Hasil Pencarian  ::  Simpan CSV :: Kembali

"Robot Inverted Pendulum merupakan penelitian robot klasik yang menjadi banyak perhatian. Inverted Pendulum atau pendulum terbalik bekerja menggunakan prinsip kesetimbangan. Robot diasumsikan sebagai pendulum yang harus bisa melawan gaya gravitasi sehingga tetap stabil tanpa terjatuh. Banyak teori kontrol yang sudah dikembangkan dalam mengontrol robot ini, salah satunya yaitu Model Predictive Control. Model Predictive Control dapat memprediksi perilaku sistem ke depannya sehingga dapat mengantisipasi robot terjatuh. Oleh karena itu, penelitian ini bertujuan untuk merealisasikan robot inverted pendulum menggunakan Model Predictive Control. Robot dirancang dengan ukuran tinggi sekitar 50 cm dan lebar sekitar 30 cm. Robot memiliki lengan untuk membawa benda dengan luas penampang berukuran 8 x 8 cm dan massa 1 kg. Robot memiliki sudut kemiringan maksimum 30o. Robot ini dapat menahan beban 1 kg dengan safety factor minimum 3. Robot ini dikontrol dengan mikrokontroler ESP32. Sensor sudut MPU6050 dan sensor posisi Encoder 600PPR digunakan sebagai input untuk motor BLDC JGB37-3650 dan motor Dsservo DS 3225 yang dikendalikan.

---

The Inverted Pendulum Robot is a classic topic of robotic research that has garnered significant attention. The inverted pendulum operates on the principle of equilibrium. The robot is conceptualized as a pendulum that must counteract gravitational forces to remain stable without falling. Numerous control theories have been developed to manage this robot, one of which is Model Predictive Control (MPC). MPC predicts the future behavior of the system, enabling it to prevent the robot from falling. Thus, this research aims to implement an inverted pendulum robot using Model Predictive Control. The robot is designed with a height of approximately 50 cm and a width of about 30 cm. It features an arm capable of carrying objects with a cross-sectional area of 8 x 8 cm and a mass of 1 kg. The robot can maintain a maximum tilt angle of 30 degrees. It is designed to support a load of 1 kg with a minimum safety factor of 3. The robot is controlled using an ESP32 microcontroller. The MPU6050 angle sensor and the 600PPR Encoder position sensor are employed as inputs for the JGB37-3650 BLDC motor and the Dsservo DS 3225 motor."

"Penelitian ini bertujuan untuk merancang sebuah sistem control dari sebuah robot inverted pendulum menggunakan Model Predictive Control. Dalam penelitian akan digunakan sensor sudut dan posisi sebagai data masukkan untuk komputasi nilai keluaran yang optimal yang perlu diberikan kepada servo dan motor. Komputasi akan dilakukan di komputer yang dihubungkan dengan robot menggunakan protokol komunikasi UART. Program pada komputer juga akan menampilkan kondisi robot. Model Dinamika yang digunakan akan disimulasikan terlebih dahulu sebelum digunakan. Robot dapat mengirimkan data dari sensor dan menjalankan keluaran optimal yang sudah dikomputasi.

---

This research is aimed to design a control system from inverted pendulum robot using Model Predictive Control. This research will be using angular and position sensor as input for computing the optimal output for the motor and servo. The computation will be done by a computer that is connected with the robot using UART Communication Protocol. The program that is runned by the computer will also display the robot condition. Dynamics model that will be used will be simulated first before real application. The inverted pendulum robot is able to send data from sensor to the computer and run the optimal output that has been computed."

"Tema Inverted pendulum banyak diteliti oleh peneliti dunia, salah satu temanya adalah pemodelan dan perancangan pengendali. Tema inilah yang diambil sebagai tema penelitian dalam tesis ini. Dalam tesis ini dimodelkan tiga jenis inverted pendulum yaitu Single Inverted Pendulum, Double Inverted Pendulum, dan Dual Inverted Pendulum. Model matematik dari ketiga jenis inverted pendulum ini diturunkan dari persamaan Euler- Lagrange. Model matematik yang didapatkan disimulasikan menggunakan matlab simulink. Dari hasil simulasi didapatkan bahwa ketiga jenis inverted pendulum ini tidak stabil namun demikian ketiga jenis inverted pendulum ini dapat dikendalikan sehingga ketiga jenis inverted pendulum ini dapat distabilkan. Untuk menstabilkan sistem inverted pendulum digunakan pengendali LQR. Dari hasil simulasi terlihat bahwa sistem inverted pendulum dapat distabilkan, namun kestabilan sistem hanya dapat dipenuhi dalam batasan nilai variabel keadaan yang tertentu.

