Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pada tesis ini dibuat program simulasi pengendalian temperatur dan tinggi level air pada wadah pencampur. Wadah ini diasumsikan memiliki luas penampang 1200 cm². Pengendalian dilakukan dengan mengatur debit air panas dan dingin yang diatur katup yang memiliki luas pembukaan 1,3272 cm². Sistem ini dikendalikan oleh pengendali logika fuzzy. Respon pengendalian dibandingkan dengan pengendali PID. Sistem ini memiliki struktur multivariabel.

---

In this tesis a simulation program for temperature and water level control on mixer is proposed. This mixer is assumed to have a base area 1200 cm². To control temperature and water level, the hot and cold water flow rates are varied. A valve with erosscctirm area 1.3272 cm² is used to varied those flow rates. The system is controlled with fuzzy logic controller. This system has multivariable structure. The respon of this system is compared to the respon of a PID controlled system."

"Proses Thermal Mixing adalah jenis dari proses pencampuran yang penting di berbagai industri, seperti industri pangan, pupuk, farmasi, material sampai petrochemical. Proses Thermal Mixing merupakan proses Multi input multi ouput (MIMO), karena bekerja dengan mengendalikan dua flow air panas dan air dingin untuk mengendalikan temperatur dan level campuran. Meskipun memiliki respon yang kurang baik untuk mengendalikan MIMO, namun PID masih banyak digunakan karena kesederhanaannya. Algoritma non konvensional yang lebih baik seperti fuzzy control memiliki kerumitan yang tinggi dibanding PID. Algoritma Adaptive Fuzzy PID Controller (AFPIDC) merupakan gabungan dari keduanya, memiliki basis PID yang cukup sederhana namun ditambahkan aspek Fuzzy untuk mempercepat pengendalian dengan cara mengubah konstanta PID secara real-time (on the fly). Algoritma AFPIDC ini diterapkan pada simulasi sistem pengendalian temperatur dan level air pada proses water Thermal Mixing dan dilakukan pada program MATLAB/SIMULINK di PC. Fuzzy yang digunakan memiliki dua input berupa error dan perubahan error, dan memiliki tiga output berupa perubahan nilai konstanta PID. Pengujian sistem dilakukan dengan simulasi perubahan setpoint dan gangguan berupa kebocoran flow. Dari hasil pengujian sistem, pengendali AFPIDC memiliki performa yang lebih baik dari PID dalam mengendalikan temperatur dan level pada sistem. Dalam pengendalian temperatur, didapatkan nilai settling time PID sebesar 830 detik, AFPIDC sebesar 328 detik dan untuk nilai overshoot PID 6,3% dan AFPIDC 0%. Untuk pengendalian level didapatkan settling time PID 3221 detik dan AFPIDC 235 detik dengan nilai overshoot PID 10,5% dan AFPIDC 0%. Dari pengujian sistem terhadap gangguan kebocoran, pengendali temperatur membutuhkan waktu untuk kembali stabil pada PID 780 detik, AFPIDC 250 detik. Sedangkan untuk pengendalian level untuk kembali stabil membutuhkan waktu PID 4510 detik, AFPIDC 225 detik.

---

The Thermal Mixing Process is a type of mixing process that is important in various industries, such as the food, fertilizer, pharmaceutical, material to petrochemical industries. The Thermal Mixing Process is a multiple-input multiple-output process (MIMO), because it works by controlling hot water and cold-water flows to control the temperature and level of the mixture. Although it has a poor response to control MIMO system, PID is still widely used because of its simplicity. There are some better control algorithm, such as fuzzy control, but have higher complexity than PID. The Adaptive Fuzzy PID Control (AFPIDC) algorithm is a combination of the two, has a simple PID basis with added Fuzzy aspects to speed up control by changing the PID constant in realtime. The AFPIDC algorithm is applied to the simulation of temperature and water level control systems in the process of water Thermal Mixing and is done on the MATLAB/SIMULINK program on a PC. The fuzzy algorithm uses two inputs in the form of errors and changes in errors and has three outputs in the form of changes in the value of the PID constant. System testing is done by simulating setpoint changes and disruption in the form of leakage flow. From the results of system testing, AFPIDC controllers have better performance than PID in controlling temperature and level in the system. In temperature control, the PID settling time is 830 seconds, AFPIDC is 328 seconds and the PID overshoot is 6,3% and AFPIDC is 0%. In level control, the settling time of PID is 3221 seconds while AFPIDC is 235 seconds with PID overshoot is 10,5% while AFPIDC 0%. From testing the system with leakage disturbance, the temperature controller needs time to regain stability at PID 780 seconds, AFPIDC 250 seconds. Meanwhile the level controlling stabilizes at PID 4510 seconds, and AFPIDC at 225 seconds."

