Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRACTModel Predictive Control MPC digunakan untuk mengoptimalisasi parameter pengendalian pada penghilangan CO2 di lapangan Subang. MPC digunakan untuk mengendalikan laju aliran amina, laju aliran makeup water, dan tekanan gas umpan untuk mempertahankan konsentrasi CO2 pada keluaran sweet gas. Model empiris dibuat untuk diterapkan di MPC controller berdasarkan kurva reaksi proses PRC dengan menggunakan pendekatan fisrt order plus dead time FOPDT . Parameter pengendalian Prediction Horizon P , Control Horizon M dan Sampling Time T yang optimal dihasilkan secara berurutan: 91, 32 dan 1 pada PIC-1101, 34, 10 dan 5 pada FIC-1102 dan 40, 10 dan 5 pada FIC-1103. Hasil penyetelan pengendali dengan metode MPC yang optimal kemudian dibandingkan dengan pengendali yang ada dilapangan yang menggunakan pengendali Proportional ndash; Integral PI . Pengkuran kinerja pengendalian secara keseluruhan diwakilkan oleh nilai Integral Square Error ISE . Berdasarkan nilai ISE, penggunaan MPC dapat memperbaiki kinerja pengendalian sebesar 14,02 pada PIC-1101, 76,74 pada FIC-1102, dan 16,31 pada FIC-1103.

---

ABSTRACTA model predictive control MPC is used for optimazing the control parameters on CO2 Removal in Subang Field. The MPC is used for controlling the amine flow rate, makeup water flowrate, and feed gas pressure to maintain CO2 concentration in sweet gas. Empirical models are made to appllied in MPC controller based on process reaction curve PRC from fisrt order plus dead time FOPDT approach. The Prediction Horizon P , Control Horizon M and Sampling Time T of control parameters are produced sequentially 91, 32 and 1 on PIC 1101, 34, 10 and 5 on FIC 1102 and 40, 10 and 5 on FIC 1103. The result of control setting by MPC method is then compared with current controller that is Proportional Integral PI to get optimal tuning result. The overall performance control performance is represented by the Integral Square Error ISE value. Based on ISE values, the use of MPC can improve performance by 14.02 in PIC 1101, 76.74 in FIC 1102, and 16.31 in FIC 1103."

"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."

"Optimalisasi pabrik regasifikasi liqufied natural gas LNG penting dilakukan untuk meminimilasi biaya, khususnya biaya operasional. Oleh karena itu penting untuk memilih desain pabrik regasifikasi LNG dan mendapatkan kondisi operasi yang optimum serta mempertahankan kondisi operasi yang optimum tersebut melalui implementasi model predictive control MPC. Kriteria optimalnya adalah minimumnya jumlah energi yang digunakan dan atau integral of square error ISE. Hasilnya, disain yang optimum adalah menggunakan skema 2 dengan penghematan energi sebesar 40. Sedangkan kondisi operasi yang optimum terjadi jika suhu keluaran vaporizer sebesar 6oC. Untuk mempertahankan kondisi optimum tersebut diperlukan MPC dengan setelan parameter P prediction horizon , M control horizon dan T sampling time sebagai berikut: pengendali tekanan tangki penyimpanan: 90, 2, 1; tekanan produk: 95, 2, 1; suhu vaporizer: 65, 2, 2; dan suhu heater: 35, 6, 5, dengan nilai ISE pada set point tracking masing-masing 0,99, 1792,78, 34,89 dan 7,54, atau peningkatan kinerja pengendalian masing-masing sebesar 4,6 , 63,5 , 3,1 dan 58,2 dibandingkan kinerja pengendali PI. Penghematan energi yang dapat dilakukan pengendali MPC saat terjadi gangguan pada kenaikan suhu air laut 1oC adalah 0,02 MW dan pengendali MPC juga mengurangi error terhadap kualitas produk sebesar 34,25 dibandingkan dengan menggunakan pengendali PI.

---

Optimization of liquified natural gas LNG regasification plant is important to minimize costs, especially operational costs. Therefore, it is important to select the LNG regasification plant design and obtain optimum operating conditions while maintaining the optimum operating conditions through the implementation of model predictive control MPC. The optimal criterion is the minimum amount of energy used and or the integral of square error ISE.

As a result, the optimum design is to use scheme 2 with an energy savings of 40 . While the optimum operating conditions occur if the vaporizer output temperature is 6oC. In order to maintain the optimum conditions, MPC is required with parameter setting P prediction horizon, M control horizon and T sampling time as follows tank storage pressure controller 90, 2, 1 product pressure 95, 2, 1 temperature vaporizer 65, 2, 2 and temperature heater 35, 6, 5, with ISE value at set point tracking respectively 0.99, 1792.78, 34.89 and 7.54, or improvement of control performance respectively 4.6, 63.5 , 3.1 and 58.2 compared to PI controller performance.

