Hasil Pencarian  ::  Simpan CSV :: Kembali

"BLDC motor telah menjadi motor yang populer karena keunggulanannya. Untuk meningkatkan kinerja BLDC telah banyak Teknik pengendalian yang dikembangkan mulai dari yang konvensional seperti PID sampai dengan yang menggunakan kecerdasan buatan. Namun demikian, sebagian besar peneliti mendesain pengendali untuk BLDC motor dengan memanfaatkan sensor kecepatan. Penelitian ini bertujuan untuk membangun pengendali yang adaptif untuk aplikasi sensorless BLDC motor dengan dua tahapan penelitian yaitu 1 Mengembangkan Adaptif PID Controller untuk BLDC dan 2 Mengembangkan Teknik sensorless BLDC dengan Neural Network Ensemble Kalman Filter. Pada Penelitian ini, telah dikembangkan pengendali Adaptif PID berbasis Model Invers Neural Network dan teknik sensorless BLDC motor menggunakan Neural Network Ensemble Kalman Filter EnKF . Pengendali Adaptif PID berbasis Model Invers Neural Network yang dikembangkan mampu bekerja lebih baik jika dibandingkan dengan pengendali PID, PID Single Neuron, dan Pengendali Single Neuron Fuzzy. Respon waktu sistem menunjukkan rise time meningkat hingga 41,1 , Settling time meningkat hingga 178,9 dan overshoot menurun hingga 825,6 . Sedangkan teknik sensorless Neural Network Ensemble Kalman Filter mampu mengestimasi posisi dan kecepatan motor BLDC hanya dengan mengukur tegangan dan arus setiap phasa baik pada kondisi kerja adanya perubahan referensi kecepatan, adanya perubahan parameter motor BLDC, maupun adanya perubahan beban/gangguan dengan tingkat kesalahan estimasi yang sangat kecil yaitu sebesar 0.7 , serta bekerja baik pada kecepatan rendah dengan jumlah member sebanyak 8.

---

BLDC motor has become a popular motorcycle because of its advantages. To improve the performance of BLDC has a lot of control techniques developed ranging from conventional ones such as PIDs to those using artificial intelligence. Nevertheless, most researchers design controllers for BLDC motors by utilizing speed sensors. This research aims to build adaptive controller for sensorless BLDC motor applications with two stages of research that is 1 Developing Adaptive PID Controller for BLDC and 2 Developing BLDC Sensorless Technique with Neural Network Ensemble Kalman Filter. In this research, Adaptive PID controller has been developed based on Inverse Neural Network Model and BLDC sensorless motor technique using Neural Network Ensemble Kalman Filter EnKF. The Adaptive PID controller based on the developed Inverse Neural Network model works better than the PID controller, Single Neuron PID, and Single Neuron Fuzzy Controller. The system time response shows rise time rises up to 41.1 , settling time increases up to 178.9 and overshoot decreases to 825.6. While sensural technique Neural Network Ensemble Kalman Filter able to estimate position and speed of BLDC motor only by measuring voltage and current of each phase both at work condition of change of reference of speed, change of motor parameter BLDC, or existence of change of burden / interference with very estimate error rate Small that is equal to 0.7 , and works well at low speed with the number of members as much as 8."

"ABSTRAKPenelitian disertasi ini mencakup analisis Sistem Kendali berbasis Neural Network NN untuk rotorcraft dan Unmanned Aerial Vehicle UAV fixed-wing. Quadrotor dan UAV fixed-wing berekor inverted-V mewakili kedua tipe UAV dengan dinamika terbangnya yang nonlinear, serta kopling-silang yang kuat dan karakteristik under-actuated. Oleh karena itu, metode Direct Inverse Control DIC berbasis NN cocok diterapkan sebagai pengendali terbang kedua tipe UAV tersebut, dengan unjuk kerja yang lebih baik dibandingkan dengan Sistem Kendali saat ini yang berbasis metode Proportional-Integral-Differential PID .UAV berkembang pesat untuk berbagai aplikasi, mulai dari penggunaan quadrotor untuk videografi jarak dekat, hingga UAV fixed-wing berekor inverted-V untuk misi taktis dan strategis. Quadrotor banyak digunakan karena kemampuan hovering serta take-off dan landing secara vertikal untuk misi di area yang sempit dan berlangsung singkat sesuai keterbatasan daya baterainya. Untuk mengatasi keterbatasan tersebut, UAV fixed-wing digunakan untuk area yang luas dan berlangsung lama. BPPT merespon kebutuhan ini dengan mengembangkan Pesawat Udara Nir Awak PUNA Alap-Alap dengan konfigurasi fixed-wing dan ekor inverted-V.Penggunaan ekor inverted-V akan meningkatkan kemampuan maneuver UAV. Meski demikian, ekor inverted-V tersebut memunculkan kopling tambahan antara modus gerak pitch dengan modus roll-yaw sehingga kompleksitas pengendaliannya meningkat dibandingkan dengan ekor T konvensional. Oleh karena itu, diperlukan metode kendali komprehensif yang mengakomodasi aspek nonlinearitas dan kopling-silang akibat hal tersebut. Metode berbasis NN cocok diterapkan untuk UAV karena mekanisme pembelajaran yang dimilikinya untuk mereplika dinamika sistem untuk Identifikasi Sistem dan sebaliknya, mampu membangun inversi dinamika sistem untuk DIC-NN .Di dalam analisis ini, kedua UAV dimodelkan dengan identifikasi berbasis NN untuk mengakomodasi karakter nonlinear dan kopling silangnya. Selanjutnya, DIC-NN dibangun untuk memetakan output UAV terhadap input yang bersesuaian. Unjuk kerja DIC- NN ini dibandingkan terhadap PID sebagai representasi metode kendali yang ada saat ini. Sistem Kendali DIC-NN menghasilkan settling time yang lebih singkat dan overshoot yang lebih kecil dibanding PID.