"Penelitian ini menyimulasikan sistem pengendalian temperatur dan ketinggian air pada sistem pengendali MIMO, yang bekerja dengan cara mengendalikan debit air dingin dan air panas untuk menghasilkan temperatur dan ketinggian air yang diinginkan. Simulasi ini dilakukan dengan menggunakan pengendali Reinforcement Learning dengan algoritma Proximal Policy Optimization (PPO) pada Simulink MATLAB. Tujuan dari penelitian ini, sistem dapat menjaga temperatur campuran dan ketinggian air yang terukur agar tetap berada di daerah set point yang ditentukan. Hasil training pengendali PPO diuji dengan melakukan perubahan set point, baik penambahan nilai ataupun pengurangan nilai set point. Pada penelitian ini diasumsikan bahwa proses pencampuran temperatur terdistribusi secara sempurna dan tangki tidak menyerap kalor. Penelitian ini memiliki batasan dimana temperatur air dingin 25℃ dan air panas 90℃ serta ketinggian maksimum tangki sebesar 7,5 dm. Kemampuan agent PPO dilihat dari beberapa parameter seperti overshoot, settling time, rise time, dan error steady state sebagai data kualitatif. Berdasarkan hasil simulasi, secara keseluruhan agent PPO meiliki hasil settling time dan rise time yang berbanding lurus dengan banyaknya perubahan set point. Nilai error steady state tertinggi sebesar 0.98%, terjadi pada pengendalian ketinggian air. Sedangkan nilai overshoot tertinggi sebesar 1,02% dan terjadi pada pengendalian ketinggian air juga.

---

This research simulates water level and temperature control system on MIMO control system, which works by controlling the flow of cold water and hot water to produce the desired temperature and water level. This simulation is carried out using Reinforcement Learning with Proximal Policy Optimization algorithm on Simulink MATLAB. The purpose of this research, the system can maintain measured temperature of mixture and water level in order to remain in the set point area. The results training of the PPO controller set point, either adding or reducing the set point. In this study, it is assumed that the temperature mixing process is perfectly distributed and the tank does not absorb heat. This research has a limit where the temperature of cold water is 25 and hot water is 90, and the maximum height of the tank is 7.5 dm. The ability agent of the PPO can be seen from overshoot, settling time, rise time, and steady state error as qualitative data. Based on the result of simulation, overall the agent PPO has settling time and rise time that is directly proportional to the number of changes at set point. The highest value of steady state error is 0.98%, occurred in controlling water level. While the highest value of overshoot is 1.02% and occurs in controlling water level as well.

"

"Di dalam dunia industri, operasi pencampuran banyak digunakan untuk mengolah bahan mentah menjadi suatu produk seperti minyak bumi, bahan kimia, dan lainnya. Biasanya, pada plant skala industri digunakan PID kontroler sebagai sistem pengendaliannya, akan tetapi PID kontroler ini akan menjadi kurang baik ketika menghadapi sistem non-linear, sehingga pada penilitian ini dirancang suatu sistem kendali berbasis neural network yang diharapkan dapat memberikan performa yang lebih baik dan efisien dibandingkan PID konvensional. Model plant yang digunakan untuk simulasi di dalam penelitian ini adalah proses pencampuran air, dimana temperatur dan level air akan dikendalikan. Dibuat dua jenis sistem pengendali neural network (NN) dengan perbedaan pada input-nya, yaitu NN dengan input SP, PV(n), PV(n-1) dan NN dengan input SP, error, dan perubahan error. Kedua sistem pengendali neural network ini dibuat dengan menggunakan metode feed-forward neural network dan simulasinya dibuat dengan menggunakan Simulink. Berdasarkan hasil pengujian, dapat disimpulkan bahwa sistem pengendalian dengan menggunakan neural network memberikan performa yang lebih baik jika dibandingkan dengan sistem pengendalian PID konvensional, yaitu dengan settling time dan rise time yang lebih cepat, serta menghasilkan respon sistem yang tidak memiliki overshoot sama sekali.