---

Inverted pendulum is widely studied by researchers around the world. One of its research themes is modeling and control design. This theme also becomes the research focus of this thesis. In the research, three types of inverted pendulum have been studied. That are Single Inverted Pendulum, Double Inverted Pendulum and Dual Inverted Pendulum. Mathematical models of these inverted pendulums are derived from the Euler-Lagrange equation. Based on these models, simulation is carried out by using Matlab/Simulink. Simulation results showed that the inverted pendulums are not stable but controllable. Therefore the inverted pendulums can be stabilized. In this research, LQR controller is used to stabilize the inverted pendulum systems. Simulation results show that the inverted pendulum systems could be stabilized only within limited range of the state variable values."

"Penelitian ini berfokus pada pengendalian sistem yang nonlinear berupa Rotary Inverted Pendulum (RIP) dengan menggunakan salah satu algoritma Reinforcement learning (RL) yaitu algoritma Deep Deterministic Policy Gradient (DDPG) yang disimulasikan pada simulink MATLAB. Algoritma DDPG merupakan algoritma lanjutan dari algoritma Deep Q-Network (DQN) yang dapat diaplikasikan pada sistem yang kontinu. RIP merupakan sistem nonlinier yang populer pada sistem kendali yang bersifat mekanis sehingga permasalahan RIP banyak dikerjakan oleh peneliti dalam bidang sistem kendali dengan berbagai metode pengendalian. Tujuan dari penelitian ini adalah untuk mengetahui hasil pengendalian dengan algoritma DDPG dan kemudian membandingkannya dengan metode pengendalian lain yang telah dikerjakan oleh peneliti lainnya. Pengendalian yang dilakukan pada penelitian ini yaitu keseimbangan pendulum ketika posisinya berdiri tegak.

---

This research focuses on controlling a nonlinear system Rotary Inverted Pendulum (RIP) using one of the Reinforcement Learning (RL) algorithms Deep Deterministic Policy Gradient (DDPG) algorithm which is simulated on simulink MATLAB. DDPG algorithm is an advanced algorithm from the Deep Q-Network (DQN) algorithm which can be applied to continuous systems. RIP is a nonlinear system that is popular in mechanical control systems so that many RIP problems are worked on by researchers in the field of control systems with various control methods. The purpose of this study is to determine the results of control with the DDPG algorithm and then compare it with other control methods that have been used by other researchers. The control carried out in this study is the balance of the pendulum when the posture is standing upright."

"Proses kontrol canggih telah ada sejak tahun 1960-an dan digunakan untuk menyelesaikan berbagai macam masalah kontrol. Sebagian besar algoritma kontrol canggih pada tahun 1960-an adalah turunan dari algoritma kontrol Proportional-Integral-Derivative (PID). Meskipun 90% dari seluruh masalah kontrol dapat diselesaikan dengan menggunakan algoritma kontrol PID, algoritma tersebut memiliki beberapa kekurangan dalam penanganan batasan nilai variabel kontrol, proses non-minimum phase, perubahan parameter sistem, dan kemudahan penerapan dalam proses multi-variabel yang besar. Penggunaan algoritma kontrol yang lebih canggih dari algoritma kontrol PID tertahan oleh daya komputasi yang dapat ditawarkan oleh komputer digital pada saat itu.Salah satu algoritma kontrol canggih yang dikenal karena kemampuannya menangani kekurangan yang dimiliki oleh algoritma kontrol PID adalah Model Predictive Control (MPC). MPC bekerja dengan menghitung perilaku sistem selama interval waktu yang terbatas ke masa depan dengan menggunakan model yang dimiliki oleh sistem untuk memprediksi perilaku sistem di masa depan. MPC lebih banyak digunakan untuk menyelesaikan masalah kontrol tertentu karena kemampuannya dalam menambahkan hard state (state yang tidak dapat dilanggar), batasan input, dan kriteria kinerja yang sesuai dalam perancangan sistem kontrol. Namun, karena MPC mengandalkan model sistem untuk memprediksi perilaku masa depan dari sistem yang dikontrol, penggunaan MPC untuk mengontrol sistem terbatas karena sistem tertentu memiliki model yang sangat kompleks untuk diformulasikan.Terlepas dari kekurangan yang dimiliki MPC, penulisan skripsi ini diperuntukkan untuk melihat kelebihan dan kemudahan penerapannya dalam menyelesaikan masalah kontrol optimum. Untuk itu, evaluasi MPC sebagai sistem perencanaan lintasan lokal dan penghindaran tabrakan akan dilakukan. Evaluasi dalam skripsi ini akan menggunakan program simulasi berbasis ROS yang disebut Gazebo dan Rviz dengan Python sebagai bahasa pemrogramannya agar memudahkan bagi siapa saja yang ingin mengimplementasikan MPC sebagai pengontrol sistem dan memberikan media pembelajaran bagi yang ingin belajar mengenai MPC. Kesimpulan yang didapatkan dari hasil skripsi ini adalah MPC memiliki potensi yang sangat tinggi dalam menyelesaikan masalah kontrol optimum karena kemampuannya dalam memberikan kontrol yang optimal untuk sistem, walaupun diperlukan proses komputasi yang cukup besar sehingga waktu pemrosesan menjadi lambat dengan konfigurasi yang dilakukan pada skripsi ini.

