Hasil Pencarian  ::  Simpan CSV :: Kembali

"Indonesia tengah menghadapi tantangan terus-menerus dengan meningkatnya permintaan bahan bakar fosil dan masalah lingkungan yang menyertai seperti emisi rumah kaca, sehingga sumber energi alternatif yang berpotensi mengurangi kerugian ini harus dikembangkan. Salah satu kemungkinan untuk mengatasi kelemahan ini adalah melalui pemanfaatan Dimethyl Ether (DME). Salah satu bagian penting dalam proses produksi DME adalah proses purifikasi metanol melalui kolom distilasi, dimana perolehan kembali metanol yang tinggi menghasilkan produksi DME yang lebih tinggi. Karena kolom distilasi sifatnya kompleks dan nonlinier, pendekatan yang berbeda dari pemodelan parametrik konvensional dicoba untuk memberikan model proses yang lebih akurat. Pendekatan ini menggunakan pendekatan pemodelan statistik, dimana diimplementasikan model Auto-Regressive Exogenous (ARX). Model ARX dibandingkan dengan model FOPDT yang dikembangkan oleh Wahid dan Brillianto (2020) dengan nilai root mean square error (RMSE) antara data model simulasi dan data proses aktual. Hasil penelitian menunjukkan bahwa model ARX mampu memberikan representasi yang lebih baik dari proses aktual dengan peningkatan akurasi dalam hal nilai RMSE mulai dari 22,22% hingga 99,28% untuk 14 dari 16 pasangan model proses (4 ✕ 4). Tiga set model (FOPDT, ARX, dan Mixed yang berisi model ARX dan FOPDT terbaik berdasarkan nilai RMSE-nya) diimplementasikan dalam MMPC 4 ✕ 4 dengan 2 variabel disturbance yang terukur. Hasil akhir menunjukkan bahwa kontroler set model Mixed memberikan hasil kontrol terbaik untuk pengujian set-point dan disturbance rejection, dengan peningkatan dalam hal nilai IAE mulai dari 14,3% hingga 95,81% dan dalam hal nilai ISE mulai dari 37,39% hingga 99,95%.

---

As Indonesia faces the constant challenge of rising fossil fuel demands and environmental issues attached such as greenhouse emissions, an alternative energy source that could potentially mitigate these disadvantages should be developed. One possibility to counteract these disadvantages is through the utilization of Dimethyl Ether (DME). One important section in the DME production process is the recovery of methanol through a distillation column, where high recovery of methanol yields higher DME production. As the distillation column is highly complex and nonlinear, a different approach to conventional parametric modelling is attempted to provide a more accurate process model. This approach uses a statistical modelling approach, in which the Auto-Regressive Exogenous (ARX) model is implemented. The ARX model is compared to that of the FOPDT models developed by Wahid and Brillianto (2020) with the root mean square error (RMSE) value between the simulated model data and actual process data. The results show that the ARX model is able to provide better representation of the actual process with fitness improvements in term of RMSE value ranging from 22.22% to 99.28% for 14 of the 16 process model pairs (4 ✕ 4). Three model sets (FOPDT, ARX, and Mixed which contains the best ARX and FOPDT model based on their RMSE value) are implemented in a 4 ✕ 4 MMPC with 2 measured disturbance variables. The final result shows that the Mixed model set controller provides the best control result for both set-point and disturbance rejection testing, with improvements in term of IAE value ranging from 14.3% to 95.81% and in term of ISE value ranging from 37.39% to 99.95%."

"Skenario produksi minyak yang dilakukan Dewan Energi Nasional pada 2050 menunjukan tren penurunan, terutama dipengaruhi oleh rendahnya kegiatan eksplorasi migas dan tingkat keberhasilan eksplorasi yang dilakukan oleh perusahaan minyak Oleh karena itu, DME dapat digunakan sebagai alternatif sumber energi yang lebih ramah lingkungan dan berkelanjutan. Pada pabrik purifikasi DME, umpan diseparasi menghasilkan DME murni dengan konsentrasi 99%. Untuk menjalankan proses ini dalam keadaan optimal, maka diperlukan pengendali. Penelitian mengenai pengendali pada proses ini sudah pernah dilakukan, namun masih menggunakan model dengan pendekatan FOPDT sehingga orde proses masih tidak sesuai dengan aktualnya. Model Auto-Regressive eXogenous merupakan model yang menggambarkan hubungan antara data masukan dengan data keluaran berdasarkan metode least-square sehingga sederhana dan fleksibel serta estimasinya mendekati dengan nilai sebenarnya. Penggunaan model ARX dapat digunakan secara luas seperti pada penggunaan energi, pabrik kimia, dan kilang minyak sejak tahun 1980-an. Oleh karena itu, penelitian ini melakukan identifikasi model ARX pada pengendali MMPC serta melakukan verifikasi model dan menganalisis kinerja dari MMPC tersebut. Hasilnya didapatkan model ARX proses dan model ARX gangguan memiliki tingkat ketepatan dengan data sebesar 93-99% dan 70-97% dengan nilai RMSE 39-99% lebih kecil dari model FOPDT. Kinerja dari MMPC dengan parameter pengendalian terbaik yaitu T=5, P=20, dan M=20 menghasilkan peningkatan nilai IAE dan ISE sebesar 18-99.99% pada perubahan set point namun belum optimal dalam mengatasi gangguan pada suhu keluaran pendingin dan suhu kolom dengan nilai IAE dan ISE yang tinggi dan tidak menunjukkan peningkatan.