---

ABSTRACTThe research in this dissertation focused to analyze the Neural Network NN based control system for rotorcraft and the fixed-wing Unmanned Aerial Vehicle UAV . The Quadrotor and the fixed-wing UAV with incerted-V tail were chosen to represent both of UAV types characterized by the nonlinear flight dynamics, as well as strong cross-coupling and under-actuated condition. Therefore, the NN based Direct Inverse Control DIC method is suitable for a UAV flight controller, with a better performance compared to the existing Proportional-Integral-Differential PID -based Control System.UAVs are growing rapidly for a variety of applications, ranging from Quadrotor for a close-range videography, to the inverted-V tail fixed-wing UAVs in the tactical and strategic missions. Quadrotor is popular due to the ability of hovering and vertically take-off and landing in the narrow areas for short duration due to the limitation of the battery capability. To overcome these limitations, fixed-wing UAVs are used for large areas and long-duration mission. BPPT responds this requirement by developing the Alap-Alap UAV with the fixed-wing configuration and equipping it with inverted-V tail.The application of inverted-V tail aimed to increase UAV maneuverability. However, the inverted-V tail generates an additional coupling between the pitch-motion mode and the roll-yaw mode so that the control complexity increases than the conventional T-tail. Therefore, a comprehensive control method is required to accommodates the nonlinearity and cross-coupling aspects of it. The NN-based method is suitable for UAVs because of the learning mechanism it has to replicate system dynamics for System Identification and vice versa, capable of building system dynamic inversions for DIC-NN .In this analysis, both UAVs are modeled with NN-based identification to accommodate their nonlinear characters and cross-coupling. Furthermore, DIC-NN is built to map the UAV output with the corresponding input. The DIC-NN performance is compared against PID as a representation of the existing control method. The DIC-NN Control System produces a shorter settling time and a smaller overshoot than the PID. "

"Kasus-kasus terjadinya keruntuhan pada struktur jembatan, seperti keruntuhan jembatan rangka baja Cipunagara pada tanggal 23 Juli 2004, telah menunjukkan perlunya upaya rehabilitasi dan pengontrolan pada struktur tersebut. Berbagai sistem kontrol, mulai dari sistem kontrol pasif, aktif, semi-aktif dan hybrid telah diperkenalkan dan terus dikembangkan, dengan berbagai algoritma kontrol aktif seperti Neural Network. Salah satu metode kontrol aktif adalah melalui penggunaan tendon aktif untuk memberikan gaya perlawanan terhadap beban yang terjadi guna mengurangi lendutan dan tegangan yang terjadi. Hasil penelitian ini menunjukkan bahwa selain besar gaya kontrol yang diberikan, konfigurasi tendon aktif dan metode pelatihan pada sistem kontrol Neural Network memainkan peranan penting dalam tingkat keberhasilan pengontrolan tersebut. Penerapan tendon aktif pada jembatan rangka baja untuk melawan gaya dinamik yang bekerja memberikan hasil berupa pengurangan lendutan yang terjadi pada tengah bentang dan penurunan tegangan tarik maupun tekan pada sebagian besar elemen-elemen rangka. Akan. tetapi, konsenstrasi gaya reaksi tendon aktif pada beberapa nodal juga menyebabkan terjadinya kenaikan tegangan tekan pada beberapa elemen rangka horizontal atas yang sifatnya sangat ditentukan dari konfigurasi tendon aktif yang digunakan.