The energy savings that MPC controllers can make when there is a disturbance in sea temperature rise of 1oC is 0.02 MW and MPC controller also reduces error to product quality by 34.25 compared to the PI controller."

"ABSTRACTGas alam yang diambil dari sumbernya masih memiliki sejumlah senyawa pengotor yang harus dihilangkan, yang salah satunya adalah gas asam seperti CO2 dan H2S. Proses yang paling umum digunakan untuk menghilangkan gas asam adalah dengan absorpsi yang dilangsungkan di kolom absorpsi. Untuk mendukung kelancaran proses tersebut, perlu diterapkan sistem pengendalian pada proses. Pada penelitian ini, akan diterapkan penggunaan multivariable model predictive control MMPC untuk mengendalikan proses absorpsi. MMPC adalah salah satu pengendali tingkat lanjut advanced control yang diharapkan dapat memberikan performa yang lebih baik dalam menjaga kestabilan proses, dan dapat mengatasi interaksi antarvariabel pada proses absorpsi yang memiliki sistem multiple input multiple output MIMO . Pasangan variabel yang teridentifikasi memiliki interaksi adalah tekanan gas dan laju alir make up water masuk absorber. Dengan menggunakan MMPC, didapatkan nilai ISE yang lebih baik daripada pengendali PI yang digunakan di lapangan sebesar 42,6 untuk pengendalian tekanan dan 65,04 untuk pengendalian laju alir. MMPC pun memberikan respon yang lebih baik dalam mengatasi interaksi antarvariabel.

---

ABSTRACTRaw natural gas contains impurities that need to be removed before it can be utilized as energy source. One of the impurities is sour gas, which includes CO2 and sulphur compound such as H2S. The most common process used to remove sour gas is absorption, which is carried out in an absorption column. One of the essential step to support the operation is applying control strategy on the process. In this research, multivariable model predictive control MMPC will be applied as the controller for absorption process. MMPC is classified in advanced control category, and is expected to give a better performance in handling the process, and is able to overcome intervariable interaction that is prone to happen in multiple input multiple output MIMO system. The identified intervariable interaction is between the pressure of gas feed in and the flow of make up water to absorber. By implementing MMPC, the ISE of controller rsquo s performance are improved from the PI controller that is currently used in the plant. The improvement for ISE is 42,6 for pressure control and 65,04 for flow control. MMPC implementation also shows a better response in handling intervariable interaction in the process."

"Penilitian ini meninjau kinerja pengendalian MPC dengan model empirik Auto-Regressive Exogenous pada proses produksi formaldehid di PT. X. MPC digunakan untuk mengendalikan laju alir umpan steam, tekanan evaporator, temperatur udara, dan ketinggian cairan evaporator. Hasil dari penelitian ini dibandingkan dengan penelitian Wahid dan Salman (2020) yang menggunakan pengendali MPC dengan model FOPDT. Kinerja pengendalian diukur menggunakan parameter IAE dan ISE dengan dua jenis pengujian, yaitu set-point tracking dan disturbance rejection. Hasil menunjukkan bahwa model yang diidentifikasi memiliki nilai fit to estimation lebih dari 95% dan mampu merepresentasikan data aktual dengan nilai kesalahan (RMSE) lebih kecil daripada model FOPDT. Parameter pengendali yang optimum secara berurutan (T, P, dan M) adalah (10,10,2) untuk FIC-102, (10,30,2) untuk PIC-101, (10,10,2) untuk TIC-101, dan (10,60,2) untuk LIC-101. Terdapat perbaikan kinerja pengendalian berdasarkan parameter IAE dan ISE, pada uji SP tracking sebesar 86,63% dan 85,56% untuk FIC-102, 74,36% dan 87,28% untuk PIC-101, 56,27% dan 20,45% untuk TIC-101, serta 87,35% dan 84,65% untuk LIC-101. Sedangkan untuk disturbance rejection perbaikannya sebesar 95,85% dan 96,75% untuk FIC-102, 85,95% dan 96,81% untuk PIC-101, 43,06% dan -30,0% pada TIC-101, serta -85,06% dan -539,13% pada LIC-101. Berdasarkan hasil penelitian, pengendali dengan model ARX memberikan kinerja pengendalian yang lebih baik karena dapat merepresentasikan proses aktual secara lebih akurat.