---

Oil production scenario carried out by the National Energy Council in 2050 shows a decreased trend, mainly influenced by low oil and gas exploration activities and the success rate of exploration activities carried out by oil companies. Therefore, DME can be used as an alternative energy source that is more environmentally friendly and sustainable. In the DME purification plant, the feed was separated to produce pure DME with a concentration of 99%. To run this process in optimal conditions, a controller is needed. Research on controllers in this process has been carried out, but still uses FOPDT model approach so the process order is still not in accordance with the actual order. Auto-Regressive eXogenous model is a model that describes the relationship between input and output data based on least-square method so the estimate close to the actual value. The application of ARX model can be widely used such as in energy uses, chemical plants, and oil refineries since 1980s. Therefore, this study identifies ARX model on the MMPC controller as well as verifying the model and analyzing its performance. The result obtained that the process ARX model and the disturbance ARX model have fit percentage with data reach 93-99% and 70-97% with RMSE value 39-99% smaller than FOPDT model. The performance of MMPC with best control parameters T=5, P=20, and M=20 has improved IAE and ISE value with 18-99.99% when set point changed but still not optimal for controlling disturbance in cooler output temperature and column temperature with a high IAE and ISE value and not showing improvement."

"ABSTRAKMasalah penurunan produksi minyak bumi di Indonesia telah terjadi sejak tahun 2000. Negara Indonesia telah menjadi importir minyak bumi sejak tahun 2003 dengan nilai impor 100 ribu barel per hari yang terus meningkat dari waktu ke waktu hingga tahun 2014. Hal ini disebabkan oleh kebutuhan untuk energi dan bahan bakar di Indonesia terus meningkat. Masalah ini dapat diatasi dengan menggunakan Dimethyl Ether (DME) sebagai sumber bahan bakar alternatif dengan beberapa manfaat dibandingkan dengan bahan bakar fosil. Penelitian tentang desain pabrik DME terus dilakukan, salah satu studi yang dilakukan berjudul Produksi DME dari Gas Sintetis untuk Aditif Bahan Bakar Mesin Diesel dan Campuran LPG. Namun, hasil desain masih memerlukan kontrol proses untuk mencapai proses produksi yang optimal. Penelitian tentang sistem kontrol proses di pabrik ini telah dilakukan, tetapi masih belum menghasilkan sistem kontrol proses yang optimal. Sistem kontrol Multivariable Model Predictive Control (4x4) dapat diterapkan pada desain pabrik ini. Parameter MMPC (4x4) optimal dalam bentuk T, P, dan M dalam proses pemurnian DME dari campuran metanol secara berurutan adalah 25, 18, dan 41. Parameter ini merupakan hasil kombinasi dari metode Shridhar-Cooper dan fine tuning. Jika dibandingkan dengan MPC, MMPC (4x4) memberikan peningkatan kinerja kontrol dari 15,46% menjadi 94,7% bila dilihat dari IAE dan 10,31% hingga 97,726% bila dilihat dari ISE. Dengan demikian sistem MMPC (4x4) memberikan kinerja kontrol yang lebih baik dibandingkan dengan sistem MPC.

---

ABSTRACTThe problem of decreasing petroleum production in Indonesia has occurred since 2000. The Indonesian state has been an importer of petroleum since 2003 with an import value of 100,000 barrels per day which continues to increase from time to time until 2014. This is due to the need for energy and fuel in Indonesia continues to increase. This problem can be overcome by using Dimethyl Ether (DME) as an alternative fuel source with several benefits compared to fossil fuels. Research on the design of the DME plant continues to be carried out, one of the studies conducted was entitled Production of DME from Synthetic Gas for Diesel Engine Fuel Additives and LPG Blends. However, the design results still require process control to achieve optimal production processes. Research on the process control system at this plant has been carried out, but it has not yet produced an optimal process control system. The Multivariable Model Predictive Control (4x4) control system can be applied to this factory design. The optimal MMPC (4x4) parameters in the form of T, P, and M in the DME refining process from methanol mixtures respectively are 25, 18, and 41. These parameters are the result of a combination of the Shridhar-Cooper method and fine tuning. When compared to MPC, MMPC (4x4) gives an increase in control performance from 15.46% to 94.7% when viewed from IAE and 10.31% to 97.726% when viewed from ISE. Thus the MMPC system (4x4) provides better control performance compared to the MPC system."

