Hasil Pencarian  ::  Simpan CSV :: Kembali

"Gas bumi merupakan alternatif yang dapat ditawarkan untuk menggantikan kekurangan bahan bakar akibat penurunan produksi minyak. Gas bumi dapat berperan sebagai bahan bakar yang cenderung leih bersih dan ketersediaannya berlimpah di Indonesia. Pada industri pengolahan gas alam, kandungan gas asam berupa CO2 dan H2S harus dihilangkan untuk memenuhi standar pipa dan spesifikasi produk. Proses penghilangan gas asam paling umum digunakan adalah absorpsi. Untuk dapat menjalankan proses dengan optimum, perlu diterpakan sistem pengendalian. Pada penelitian ini akan dilakukan dengan pengendali MPC dan model ARX sebagai model empiris. Sebelumnya telah dilakukan penelitian dengan model FOPDT, sehingga nantinya akan dilakukan perbandingan kinerja pengendali pada kedua model. Dengan menggunakan model ARX didapatkan nilai RMSE 35-91% lebih kecil dibandingkan model FOPDT. Parameter pengendalian yang optimum berdasarkan hasil outpit response secara berturut-turut (P, M, dan T): (75, 25 dan 1) pada PIC-1101, (25, 10 dan 1) pada FIC-1102 dan (30, 25 dan 1) pada FIC-1103. Dan hasil akhir menunjukkan model ARX dapat meningkatkan kinerja pengendali dengan peningkatan nilai ISE sebesar 72-98% pada pengendalian disturbance dan 87% pada SPTracking.

---

Natural gas is an alternative that can be offered to replace the shortage of fuel due to decline in oil fuel production. Natural gas as a fuel tends to be cleaner and its availability is abundant in Indonesia. In the natural gas processing industry, the acid gas content in the form of CO­2 and H2S must be removed to meet pipe standards and product specifications. The most used acid gas removal process is absorption. To be able to run the process optimally, it is necessary to apply a control system. This research will be conducted with MPC controller, and ARX model as empirical model. Previously, research with the FOPDT model has been carried out, so that later a comparison of the performance of the controllers in the two models will be carried out. By using the ARX model, the RMSE value is 35-91% smaller than the FOPDT model. Optimum control parameters based on the resulting of the output response sequentially (P, M, and T): (75, 25 and 1) on the PIC-1101, (25, 10 and 1) on the FIC-1102 and (30, 25 and 1) on the FIC – 1103. The final result shows that the ARX model can improve the performance of the controller by increasing the ISE value by 72-98% for disturbance control and 87% for SP tracking."

"ABSTRAKMMPC (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.

---

ABSTRACTMMPC (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 variablesvariable, 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."

"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."

"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."

"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."

"Kinerja pabrik pengolahan gas alam berperan penting untuk menjaga agar dapat mencukupi permintaan gas Indonesia yang meningkat dari tahun ke tahun. Gangguan dalam proses pada pabrik-pabrik tersebut tidak bisa dihindarkan, terutama pada pabrik yang sudah lama beroperasi, proses dalam unit pengolahan gas pun bersifat dinamik. Oleh karena itu, proses tersebut perlu dikendalikan agar berjalan pada kondisi operasi yang optimum. Salah satu solusinya adalah dengan melakukan penyetelan ulang atau re-tuning pengendali pabrik. Dalam studi ini, penyetelan ulang pengendali Proportional Integral (PI) sebuah unit CO2 removal dilakukan berbasis model linear dan sistem multi input multi output (MIMO) menggunakan metode penyetelan Open Loop Ziegler Nichols (ZN), Closed Loop Tyreus Luyben (TL) dan Fine Tuning. Pengecekan pemasangan variabel pada pengendali juga dilakukan dengan menggunakan analisis Relative Gain Array (RGA). Ditinjau dari nilai Integral Square Error (ISE), pengendali dengan setelan fine tuning memberikan pengendalian yang lebih baik dibandingkan pengendali dengan setelan Open Loop Ziegler Nichols dan Closed Loop Tyreus Luben, dengan ISE untuk pengendali PIC 1101, FIC 1102 dan FIC 1103 sebesar 0.3122, 0.2028 dan 0.01944 untuk uji coba set-point dan 0.03681, 0.1116 dan 0.3009 untuk uji coba disturbance. Berdasarkan analisis RGA, pemasangan Controlled Variable (CV) dan Manipulated Variable MV yang di lapangan sudah tepat, yakni CV1-MV1, CV2-MV2 dan CV3-MV3.