---

This study reviews the performance of MPC control with the Auto-Regressive Exogenous empirical model in the formaldehyde production process at PT. X. MPC is used to control the steam feed flow rate, evaporator pressure, air temperature, and evaporator liquid level. The results of this study were compared with the research of Wahid and Salman (2020) which used MPC controllers with the FOPDT model. Control performance is measured using IAE and ISE parameters with two types of tests, namely set-point tracking and disturbance rejection. The results show that the identified model has a fit to estimation value of more than 95% and is able to represent actual data with an error value (RMSE) smaller than the FOPDT model. The optimum control parameters sequentially (T, P, and M) are (10,10,2) for FIC-102, (10,30,2) for PIC-101, (10,10,2) for TIC-101 , and (10,60,2) for LIC-101. There is an improvement in control performance based on IAE and ISE parameters, in the SP tracking test of 86.63% and 85.56% for FIC-102, 74.36% and 87.28% for PIC-101, 56.27% and 20,45% on TIC-101, and 87.35% and 84.65% on LIC-101. Meanwhile, for disturbance rejection, the improvements are 95.85% and 96.75% for FIC-102, 85.95% and 96.81% for PIC-101, 43.06% and -30.0% on TIC-101, and -85.06% and -539.13% on LIC-101. Based on the research results, the controller with the ARX model provides better control performance because it can represent the actual process more accurately."

"Pada kereta hibrid, salah satu faktor penting dalam operasinya adalah suplai daya yang stabil. Kereta hibrid mengambil daya listrik dari kabel overhead (katener) melalui pantograf. Ketika kereta mencapai kecepatan tinggi, dapat terjadi vibrasi mekanik yang berpotensi terjadinya contact loss antara pantograf dan katener. Hal tersebut dapat menyebabkan ketidakstabilan suplai daya dan pencetusan (arcing) sehingga diperlukan pengendalian pantograf aktif. Pada penelitian ini, dilakukan simulasi menggunakan model numerik pantograf-katener berupa persamaan keadaan (state equation) dan pengendalian berbasis Linear Parameter Varying Model Predictive Control (LPV-MPC) untuk mengatur gaya kontak antara pantograf dan katener. Pengendali LPV-MPC didesain dengan mengambil model prediksi yang disusun berdasarkan model dinamis sistem dan suatu fungsi obyektif beserta batasan yang diselesaikan dengan quadratic programming. Hasil penelitian menunjukkan bahwa LPV-MPC dapat digunakan untuk mengendalikan gaya kontak antara pantograf-katener dengan nilai MSE antara sinyal keluaran dan setpoint sebesar 9,0753.

---

In hybrid train technology, one of the important factors in the operation is a stable power supply. A hybrid train collects power from the overhead catenary above the train using pantograph. In high-speed operation, mechanical vibration happens and contact loss between pantograph and catenary. This results in unstable power supply and arcing. In this research, a pantograph numeric model using state equations is simulated with a Linear Parameter Varying Model Predictive Control (LPV-MPC) scheme to control the contact force between the pantograph and catenary. The LPV-MPC controller is designed by making a model prediction derived from the mathematical dynamic model and an objective function with constraints that is solved using quadratic programming. Results shows that LPV-MPC can be used to control the contact force between the pantograph and catenary with an MSE value between the system’s output and setpoint of 9.0753."

"Tert amyl methyl ether (TAME) adalah senyawa aditif oksigenat dari golongan eter yang dapat diproduksi dengan distilasi reaktif. Masalah utama dari penggunaan kolom distilasi reaktif adalah adanya kombinasi sistem reaksi dan pemisahan dalam satu kolom sehingga menghasilkan sistem yang sangat kompleks akibat dari interaksi setiap variabel proses yang saling mempengaruhi satu dengan yang lain. Oleh karena itu, dibutuhkan jenis pengendalian dengan kinerja yang dapat menjaga kondisi operasi tetap stabil dan mampu menangani gangguan proses dengan baik seperti Model Predictive Control (MPC). Pada penelitian ini, dilakukan simulasi pengendalian proses produksi TAME yang menggunakan kolom distilasi reaktif berskala pabrik dengan MPC dan proportional integral (PI) pada simulator HYSYS V11. Model untuk mewakili kondisi dinamis pada sistem ini didekati dengan model FOPDT. Untuk mendapatkan hasil yang optimal parameter MPC di-tuning menggunakan metode fine-tuning, yang kemudian dibandingkan kinerjanya dengan pengendali PI yang di­-tuning menggunakan autotuner yang sudah tersedia pada simulator HYSYS. Hasil simulasi menunjukan bahwa MPC memberikan hasil yang lebih baik dibanding pengendali PI dengan peningkatan kinerja pengendalian sebesar 54.4% dalam uji pelacakan setpoint. Selain itu, uji gangguan pun dilakukan dengan meningkatkan laju alir umpan kolom distilasi reaktif sebesar 10%. Pada uji gangguan MPC memberikan respon yang lebih cepat dan stabil sehingga menghasilkan peningkatan kinerja pengendalian sebesar 64.4% dibanding pengendali PI.