"ABSTRAKDimethyl ether products (DME) can be used as alternative energy sources that are more environmentally friendly and sustainable. In this DME purification plant, the feed with DME, methanol and water composition will be separated so that pure DME is obtained with a concentration of 99. In this study, Multivariable Model Predictive Control is used to control the process of DME purification plant. The performance of MMPC in both DME and methanol purification process has been conducted in previous research with separate system. This research is proposed towards the stability of both system when combined and its economic analysis when compared with standard MPC and PID Controller. The consideration when combining DME purification process and methanol purification process is the bottom product of DME purification column where it also acts as methanol purification column feed. Valve conductance needs to be adjusted accordingly to satisfy both systems. Retuning MMPC parameters is based on Wahid-Utomo (2019) and Wahid-Brillianto (2019) tuning parameters. The results of retuning yield a better control performance throughout the entire purification process. The retuning parameters value for T, P, and M are 10, 40, and 50 for DME purification process and 1, 40, and 50 for methanol purification process. The improvement on IAE are from 35.31% to 56.24% for DME purification and 20.06% to 94.91% for methanol purification process. Furthermore, installing MMPC proved to be economically feasible with a positive NPV of Rp 10,216,077 when compared to PI controller.

---

ABSTRACT

Produk Dimethyl ether (DME) dapat digunakan sebagai sumber energi alternatif yang lebih ramah lingkungan dan berkelanjutan. Di pabrik pemurnian DME ini, umpan dengan komposisi DME, metanol, dan air akan dipisahkan sehingga DME murni diperoleh dengan konsentrasi 99. Dalam penelitian ini, Multivariable Model Predictive Control digunakan untuk mengontrol proses pabrik pemurnian DME. Kinerja MMPC dalam proses pemurnian DME dan metanol telah dilakukan dalam penelitian sebelumnya dengan sistem terpisah. Penelitian ini diusulkan terhadap stabilitas kedua sistem ketika dikombinasikan dan analisis ekonominya bila dibandingkan dengan MPC dan PID controller. Pertimbangan saat menggabungkan proses pemurnian DME dan proses pemurnian metanol adalah produk dasar kolom pemurnian DME di mana juga bertindak sebagai umpan kolom pemurnian metanol. Valve conductance perlu disesuaikan untuk memenuhi kedua sistem. Retuning parameter MMPC didasarkan pada parameter tuning Wahid-Utomo (2019) dan Wahid-Brillianto (2019). Hasil retuning menghasilkan kinerja kontrol yang lebih baik di seluruh proses pemurnian. Nilai parameter retuning untuk T, P, dan M adalah 10, 40, dan 50 untuk proses pemurnian DME dan 1, 40, dan 50 untuk proses pemurnian metanol. Peningkatan IAE adalah dari 35,31% menjadi 56,24% untuk pemurnian DME dan 20,06% menjadi 94,91% untuk proses pemurnian metanol. Selain itu, menginstal MMPC terbukti layak secara ekonomi dengan NPV positif sebesar Rp 10.216.077 jika dibandingkan dengan pengontrol PI.

"

"ABSTRAK

Pengendalian proses pemisahan metanol-air pada produksi dimethyl ether (DME) dari gas sistesis menggunakan pengendali Model Predictive Control (MPC) jenis single-input single-output (SISO) telah menunjukkan hasil yang lebih baik dibandingkan dengan penggunaan pengendali Propotional-Integral (PI). Namun, penerapan pengendali MPC tunggal ini membuat proses produksi DME menjadi tidak ekonomis dikarenakan biaya modal pengendali MPC lebih besar dibandingkan pengendali PI. Pada penelitian ini, dirancang pengendali Multivariable Model Predictive Control (MMPC 4x4) dengan empat variabel masukan atau variabel yang dimanipulasikan (manipulated variable, MV) dan empat variabel keluaran atau variabel yang dikendalikan (controlled variable, CV). Pengendali MMPC diusulkan untuk mengurangi jumlah pengendali yang digunakan (empat MPC) serta mengatasi interaksi antar-variabel yang akan memengaruhi kinerja pengendalian. Perancangan pengendali meliputi identifikasi interaksi antar-variabel melalui pemodelan empirik first-order plus dead time (FOPDT) dan penyetelan pengendali. Empat CV tersebut meliputi suhu kondensor, suhu keluaran cooler, level kondensor, dan level kolom, sedangkan empat MV-nya meliputi beban kondensor, beban cooler, laju alir produk distilat, dan laju alir produk bawah. Hasilnya menunjukkan bahwa interaksi antar variabel yang teridentifikasi meliputi seluruh variabel yang terlibat, sehingga didapatkan matriks 4x4 yang berisi 16 model FOPDT. Nilai parameter pengendali berupa sampling time (T), prediction horizon (P), dan control horizon (M) yang memberikan kinerja pengendalian yang optimum berturut-turut adalah 2, 24, dan 10. Penggunaan MMPC memberikan kinerja pengendalian yang lebih baik dibandingkan dengan MPC, yang ditunjukkan oleh penurunan IAE sebesar 7% hingga 72% dan penurunan ISE sebesar 14% sampe 83%.

