk. Model proses diestimasi dengan model first-order plus dead time. Kemurnian DME dan air masing-masing dijaga dengan mengendalikan suhu tahap 5 di zona rektifikasi dan suhu tahap 47 pelucutan. Hasil simulasi menunjukkan bahwa nilai integral of squared error ISE untuk perubahan set point suhu tahap 5 dan 47 dapat dikurangi masing-masing 19,89 dan 18,26 untuk sistem dengan pengendali multivariable MPC dibandingkan dengan pengendali PI konvensional. Selain itu, pengendali multivariable MPC mampu menangani interaksi lup pengendalian yang ditunjukkan oleh respon yang lebih stabil dan tidak berosilasi.

---

Dimethyl ether DME as an alternative clean energy has attracted a growing attention in the recent years. DME production via reactive distillation has potential for capital cost and energy requirement savings. However, combination of reaction and distillation on a single column makes reactive distillation process a very complex multivariable system with high non linearity of process and strong interaction between process variables. This study investigates a multivariable model predictive control MPC based on two point temperature control strategy for the DME reactive distillation column to maintain the purities of both product streams. The process model is estimated by a first order plus dead time model. The DME and water purity is maintained by controlling stage 5 temperature in rectifying section and stage 47 in stripping section, respectively. The results show that the integral of squared error ISE values for the set point tracking in stages 5 and 47 temperatures can be reduced, respectively, 19.89 and 18.26 for the system under multivariable MPC controller compared to the conventional PI controllers. In addition, the MPC controller is able to handle the loop interactions that is shown by more stable and non oscillatory responses."

"Ester base oil merupakan pelumas alami yang telah diterima secara luas dikarenakan kemampuan pelumasannya yang tinggi, serta keunggulan seperti kinerja suhu rendah, indeks viskositas yang tinggi, pengurangan gesekan yang sangat baik, dan sifat anti aus. Proses sintesis ester base oil melibatkan dua tahapan utama, yaitu oligomerisasi dan esterifikasi. Penelitian ini bertujuan untuk mendapatkan rancangan serta mendesain pengendalian proses pada proses pre- treatment oligomerisasi pabrik ester base oil dengan multivariable model predictive control (MMPC) 4x4. Metode yang digunakan untuk mendapatkan model first order plus dead time (FOPDT) 4x4 adalah dengan cara dilakukan identifikasi sistem menggunakan metode Smith, metode Wade, dan metode Solver. Selanjutnya, ditentukan model FOPDT terbaik dengan membandingkan nilai root- mean-square error (RMSE) terkecil dari setiap metode. Metode tuning yang digunakan untuk MMPC adalah metode Shridhar-Cooper dilanjutkan dengan fine- tuning untuk mendapatkan nilai parameter P (prediction horizon), M (control horizon), dan T (sampling time). Parameter MMPC tersebut akan diuji berdasarkan respon kinerja pengendali terhadap pengujian set point (SP) tracking dan pengujian disturbance rejection. Kinerja MMPC juga akan dibandingkan dengan kinerja pengendali propotional-integral (PI) dengan perhitungan integral absolute error (IAE) dan integral square error (ISE). Hasil identifikasi sistem didapatkan model FOPDT terbaik menggunakan metode Smith yaitu M1V3, M2V1 ; metode Wade yaitu M1V2, M2V3, M2V4, M4V2 ; metode Solver yaitu M1V1, M1V4, M2V2, M3V1, M3V2, M3V3, M3V4, M4V1, M4V3, M4V4. Metode fine-tuning pada penyetelan MMPC menghasilkan parameter P, M, T terbaik masing-masing sebesar 350, 300, dan 2. Pada pengujian SP ttacking, MMPC menunjukkan kinerja terbaik dalam pengendalian suhu sedangkan kinerja pengendali PI lebih baik dalam pengendalian laju alir. Pada pengujian disturbance rejection, kinerja MMPC lebih baik dibandingkan pengendali PI dengan perbaikan kinerja pengendalian sebesar 7,16% - 61,35% untuk nilai IAE dan 13,96% - 88,60% untuk nilai ISE.