---

Tert amyl methyl ether (TAME) is an ether used as oxygenated fuel additive that can be synthesized using reactive distillation. The major problem with the use of reactive distillation is the existence of the combination of reaction and separation on a single column that makes the reactive distillation process become very complex systems due to its interaction among process variables. Therefore, it is very important to use the types of control methodologies that can stabilize the operating condition and provide satisfactory control performance due to the complexity of the reactive distillation process dynamics such as model predictive control (MPC). In this study, a simulation of plantwide control by MPC and PI for TAME production is investigated in HYSYS V11. In this research, the dynamics model representing the process was approached by the first order plus dead time (FOPDT) model. MPC was tuned by fine-tuning method, meanwhile the PI controller was tuned by autotuner that is available in HYSYS. The results show that MPC can produce an improvement in setpoint tracking test by 54.4% compared to the PI controller. A disturbance of 10% increases in the feed flow rate of reactive distillation was done to see the controller responses. MPC has faster dan more stable responses than the PI controller and 64.4% improvement was produced by MPC compared to the PI controller."

"Budidaya mikroalga menggunakan PBR mampu memberikan hasil yang maksimal dikarenakan PBR mampu dikontrol secara maksimal. Meskipun begitu sistem ini sulit untuk dikembangkan untuk skala besar dikarena volume dan biaya yang dibutuhkan sangat besar. Pada penelitian ini dikembangkan sistem sepuluh photobioreactor (PBR) volume kecil dengan sistem kontinu yang disusun secara seri dengan sistem sirkulasi. Hal ini terbukti mempu meningkatkan produktivitas produksi biomassa mikroalga. Model yang dikembangkan mendapatkan hasil yang baik yaitu 162,2 g/m3 ­dan 192,2 g/m3 konsentrasi biomassa pada dua kondisi tekanan parsial karbon dioksida yang berbeda. Menggunakan metode regresi linear didapatkan bahwa model ini merupakan sistem yang tidak linear terhadap perubahan lajur alir masuk PBR dengan nilai regresi sebesar 0,69. Dikarenakan tingkat ke non-linearannya yang tinggi maka digunakan neural network model predictive control (NNMPC) pada sistem PBR ini sebagai pengendali. NNMPC digunakan dikarenakan kelebihannya dalam identifikasi sistem dibandingkan model MPC konvensional serta memiliki kinerja yang lebih baik dibandingkan pengendali MPC dan PID. NNMPC menggunakan neural network untuk mengidentifikasi hubungan nonlinear pada sistem dan mampu mengidentifikasi dengan akurat. Pada sistem ini konsentrasi biomassa dikontrol dengan cara memanipulasi laju alir masuk PBR. NNMPC terbukti mampu mengendalikan sistem PBR dengan baik dengan model neural network dan desain NNMPC yang tepat. Parameter optimum NNMPC yang berupa sampling time (T), prediction horzion (P), dan control horizon (M) yang digunakan pada sistem PBR ini berturut-turut adalah 0,2, 10, dan 3. NNMPC mampu mengatasi perubahan set point dan gangguan meskipun terdapat overshoot dan offset yang relatif kecil yaitu di bawah 1%. Selain itu settling time ketika menggunakan NNMPC berkisar 110 hingga 269 jam.

---

Microalgae cultivation using PBR is able to provide maximum results because PBR can be controlled optimally. This system is difficult to develop for a large scale because the volume and cost required are substantial. In this study, a ten-volume photobioreactor (PBR) system with a continuous system was developed in series with the circulation system. This has proven to be able to increase the productivity of microalgae biomass production. The developed model has good results, namely 162.2 g / m3 ¬ and 192.2 g / m3 biomass concentration under two different carbon dioxide partial pressure conditions. Using the linear regression method, it was found that this model is a non-linear system for changes in the PBR inlet flow with a regression value of 0.69. Due to the high level of non-linearity, the neural network predictive control (NNMPC) model is used as a controller in this PBR system . NNMPC is used because of its advantages in system identification compared to conventional MPC models and has better performance than MPC and PID controllers. NNMPC uses neural networks to identify non-linear relationships in the system and able to identify accurately. In this system, the biomass concentration was controlled by manipulating the PBR inflow rate. NNMPC is proven able to control PBR systems well with neural network models and the right NNMPC designs. The optimum parameters of NNMPC in the form of sampling time (T), prediction horizon (P), and control horizon (M) used in this PBR system are 0.2, 10, and 3. NNMPC is able to overcome changes in setpoints and interference, although there is a relatively small overshoot and offset, which is below 1%. Besides settling time when using NNMPC ranges from 110 to 269 hours."

"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."