---

Advanced process control has been around since 1960s and is used to solve numerous control problems. Most advance control algorithms in 1960s were the derivation of the classical Proportional-Integral-Derivative (PID) controller algorithm. Although 90% of all control problems can be solved using PID control, it has several drawbacks when it comes to handling constraints, non-minimum phase processes, changes in system parameters, and its straightforward applicability to large, multi-variable processes. The usage for a more advanced control algorithm that is able to tackle those drawbacks was held back by the computational power that the digital computer can offer at that time.

One of the advance control algorithms that is known for its ability to handle these drawbacks is called Model Predictive Control (MPC). MPC works by calculating the system behavior over a finite time interval into the future using the system model to predict the future system behavior. It is favorable to solve certain control problems because of its ability to explicitly add hard states (states that cannot be violated), input constraints, and suitable performance criterion into the controller design. However, because MPC relies the system model to predict the future behavior of the controlled system, the ability to implement MPC for system control is decreased because certain system has very complex model to formulate.

Apart from the disadvantages of MPC, this thesis explores the advantage and its applicability in solving optimal control problem. For that, the use of MPC for a differential drive robot local planner and obstacle avoidance is evaluated. The evaluation in this thesis will use ROS based simulation environment called Gazebo and Rviz with Python as its programming language so that it is easier for anyone who wants to implement MPC as their system controller and to provide learning case for beginners who wants to start with MPC. At the end of this thesis, it is shown that MPC has a very high potential in solving optimal control problem because of its ability to give optimal control to the system, although it requires quite amount of computational power that makes the processing time slow with the configurations that is done in this thesis."

"Penerapan dan penelitian mengenai multi agent system (MAS) saat ini sedang cepat berkembang. Penggunaan pengendali Model Predictive Control (MPC) cukup populer digunakan untuk menyelesaikan permasalahan konsensus pada korvengensi dan stabilitas MAS. Namun pada MPC konvensional masih terdapat masalah, masalah optimasi yang harus diselesaikan secara periodik menyebabkan pemborosan sumber daya komputasi dan komunikasi antar agen. Oleh karena itu, mekanisme tambahan diperlukan agar masalah optimasi dapat diselesaikan secara aperiodik. Pada peneltian ini, mekanisme self triggered ditambahkan pada pengendali MPC, dan dirancang untuk menyelesaikan permasalahan formation pada MAS dengan model nonholonomic mobile robot. Penggunaan mekanisme ini memungkinkan komputasi MPC tidak perlu dilakukan secara terus menerus, tapi digunakan bila dibutuhkan. Pengendali yang dirancang dibentuk dengan mengkombinasikan antara teori graph sebagai topologi komunikasi antar agent, dengan algoritma MPC, dan ditambah dengan mekanisme self triggered untuk menentukan kondisi kapan MPC melakukan optimasi. Pengendali Prediktif atau MPC akan memprediksi sinyal kendali agent sepanjang horizon prediction. Beberapa simulasi dilakukan untuk menguji rancangan desain pengendali self-triggered MPC, kemudian diuji untuk menyelesaikan permsalahan formation, lama waktu komputasi dihitung dan dibandingkan dengan MPC konvensional. Hasil uji simulasi menunjukan bahwa mekanisme self triggered mampu mengurangi beban komunikasi dan beban komputasi pada pengendali MPC.