---

Steel bridges' failure cases, as occurred at Cipunagara on 23th July 2004, have shown us the need of measures on the structural rehabilitation and control. Various control systems, such as passive, active, semi-active and hybrid control system have been introduced and are being studied and examined with various control algorithms like the Neural Network algorithm. One of the active control methods is an active control tendon. Those tendons control the structural system by applying forces counteracting the external forces on that structure, so that it reduces the deformation of the bridge and the stresses occurred in its elements. The result of this research shows us that besides the value of the applied control forces, the configuration of the tendons itself and the method of the control system?s training plays a very important role in determining the success of this control system. The application of the active tendon for counteracting the dynamic forces working in a steel truss bridge can reduce the deformation at mid-span and reduce the tensile and compressive stresses of most of the truss' elements. However, as the compensation of the concentration of tendon's reaction forces at certain points, the compressive stresses of some top horizontal elements might be increased depending of the tendons' configuration."

"

Perkembangan kecerdasan buatan (artificial intelligence/AI) bergerak semakin cepat dan mengalami kemajuan pesat dalam setiap bidang kehidupan manusia, tak terkecuali dalam dunia kendali industri. Sementara kendali industri mensyaratkan sistem pengendali yang mampu mengatasi perubahan karakteristik secara otomatis serta dapat beradaptasi dengan dinamika perubahan sistem yang diakibatkan adanya perubahan kondisi lingkungan kerja. Pengendali berbasis kecerdasan buatan dianggap mampu untuk beradaptasi dengan perubahan karakteristik dari sistem secara otomatis adalah pengendali berbasis neural network. Dalam penelitian ini disajikan desain dan simulasi sistem pengendali berbasis neural network dengan metode pembelajaran back propagation yaitu pengendali inverse langsung(direct inverse control/DIC), pengendali neuron tunggal(single neuron controller), serta pengendali PID pada plant modul training pressure process rig(PPR 38-417). Untuk pengujiannya, didesain sistem identifikasi berbasis neural network sebagai simulator plant. Hasilnya, semua sistem kendali yang didesain tersebut mampu mengendalikan plant sesuai dengan sinyal referensi yang dinginkan. Namun pengendali single neuron dan PID mampu mempertahankan keluarannya dengan baik saat diberi gangguan pada sinyal kendali maupun plant dibandingkan dengan pengendali inverse langsung(ANN-DIC). Hal ini dikarenakan kendali single neuron dan PID bersifat close loop sehingga mampu mengkoreksi kesalahan secara langsung. Sementara jika dibandingkan dengan kendali PID, kendali single neuron lebih adaptif untuk berbagai kondisi gangguan karena memiliki metode pembelajaran langsung, sementara kendali PID perlu dilakukan tunning untuk mendapatkan unjuk kerja yang handal.

---

The development of artificial intelligence (AI) is moving faster and experiencing rapid progress in every area of human life, not least in the world of industrial control. While industrial control requires a control system that is able to overcome changes in characteristics automatically and can adapt to the dynamics of system changes caused by changes in working environment conditions. Artificial intelligence-based controllers are considered capable of adapting to changes in the characteristics of the system automatically is a neural network-based controller. In this study, the design and simulation of a neural network-based controller system with back propagation learning methods, namely direct inverse control (DIC) and single neuron controller, as well as PID controllers for the pressure process rig (PPR 38-417) training module. For the test, a neural network-based identification system is designed as a simulator plant. As a result, all the control systems designed are able to control the plant in accordance with the desired reference signal. However, single neuron and PID controllers are able to maintain their output well when given interference with the control signal or plant compared to the direct inverse controller (ANN-DIC). This is because single neuron control and PID are close loop so that they can correct errors directly. Meanwhile, when compared to PID control, single neuron control is more adaptive for a variety of disruption conditions because it has a direct learning method, while PID control needs to be tuned to get reliable performance.

"