---

ABSTRACT

Process control of separating methanol-water from the production of dimethyl ether (DME) from synthesis gas using the Model Predictive Control (MPC) controller of single-input single-output (SISO) type has shown better results compared to the use of Propotional-Integral (PI) controllers. However, the application of this single MPC controller made the DME production process uneconomical because the MPC controllers capital cost was greater than the PI controller. In this study, a Multivariable Model Predictive Control (MMPC 4x4) controller was designed with four input variables or manipulated variables (manipulated variables, MV) and four controlled variables (controlled variables, CV). The MMPC controller is proposed to reduce the number of controllers used (four MPC) and overcome inter-variable interactions that will affect control performance. The design of the controller includes the identification of inter-variable interactions through first-order plus dead time (FOPDT) empirical modeling and controller adjustments. The four CVs include condenser temperature, cooler output temperature, condenser level, and column level, while the four MVs include condenser load, cooler load, distillate product flow rate, and bottom product flow rate. The results show that the interactions between the variables identified include all the variables involved, resulting in 16 FOPDT models. The control parameter values ​​in the form of sampling time (T), prediction horizon (P), and control horizon (M) that provide optimum control performance are 2, 24, and 10. The use of MMPC provides better control performance compared to MPC, which is indicated by a decrease in IAE of 7% to 72% and a decrease in ISE of 14% to 83%."

"Dimetil eter (DME) merupakan senyawa yang potensial untuk dikembangkan menjadi bahan bakar berkelanjutan. Unit purifikasi metanol-air merupakan salah satu unit pada sintesis DME yang penting untuk dikendalikan agar metanol dapat dialirkan kembali ke proses sehingga efisiensi pabrik secara keseluruhan dapat meningkat. Penggunaan multivariable model predictive control (MMPC) pada proses ini dapat meningkatkan kinerja pengendalian dan menurunkan biaya modal dalam pembelian pengendali. Hal ini disebabkan karena MMPC dapat mengendalikan beberapa variabel dengan satu pengendali. Penyetelan MMPC yang dilakukan dengan Matlab melalui seleksi turnamen pada 888 kombinasi data tiap perubahan CV menunjukkan bahwa sampling time MMPC memiliki pengaruh yang sangat besar terhadap kinerja pengendalian. Nilai sampling time yang terlalu kecil akan menghasilkan sensitivitas yang terlalu besar dan menyebabkan perubahan parameter lainnya, yaitu prediction horizon dan control horizon, menjadi sulit dipahami karena polanya cukup acak. Metode penyetelan MMPC yang diusulkan berhasil mendapatkan nilai-nilai IAE dan ISE yang optimum dan secara umum dapat memperbaiki kekurangan dari penyetelan penelitian sebelumnya. Dari penelitian ini diperoleh pengendalian yang cukup optimum pada T=0,5; P=20; dan M=2.

---

Dimethyl ether (DME) is a compound that has the potential to be developed into a sustainable fuel. The methanol-water purification unit is important unit to be controlled in DME synthesis, to make sure that methanol can be flowed back into the process then increase the overall efficiency of the plant. The importance of using multivariable model predictive control (MMPC) in this process is to improve process control performance and reduce capital costs in purchasing controllers. It is because MMPC can control several variables with one controller. MMPC tuning performed with Matlab through tournament selection on 888 data combinations for each CV change shows that the MMPC sampling time has a very large influence on control performance. A sampling time value that is too small will result in a very high sensitivity and causes changes in other parameters, namely the prediction horizon and control horizon, to be difficult to understand because the pattern is quite random. The proposed MMPC tuning method has succeeded in obtaining optimum IAE and ISE values ​​and in general can correct the shortcomings of previous research settings. The best control was obtained at T=0.5; P=20; and M=2.

"

"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."

"ABSTRAK

MMPC (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.

---

ABSTRACT

MMPC (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 variables

variable, 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."

"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."

"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"