---

Ester base oil is a natural lubricant widely accepted due to its high lubricating ability, as well as advantages such as low-temperature performance, high viscosity index, excellent friction reduction, and anti-wear properties. The synthesis process of ester base oil involves two main stages, namely oligomerization and esterification. This research aims to obtain a design and design process control in the pre-treatment process of oligomerization in the ester base oil plant with multivariable model predictive control (MMPC) 4x4. The method used to obtain the first-order plus dead time (FOPDT) 4x4 model is by identifying the system using Smith's method, Wade's method, and Solver's method. Furthermore, the best FOPDT model is determined by comparing the smallest root-mean-square error (RMSE) values from each method. The tuning method used for MMPC is the Shridhar-Cooper method followed by fine-tuning to obtain the parameter values P (prediction horizon), M (control horizon), and T (sampling time). These MMPC parameters will be tested based on controller performance responses to set point (SP) tracking testing and disturbance rejection testing. The performance of MMPC will also be compared with proportional-integral (PI) controllers using integral absolute error (IAE) and integral square error (ISE) calculations. The results of the system identification obtained the best FOPDT model using Smith's method, namely M1V3, M2V1; Wade's method, namely M1V2, M2V3, M2V4, M4V2; Solver's method, namely M1V1, M1V4, M2V2, M3V1, M3V2, M3V3, M3V4, M4V1, M4V3, M4V4 .The fine-tuning method in MMPC tuning resulted in the best P, M, T parameters of 350, 300, and 2 respectively. In SP tracking testing, MMPC showed the best performance in temperature control while PI controller performance was better in flow rate control. In disturbance rejection testing, MMPC performance was better than PI controllers with performance improvement ranging from 7.16% to 61.35% for IAE values and 13.96% to 88.60% for ISE values."

"Proses dehidrasi gas merupakan salah satu proses yang umum dijumpai pada industri pengolahan gas. Unit dehidrasi gas ini tentu diharapkan dapat beroperasi pada kondisi produksi yang optimum sehingga dapat menghasilkan produk sales gas yang memberikan keuntungan bagi kedua belah pihak. Namun, adanya kandungan hidrokarbon dan uap air pada sales gas akan menyebabkan pembentukan hidrat yang bersifat korosif pada saluran pipa. Untuk mencegah hal tersebut, gas alam yang berasal dari reservoar perlu dikeringkan terlebih dahulu sebelum dijual sebagai sales gas. Oleh karena itu, dibutuhkan sistem pengendalian proses pada bagian-bagian yang penting pada unit dehidrasi gas agar kestabilan dan keselamatan proses produksi dapat terjaga. Sistem tersebut dirancang untuk menjaga keamanan operasi dan memastikan proses berjalan dengan optimal untuk mendapatkan kualitas produk sales gas yang baik. Selama ini pengendalian hanya dilakukan menggunakan pengendali Proporsional-Integral, akan tetapi belum optimal sehingga perlu digunakan pengendali Multivariabel MPC Model Predictive Control. Penyetelan pengendali menggunakan metode Non-Adaptif DMC dan fine tuning kemudian hasil penyetelan dengan metode yang lebih baik akan dibandingkan dengan pengendali PI. Evaluasi kineja pengendalian dilihat berdasarkan seberapa cepat respon pengendali dalam mengatasi perubahan set point dan menangani adanya gangguan serta berdasarkan nilai ISE Integral Square Error. Sebagai hasilnya, metode fine tuning lebih baik digunakan dengan konstanta penyetelan P Prediction Horizon, M Model Horizon, dan T Sampling Time yang optimum adalah 14, 5, dan 3, dengan nilai ISE pada perubahan set point pada pengendalian tekanan dan temperatur sebesar 55 dan 51, atau perbaikan kinerja pengendalian sebesar 11.29 dan 16.39 dibandingkan dengan kinerja pengendali PI.