---

In the industrial world, blending operations are widely used to process raw materials into products such as petroleum, chemicals, and others. Usually, in industrial-scale plants, the PID controller is used as a control system, but this controller will be less good when dealing with non-linear systems. In this study, a neural network-based control system is expected to provide better and more efficient performance compared to conventional PID control. The plant model used for simulation in this study is the process of mixing water, where the temperature and water level will be controlled. Created two types of neural network (NN) control systems with differences in the input, the first is a NN with SP, PV(n), PV(n-1) for the input, and the second is a NN with SP, error, and change of error for the input. Both of these neural network control systems are made using a feed-forward neural network method, and the simulation was created by using Simulink. Based on the test results, it can be concluded that the control system using a neural network provides better performance when compared to conventional PID control systems with a faster settling time and rise time, and produces a system response that has no overshoot at all."

"Beragam kebutuhan industri, membuat jenis-jenis proses pada industri pengolahan menjadi beragam dengan berberapa parameter input dan output, salah satunya adalah proses thermal mixing yang menggunakan sistem multi input multi output. Thermal mixing atau continuous stirred-tank reactor mengendalikan 2 aliran dengan temperatur berbeda kedalam tanki pencampur sehingga mendapat temperatur dan ketinggian tangki sesuai yang diinginkan. pada penelitian ini telah dirancang sistem pengendali berbasis logika fuzzy pada pengendalian temperatur dan level. Penelitian ini sistem logika fuzzy menngunakan 2 input dan 1 output unutk masing-masing parameter pengendalian. 2 input fuzzy set menggunakan nilai error dan change of error. Setiap fuzzy set menngunakan 7 membership function yaitu negative big (NB), negative medium (NM), negative small (NS), zero (Z), positive small (PS), positive medium (PM), dan positive big (PB). Sistem dapat melakukan pengendalian temperatur dan level sesuai yang diinginkan. Sistem ini menggunakan simulasi berbasis aplikasi MATLAB Simulink. Berdasarkan hasil simulasi, dapat disumpulkan bahwa pengendalian menggunakan fuzzy logic controller lebih baik dibandingkan pengendalian PID. Hasil pengendalian fuzzy memiliki rata-rata rise time dan settling time yang lebih cepat dan tidak memiliki overshoot.

---

A variety of industrial needs, making the types of processes in the processing industry to be diverse with several input and output parameters, one of which is a thermal mixing process that uses a multi-input multi output system. Thermal mixing or continuous stirred-tank reactor controls 2 streams with different temperatures into the mixing tank so that the temperature and height of the tank are as desired. In this research a fuzzy logic based controller system has been designed for controlling temperature and level. This study uses a fuzzy logic system using 2 inputs and 1 output for each control parameter. 2 fuzzy input sets use error and change of error values. Each fuzzy set uses 7 membership functions, namely negative big (NB), negative medium (NM), negative small (NS), zero (Z), positive small (PS), positive medium (PM), and positive big (PB). The system can control the temperature and level as desired. This system uses a simulation based on the MATLAB Simulink application. Based on the simulation results, it can be concluded that the control using fuzzy logic controller is better than PID control. Fuzzy control results have a faster average rise time and settling time and do not have overshoot."

"Sistem kendali berbasis logika fuzzy terdiri dari proses fuzzifikasi, pengarnbilan keputusan berdasarkan basis pengetahuan, dan defuzzifikasi. Basis pengetahuan memuat aturan-aturan kendali fuzzy dan informasi mengenai proses pengolahan data yang terjadi dalam sistem kendali. Dalam skripsi ini, penerapan logika fuzzy pada sistem kendali akan disimulasikan pada sistem pengatur temperatur suatu ruang. Pada simulasi pengaruh temperatur luar terhadap sistem turut diperhitungkan. Model sebuah ruangan diturunkan dari perumusan resisitansi dan kapasitansi termalnya. Kernudian FLC digunakan untuk 'mengendalikan sistem, dengan input T error dan DT error serta output berupa sinyaI kendali mesin pemanas dan pendingin. Digunakan 15 aturan kendali dengan implikasi mamdani dan metode defuzzifikasi LoM. Hasil simulasi menunjukkan bahwa penggunaan FLC telah memperbaiki kinerja sistem pengendalian temperatur ruang, yang ditandai dengan settling time dan rise time yang lebih baik, juga error yang diperoleh cukup kecil bila dibandingkan sistem dengan terrnostat. Pengaruh temperatur Iuar digunakan untuk menaikkan temperatur ruang dari nol sampai mencapai set point, yang mempersingkat settling time sistem (ruangan berjendela). Pada ruang tanpa jendela settling time sedikit lebih lambat, karena pengaruh temperatur luar lebih kecil. Kemampuan FLC dibatasi oleh dirnensi ruang dan jangkauan setpoint yang diinginkan."