"ABSTRAKPada penelitian ini menjelaskan bagaimana pengenalan suara otomatis menggunakan bahasa daerah yang berasal indonesia yaitu bahasa sunda, yang dapat mengontrol alat-alat elektronik pada suatu rumah. Bahasa sunda merupakan bahasa daerah dengan penuturan terbanyak kedua di indonesia setelah bahasa jawa. Pengenalan suara menggunakan bahasa sunda dilakukan pada penelitian ini dengan tujuan dapat mengontrol beberapa alat elektronik didalam rumah secara langsung dengan akurasi yang baik. Adapun metode yang digunakan dalam pengenalan suara bahasa sunda adalah metode ekstraksi Mel Frequency Cepstral Coefficient (MFCC) dan metode classifikasi jaraingan saraf tiruan berbasis algoritma backpropagation. Ada 16 intruksi bahasa sunda yang digunakan dalam pengenalan suara sebagai input pada sistem, setiap instruksi memiliki 2 sampai 3 suku kata bahasa sunda. Output yang digunakan penulis dalam penelitian ini sebanyak 6 alat elektronik rumah tangga, untuk menghidupkan atau mematikan satu output dikontrol menggunakan 2 instruksi bahasa sunda. Data suara yang digunakan dalam proses pembelajaran algoritma backpropagation adalah sebanyak 480 data yang masing-masing instruksi bahasa sunda adalah 30 data suara yang sama, hasil dari proses pembelajaran adalah berupa bobot yang dapat digunakan untuk proses pengetesan hardware, berdasarkan hasil percobaan langsung didapat tingkat akurasi pengenalan sebesar 96.875% saat dilakukan testing terhadap sistem.

---

ABSTRACTIn this study explain how automatic speech recognition uses regional languages that originate from Indonesia, namely Sundanese language, which can control electronic devices in a home. Sundanese is the second most spoken local language in Indonesia after Javanese. Voice recognition using Sundanese language was carried out in this study to be able to directly control several electronic devices in the house with good accuracy. The method used in Sundanese speech recognition is the Mel Frequency Cepstral Coefficient (MFCC) extraction method and the artificial neural network classification method based on the backpropagation algorithm. There are 16 Sundanese language instructions used in speech recognition as input to the system; each instruction has 2 to 3 Sundanese language syllables. The output used by the author in this study was five household electronic devices, to turn on or turn off one output controlled using 2 Sundanese language instructions. Sound data used in the learning process of the backpropagation algorithm is 480 data, each Sundanese language instruction is 30 of the same sound data, the results of the learning process are in the form of weights that can be used for hardware testing, based on the results of direct experiments 96.875 % when testing the system."

"Robot pengikut garis dengan control PID merupal-can robot yang bergerak otomatis mengikuti garis yang berada dibawahnya Masalah yang dihadapi dalam perancangan robot ini adalah sistem sensor pengikut garis dari robot, arsitektur perangkat keras tennasuk elektronik dan mekanik, dan organisasi dari perangkat lunak sebagai pusat dari control robot tersebut. Tugas Akhir ini akan menjelaskan peraneangan dan pembuatan Serta hasil ujicoba robot pengikut garis ini. Robot ini rnenggunakan mikrokontroller ATMEGA893S sebagai pusat kontrol dan sensor cahaya untuk mendeteksi garis. Sistem mekanik dari robot ini dirancang untuk dapat menjalankan robot dengan menggunakan dua buah motor, dengan sensor garis pada sisi depan dan belakang robot.Kecerdasan dari robot unmk rnengikuti garis ini didapatkan dengan rnengunakan program yang diinputkan ke dalam mikrokontroller dengan memanfaatkan input dari sensor garis pada sisi depan dan sisi belakang. Metode control yang digunakan untuk robot penglkut garis ini adalah PID (Proportional Integral dan Derivative). Input dari kontrol ini adalah adanya error antara nilai setpoint dengan nilai variabel output. Kontrol ini akan berfungsi untuk mengkoreksi error untuk mencapai nilai nol. Lebar garis yang digunakan sebagai pemandu jalan robot adalah selebar 3 cm."

"Pada tesis ini dilakukan identifikasi sistem homogenisasi dengan menggunakan algoritma neural network, sehingga dapat dijadikan model untuk mengetahui dinamika sistem yang sebenarnya. Identitikasi dengan menggunakan neural network, dilakukan dengan memanfaatkan data tanggapan sistem homogenisasi di pabrik pembuatan susu kental manis. Dengan model hasil identitikasi ini, dapat diketahui bagaimana tanggapan sistem terhadap perubahan tekanan dengan memberikan fungsi step pada sistem lingkar terbuka. Dengan model yang ada, juga dapat diketahui bagaimana hubungan antara viskositas dan tekanan, dengan memberikan fungsi ramp pada sistem lingkar terbuka. Dari kurva hubungan antara viskositas dan tekanan, ternyata terdapat sifat non linearitas pada sistem homogenisasi. Dengan pengetahuan tentang dinamika sistem homogenisasi, maka dapat dilakukun simulasi sistem kendali dengan menggunakan pengendali P!. Tujuan simulasi ini ialah agar dapat diketahui bagaimana karaketeristik sistem sebelum diterapkan pada sistem yang sebenarnya. Dari simulasi yang dilakukan ternyata pengendali PI cukup baik melakukan pengendalian sistem homogenisasi tersebut."