---

Indonesian domestic natural gas demand has been increasing since the last couple of years, thus maintaining natural gas production is vital to fulfill the country’s ever so demanding industrial and energy needs. Optimization is key in maintaining production in natural gas processing plants, especially the performance of its operating units. A solution for optimization is the retuning of process controllers of existing plants to better handle process disturbance. This research studies the retuning of a CO2 Removal plant using linear modelling with Ziegler Nichols (ZN), Tyreus Luben (TL) and Fine-Tuning method. Analysis of controller pairing is also done in this study using the Relative Gain Array (RGA) method. The performance of the controller will be evaluated using the Integral Square Error (ISE) value during set-point and disturbance testing. The study has shown that ZN and TL tuning method are not capable of stabilizing the process of a multiple input multiple output system. Fine Tuning method resulted in the best performance with an ISE value of 0.3122, 0.2028 dan 0.01944 on set-point testing, and 0.03681, 0.1116 dan 0.3009 on disturbance testing for controllers PIC 1101,FIC 1102, and FIC 1103.RGA Analysis have shown that the plant controller has been paired correctly based on the recommended pairing, which is CV1-MV1, CV2-MV2 and CV3-MV3"

"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."

"Tingginya kandungan gas CO₂ pada cadangan gas alam di Indonesia merupakan tantangan yang cukup berdampak bagi proses produksi dan pemanfaatan cadangan gas alam tersebut. Untuk meningkatkan aspek teknis dan terhindar dari masalah-masalah operasional pada proses penghilangan gas CO₂, salah satu aspek yang dapat ditingkatkan adalah sistem pengendalian yang diaplikasikan ke sistem tersebut. Adanya variabel disturbance pada suatu sistem dapat menurunkan kinerja sistem pengendali yang digunakan. Dalam mengatasi masalah tersebut, aplikasi pengendali multi-loop PI dengan melibatkan disturbance model dinilai mampu meningkatkan kinerja sistem pengendalian dan mengeliminasi efek dari variabel disturbance tersebut. Dengan demikian, penelitian ini bertujuan untuk memperoleh disturbance model berdasarkan first order plus dead time (FOPDT) yang telah diverifikasi dan memperoleh kinerja pengendalian yang optimal dengan melibatkan model tersebut ke dalam sistem pengendali multi-loop PI. Dalam memperoleh kinerja pengendalian yang optimal dilakukan proses tuning dengan menggunakan metode biggest log modulus tuning (BLT) dan fine tuning, untuk dibandingkan dengan kinerja pengendalian multivariable model predictive control (MMPC) oleh Wahid, Meizvira dan Wiranoto (2018) pada sistem linear dan non-linear. Disturbance model dirancang berdasarkan perubahan variabel disturbance laju alir gas alam dengan membuat setpoint controlled variable (CV) tidak berubah, yaitu tekanan gas alam umpan sebesar 511,4 psia dan laju alir make-up water sebesar 10,5 psig. Hasil disturbance model yang paling merepresentasikan sistem yang dikendalikan adalah yang diperoleh menggunakan metode Solver. Dengan melakukan uji perubahan setpoint dan variabel disturbance, diketahui bahwa pengendali multi-loop PI-fine tuning menghasilkan kinerja pengendalian yang lebih baik daripada sistem pengendali MMPC, PI re-tuning dan multi-loop PI-BLT, baik pada sistem linear maupun non-linear. Hal ini menunjukkan bahwa penyusunan pengendali multi-loop PI pada sistem linear dengan melibatkan disturbance model dapat digunakan sebagai dasar dalam meningkatkan kinerja pengendalian pada sistem non-linear.

---

The high content of CO₂ in natural gas reserves in Indonesia is a challenge that has quite an impact on its production and utilization process. To improve the technical aspects and avoid operational problems in the CO₂ gas removal, one aspect that can be improved is the applied control system. The existence of a disturbance variables in a system may downgrade the performance of the used control system. To overcome this problem, the application of a multi-loop PI controller which involves disturbance model is considered to be able to improve the performance of the control system and eliminate the effects of the disturbance. Thus, this study aims to obtain a disturbance model based on the verified first order plus dead time (FOPDT), to be applied to the design of a linear multi-loop PI control system. To obtain optimal control performance of multivariable model predictive control model (MMPC) which has been conducted by Wahid, Meizvira and Wiranoto (2018), both on linear and non-linear system. The disturbance model is designed based one changes in the natural gas flow rate as disturbance variable by setting the setpoint of all controlled variables (CV) unchanged), which are the feed natural gas pressure on 511,4 psig, and make-up water flow rate on 10,5 psig. Through setpoint and disturbance variable change tests, it is known that the multi-loop PI-fine tuning controller produces better control performance than MMPC, PI re-tuning and multi-loop PI-BLT control system, both on linear and non-linear systems. Thus, by involving the disturbance model on linear multi-loop PI controller system design might be a bases for improving control system performance in non-linear system."

"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"

"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"