---

Application and study of multi-agent systems are growing fast. Model Predictive Control (MPC) has been popularly used to solve consensus problem in corvengence and stability of multi agent system (MAS). But conventional MPC is still having probrems, optimization problems is solved periodically, which may lead to a waste of computation and communication resources between agents. Therefore, additional mechanism is needed so optimization problems can be solved aperiodically. In this study, a self triggered mechanism was added to the MPC controller, which was designed to solve the formation problem for MAS on nonholonomic mobile robot. A self triggered condition allows MPC computing not to be done periodically, but is used if needed.

The designed controller is build by combining graph theory as a communication topology beetwen agents, with the MPC algorithm, and added with a self triggered mechanism to determine the conditions when does the MPC solved optimization. Predictive controllers or MPC is used to predict control signals along the horizon prediction. Several simulation are conducted to test the self triggered MPC controller design, were then tested to solve the formation problem. The computation time is calculated and compared with conventional MPC. The simulation test results show that the self triggered mechanism is able to reduce the communication load and computational load on MPC controllers."

"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."

"Penelitian ini membahas permasalahan formasi sistem multi-agent menggunakan pengendali prediktif terdistribusi. Model yang digunakan adalah nonholonomic mobile robot. Setiap agen dapat memecahkan sendiri permasalahan optimasi dan mengimplementasikannya setiap cuplikan waktu. Ada dua permasalahan formasi yang dibahas, yaitu formation tracking control dan formation stabilization. Pada permasalahan formation tracking control, setiap agen harus mengikuti referensi trajektori yang telah dibuat dan mempertahankan jarak dengan agen tetangganya. Sedangkan pada permasalahn formation stabilization, setiap agen, dari posisi yang acak, membentuk suatu formasi yang telah ditentukan di posisi yang telah ditentukan juga. Hasil simulasi ditampilkan untuk menggambarkan efektivitas dari pengendali prediktif terdistribusi yang telah didesain. Diperoleh hasil dengan waktu konvergensi yang sangat cepat dibanding jika dengan pengendali lain.

---

This study is concerned with the problem of formation using distributed model predictive control. The model that is used is nonholonomic mobile robot. All the agents are permitted to solve optimization problem by itself and implement them at each time step. There are two formation problem that will be discussed, i.e. formation tracking control problem and formation stabilization problem. On the formation tracking control problem, each agent is required to follow a reference trajectory that has been generated and maintain distance between agents. On the formation stabilization problem, each agent, with random initial condition, is required to form a formation at a specific position that has been determined. A numerical simulation is given to illustrate the effectivenes of the distributed model predictive control. The convergence rate of the result is much faster compared to other control law."

"Model Predictive Control is an important technique used in the process control industries. It has developed considerably in the last few years, because it is the most general way of posing the process control problem in the time domain. The Model Predictive Control formulation integrates optimal control, stochastic control, control of processes with dead time, multivariable control and future references. The finite control horizon makes it possible to handle constraints and non linear processes in general which are frequently found in industry. Focusing on implementation issues for Model Predictive Controllers in industry, it fills the gap between the empirical way practitioners use control algorithms and the sometimes abstractly formulated techniques developed by researchers. The text is firmly based on material from lectures given to senior undergraduate and graduate students and articles written by the authors"

"Recent developments in model-predictive control promise remarkable opportunities for designing multi-input, multi-output control systems and improving the control of single-input, single-output systems. This volume provides a definitive survey of the latest model-predictive control methods available to engineers and scientists today.The initial set of chapters present various methods for managing uncertainty in systems, including stochastic model-predictive control. With the advent of affordable and fast computation, control engineers now need to think about using “computationally intensive controls,” so the second part of this book addresses the solution of optimization problems in “real” time for model-predictive control. The theory and applications of control theory often influence each other, so the last section of Handbook of Model Predictive Control rounds out the book with representative applications to automobiles, healthcare, robotics, and finance.The chapters in this volume will be useful to working engineers, scientists, and mathematicians, as well as students and faculty interested in the progression of control theory. Future developments in MPC will no doubt build from concepts demonstrated in this book and anyone with an interest in MPC will find fruitful information and suggestions for additional reading."