---

Gas dehydration process is one of the most common processes in gas processing industry. To produce sales gas that could benefit both parties, an optimum operation condition have to be obtained. However, the presence of hydrocarbon and water vapor on sales gas will lead to the formation of hydrates that are corrosive to the pipeline. Natural gas originating from the reservoir needs to be drained first before being sold as a sales gas to prevent the formation of hydrates. Therefore, a process controlling system is required in the critical parts of gas dehydration unit in order to maintain the stability and safety of the production process. This system is designed to maintain the security of operations and ensure the process runs optimally to get good quality sales gas. Current control system are mostly using Proportional Integral controller, but MPC Model Predictive Control controller is more preferable to optimize the process control. Adjustment of the controller were done using the DMC Non Adaptive method and fine tuning. The best tunning result from those two methods then will be compared with the PI controller. Evaluation of control performance is based on how fast controller could overcoming set point changes, handling disturbance and ISE Integral Square Error value. As a result, fine tuning methods are better used with P Prediction Horizon , M Model Horizon , and T Sampling Time optimization constants of 14, 5, and 3, with ISE values for set point changes in pressure control and temperatures are 55 and 51, or improvement in control performance by 11.29 and 16.39 compared to PI controller performance."

"ABSTRAKMMPC (Multivariable Model Predictive Control) digunakan untuk mengontrol suhu dan tekanan di kilang regasifikasi LNG untuk mengatasi masalah yang saling mempengaruhi variabel dan mengurangi jumlah pengontrol. Ada empat variabel yang dikontrol (variabel terkontrol, CV) dan empat variabel yang dimanipulasi variabel, MV). CV yang dikontrol adalah tekanan di tangki penyimpanan LNG yaitu tekanan keluaran vaporizer, suhu keluaran vaporizer, dan suhu gas ke pipa. MV dimanipulasi, yang masing-masing berpasangan dengan CV tersebut, adalah laju aliran produk tank top, laju aliran gas pipa, laju aliran air laut, dan pemanas tugas. Identifikasi Model empiris FOPDT (First Order Plus Dead-Time) akan dilakukan terhadap keempatnya pasang CV dan MV untuk menggambarkan interaksi antar variabel. FOPDT diperoleh digunakan sebagai pengontrol di MMPC dan menentukan pengaturan kinerja kontrol Parameter MMPC yaitu P (prediction horizon), M (control horizon), T (waktu sampling). Kinerja kontrol diukur dengan menggunakan metode ISE (Integral Square Error). Hasilnya, parameter MMPC (P, M, T) untuk kondisi regasifikasi LNG adalah optimum masing-masing adalah 330, 1, 1. Ukuran ISE dari pengontrol MMPC dalam setpoint pelacakan: 2.12 × 10-4; 23.834; 0,763; 0,085, dengan perkembangan kinerja pengontrol masing-masing 31.262%, 17%, 175%, 757% dibandingkan kinerja MPC.

---

ABSTRACTMMPC (Multivariable Model Predictive Control) is used to control temperature and pressure in the LNG regasification plant to overcome the problem of interplaying variables and reducing the number of controllers. There are four controlled variables (controlled variable, CV) and four manipulated variablesvariable, MV). CV that is controlled is the pressure in the LNG storage tank, namely the vaporizer output pressure, the vaporizer output temperature, and the gas temperature to the pipe. MV manipulated, each of which is paired with the CV, is the tank top product flow rate, the pipeline gas flow rate, the seawater flow rate, and the heating duty. Identification of the FOPDT (First Order Plus Dead-Time) empirical model will be carried out on the four CV and MV pairs to describe the interactions between variables. The obtained FOPDT is used as a controller in the MMPC and determines the control performance settings for the MMPC parameters, namely P (prediction horizon), M (control horizon), T (sampling time). Control performance is measured using the ISE (Integral Square Error) method. As a result, the MMPC parameters (P, M, T) for the optimum LNG regasification conditions were 330, 1, 1. ISE size of the MMPC controller in the tracking setpoint: 2.12 × 10-4; 23,834; 0.763; 0.085, with the development of the controller performance respectively 31,262%, 17%, 175%, 757% compared to the performance of MPC."