Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pada tugas akhir ini disimulasikan kemampuan diagonal recurrent neural networks (DRNN) untuk mengendatikan sistem dinamis. Diagonal recurrent neural networks (DRNN) cocok untuk mengendalikan sistem dinamis karena memiliki internal feedback loop sehingga memiliki karakteristik dynamic mapping. Sistem kontrol dengan diagonal recurrent neural networks (DRNN) terdiri atas diagonal recurrent neuroidentifrer (DRNI) dan diagonal recurrent neurocontroller (DRNC). Diagonal recurrent neuroidentifier (DRNI) akan mengidentifika5i plant yang dikendalikan dan memberikan informasi tersebut ke DRNC. Diagonal recurrent neurocontroller (DRNC) akan memberikan sinyal kendali untuk mengendalikan plant sehingga dapat mengikuti model referensi yang diinginkan. Simulasi dilakukan dengan dua plant yang berbeda. Pada plant pertama diuji kemampuan beradaptasi dan kemampuan menanggulangi gangguan yang tedadi. Pada plant kedua, dilihat bagaimana DRNN dapat mengendalikan plant yang tidak stabil bila diberikan sinyal kendali dengan besar tertentu."

"ABSTRAKDalam banyak kendaraan modern, faktor keamanan menjadi pertimbangan penting dalam mendesain kendaraan. Sebagai salah satu bagian dari Advanced Driver Assistant Systems (ADAS) yang diperuntukkan untuk meningkatkan keamanan dalam berkendara, Adaptive Cruise Control (ACC) diperkenalkan untuk mengurangi kemungkinan terjadinya kecelakaan lalu lintas. Sistem pada ACCdapat membantu pengendara dalam menjaga jarak aman dengan kendaraan yang berada di depannya dengan mengendalikan besaran pada katup gas serta tekanan pada rem. Selain untuk meningkatkan faktor keamanan, sistem ACC harus mampu memberikan respon yang halus agar pengendara tetap merasa nyaman. Pada penelitian ini, sistem ACC akan didesain dengan memanfaatkan metode switchingyang memiliki respon yang halus dengan memanfaatkan kecepatan relatif, jarak antar kendaraan, dan percepataan kendaraan untuk menentukan kondisi follow mode ketika terdapat kendaraan di depannya, dan kondisi cruise mode ketika tidak terdapat halangan. Kemudian dalam mengendalikan kecepatan kendaraan, akan memanfaatkan pengendali Neural Network Predictive Control (NNPC) yang mengatur besaran katup gas dan tekanan rem yang diberikan. Metode NNPC akan memanfaatkan model Artificial Neural Network (ANN) dalam melakukan identifikasi model longitudinal kendaraan yang sangat tidak linier, dan menggabungkan dengan metode Model Predictive Control (MPC) untuk melakukan prediksi keadaan dari kendaraan yang dikendalikan. Hasil dari penelitian memperlihatkan bahwa pengendali NNPC serta algoritma switching yang digunakan mampu menjaga jarak dengan kendaraan yang ada di depannya, serta memiliki respon yang cukup halus.

---

ABSTRACTIn many modern vehicles, safety is an important consideration in designing a vehicle. As one part of the Advanced Driver Assistant Systems (ADAS) which is intended to improve safety in driving, Adaptive Cruise Control (ACC) is introduced to reduce the possibility of traffic accidents. The ACC system can help the driver maintain a safe distance from the vehicle in front of him by controlling the throttle and the pressure on the brakes. In addition to increasing the safety factor, the ACC system must be able to provide a smooth response so that the driver feels comfortable. In this study, the ACC system will be designed by using a switching method that has a smooth response by utilizing the relative speed, distance between vehicles, and vehicle acceleration to determine the condition of follow mode when there is a vehicle in front of it, and the cruise mode condition when there are no obstacles. Then in controlling vehicle speed, Neural Network Predictive Control(NNPC) controllers will control the amount of throttle and brake pressure applied. The NNPC method will utilize the Artificial Neural Network (ANN) model to identify longitudinal models of vehicles that are highly non-linear, and combine them with the Model Predictive Control (MPC) method to predict the state of the controlled vehicle. The results of the study show that the NNPC controller and switching algorithm used are able to maintain a distance from the vehicle in frontof it, and have a fairly smooth response."

"Perkembangan bare dalam neural network telah memberikan keuntungan-keuntungan dalam aplikasi sistem kontrol. Berdasarkan teori stale space dan pendekatan neural network, dikembangkan suatu algoritma yang disebut Stochastic Neural Direct Adaptive Control (SNDAC) untuk mengendalikan plant yang diketahui sebagian matriks sistemnya, yaitu matdks masukan B(.) dan matriks keluaran C(.). Pengendali neural network menggunakan algoritma SNDAC untuk mengubah bobot-bobotnya sehingga dihasilkan sinyal kendali yang mengoptimalkan quadratic performance index. Parameter yang berpengaruh pada pengendalian adalah banyaknya neuron pada lapisan tersembunyi dan besarnya koefisien belajar. Pemilihan banyaknya neuron pada lapisan tersembunyi dan besarnya koefisien belajar tidak dapat dilakukan secara eksak, tetapi dengan trial and error. Dengan pemilihan yang tepat dihasilkan pengendalian yang stabil dengan toleransi kesalahan yang kecil, seperti terlihat pada hasiI simulasi."