"Anti Lock Brake Systems (ABS) bertujuan untuk menghasilkan seoptimal mungkin gaya pengereman, tetapi selama proses pengereman roda kendaraan tidak terkunci sehingga kendaraan tetap terkendali.Pada pengendalian ABS, untuk rnendapatkan hasil yang optimal maka diperlukan pengendali yang mampu menjaga besar torsi optimum yang diperkenankan sebelum teljadjnya penguncian pada roda kendaraan. Torsi optimum yang dimaksud adalah torsi pengereman pada saat equilibrium point.Pengendalian ini dihadapkan pada pennasalahan berubah-ubahnya kondisi jalan, yang mengakibatkan besarnya torsi pengereman yang diberikan harus disesuaikan dengan kondisi jalan. Agar dapat diberikan besar torsi pengereman yang sesuai di perlukan slip ratio sebagai pembanding antara kondisi jalan yang berbeda. Karena itu dibutuhkan sensor untuk mendeteksi kecepatan putar roda yang kemudian data dan sensor tersebut digunakan umuk memperoleh slip ratio.Pada skripsi ini untuk membedakan kondisi pemaukaan jalan digunakan decision logic (metode elemen hingga). Metode elemen hingga membedakan kondisi permukaan jalan dengan cara membandingkan besar torsi pengereman yang diberikan dengan slip ratio yang terukur.Keluaran dan metode elemen hingga merupakan masukan bagi pengendali logika fuzzy. Masukan berupa informasi kondisi permukaan jalan menyebabkan pengendali Iogika dapat memutuskan untuk memberikan sinyal kendali yang sesuai dengan kondisi pemiukaan jalan kepada servovalve sehingga torsi pengereman optimum dapat diberikan selama terjadinya proses pengereman.Output dan simulasi berupa bentuk-bentuk grafik yang merupakan tanggapan slip ratio terhadap waktu, tanggapan torsi pengereman terhadap waktu, tanggapan kecepatan terhadap waktu sehingga dapat diamati tanggapan sistem secara keseluruhan."

"Dalam tesis ini dirancang suatu pengendali untuk proses-proses pengolahan air yang dengan PLC (Programmable Logic Control). PLC tersebut diprogramkan berdasarkan urutan-urutan proses yang telah ditentukan dengan waktu tertentu, yang terdiri dari proses pengolahan air, proses cuci filter, proses regenerasi resin, proses regenerasi anion, proses regenerasi kation, proses pembilasan tangki 2, proses pengeringan tangki 2, proses pengeringan tangki 2 dengan kompresor, proses periksa konduktivitas. Proses-proses tersebut diprogramkan pada PLC dengan mengatur bukaan-bukaan katup yang sesuai. Untuk penerapan bagi pengendali tersebut diatas, dibuat suatu simulator dengan komputer pribadi. Model matematis dari proses yang disimulasikan tersebut, diturunkan berdasarkan sifat - sifat fisika proses tersebut. Agar hasil simulasi dapat dilihat dalam waktu yang relatif singkat, dilakukan Skala waktu 1 : 60. Keluaran simulasi berupa ketinggian air pada tangki 1 dan 2 serta konduktivitas dari air yang dihasilkan ditampilkan pada panel berupa penyalaan LED dan gerakan jarum voltmeter analog. Hubungan simulator dengan PLC dilakukan melalui suatu antarmuka dengan pengalamatan yang tertentu, sehingga terdapat komunikasi antara PLC dan simulator melalui antarmuka tersebut."

"Penerapan teknik kontrol automatis pada pengendalian level dan temperature fluida menggunakan metoda pengendalian logika fuzzy merupakan sebuah penelitian dalam skala laboratorium, dimana pada tahapan ini sebuah sistem multivariabel digunakan sebagai obyek pengendalian. Metode logika fuzzy yang digunakan, akan berperan didalam memutuskan seberapa besar nilai respon pengendalian yang diberikan pada plant saat berkerja dalam suatu sistem yang bersifat linear maupun tidak linear, yang diakibatkan oleh adanya perubahan level dan temperature fluida maupun gangguan eksternal, dan diperoleh dari hasil pembacaan sensor. Hasil penelitian ini pada akhirnya akan membentuk sebuah sistem yang bersifat MIMO (Multiple-Input, Multiple-Output), melalui hubungan yang saling mempengaruhi antara parameter masukan dan keluaran."