Hasil Pencarian  ::  Simpan CSV :: Kembali

"Turbo expander TE dan Model Predictive Control MPC diusulkan untuk digunakan pada unit depropanizer untuk meningkatkan recovery propana dan memperbaiki kinerja pengendalian di unit tersebut. Model yang digunakan dalam MPC adalah model first-order plus dead time FOPDT, yang diuji kinerja pengendaliannya menggunakan pengujian perubahan set point SP dan gangguan, dengan ukuran kinerjanya menggunakan integral of absolute error IAE. Hasilnya menunjukkan bahwa penggunaan TE pada depropanizer mampu meningkatkan recovery propana sebesar 8,44 dari 82,11 menjadi 90,55. Sedangkan untuk struktur pengendalian, digunakan pengendalian tekanan pada TE menggunakan pengendali proportional-integral, PI, pengendalian komposisi propana pada aliran distilat menggunakan MPC dan pengendalian tekanan kolom depropanizer menggunakan MPC. Setelah melakukan pengujian perubahan SP didapatkan bahwa kinerja pengendali MPC pada pengendali komposisi dan pengendali tekanan depropanizer dapat memperbaiki kinerja pengendali PI sebesar 1,62 dan 93,40. Sedangkan pada pengujian terjadinya gangguan didapatkan bahwa kinerja pengenali MPC pada pengendali komposisi dan pengendali tekanan depropanizer dapat memperbaiki kinerja pengendali PI sebesar 60,54 dan 6-,21 sehingga pengendali MPC lebih baik dibandingkan pengendali PI untuk digunakan pada pengendali komposisi dan pengendali tekanan pada depropanizer yang menggunakan Turbo Expander.

---

Turbo expander TE and Model Predictive Control MPC is suggested for depropanizer unit to increase propane recovery and improve control performance of the unit. The model used in the MPC is first order plus dead time FOPDT, which tested the performance of the control using set point and disturbance change test with measurement of the performance using integral of absolute error IAE. As a result, use of TE in the depropanizer able to increase recovery of propane of 8,44 from 82.11 to 90.55. As for the control structure, pressure control is use on the TE using proportional integral control, composition control in the distillate flow using MPC, and pressure control in depropanizer column using MPC.

After doing SP changed test, the result showed performance of MPC controller at composition control and pressure control in depropanizer can improve performance compared by PI controller of 1.62 and 93.40. and then for disturbance rejection test, the result showed the MPC controller perfromance can improve PI controller performance at composition control and pressure control in depropanizer is able to improve PI controller performance by 60.54 and 60.21. So that, MPC controller is better than PI controller if it use at composition controller and pressure controller in depropanizer unit with Turbo Expander."

"Pada sistem kendali konvensional, batasan-batasan seperti amplitudo dan slew rate sinyal kendali tidak diperhitungkan pada proses pengendalian. Hal ini tentu dapat menyebabkan hasil kendali menjadi kurang baik, terutama jika terjadi pemotongan paksa terhadap sinyal kendali sebelum masuk ke plant. Untuk mengatasi hal tersebut dirancanglah suatu pengendali MPC. Dengan MPC, keluaran proses yang akan datang dapat diprediksi dan batasan-batasan yang ada tidak diabaikan sehingga keluaran sistem menjadi bagus. Selain keluaran sistem menjadi bagus, adanya batasan juga dapat membuat kinerja alat menjadi optimal. Pada skripsi ini, sistem yang akan dikendalikan dengan metode MPC dengan constraints adalah Coupled-Tank Basic Process Rig 38-100. Model yang digunakan pada perancangan pengendali berbentuk ruang keadaan yang didapat dengan menggunakan metode Kuadrat Terkecil berdasarkan pada data masukan dan data variabel keadaan alat. Masukan sistem adalah tegangan pompa pada tangki pertama dan keluaran yang akan dikendalikan adalah ketinggian air pada tangki kedua. Dari uji eksperimen terbukti bahwa metode pengendali MPC dengan constraints memberikan hasil yang lebih baik dibandingkan dengan metode Aturan Kendali Ruang Keadaan. Hal tersebut dapat terlihat dari tanggapan sistem, dimana tanggapan sistem dengan menggunakan metode MPC lebih cepat serta tidak adanya overshoot maupun undershoot pada keluaran sistem saat terjadi perubahan nilai trayektori acuan.

---

In conventional control system, constraints, such as amplitude and slew rate of input signal are not computed in control process. This matter of course can make the control result become worst, especially when force cutting occur to input signal before it enters to the plant. To solve those problems, a MPC controller is designed. With MPC, process output can be predicted and the existence of constraints will not be ignored and, as the result, it makes output system become well. Besides improve output system quality, the existence of the constraints can also make the device works at optimum condition everytime.

In this following final thesis, system that will be controlled by MPC with constraints method is Coupled-Tank Basic Process Rig 38-100. Model that is used in controller design has state space form. This model is formed by using Least Squares method based on input and state variable data. Input system is pump in first tank and output that will be controlled is water level in second tank.

Experiments prove that MPC with constriants give better result than State Controller method. With MPC, system response become faster and there are no overshoot nor undershoot when the set point change."

"Generalized Predictive Control merupakan suatu metode perancangan pengendali swatala berbasis model proses, yaitu model proses digunakan secara eksplisit untuk mendisain pengendali dengan meminimumkan suatu fungsi kriteria. Oleh karena itu, untuk mendapatkan performa pengendali yang baik diperlukan juga metode identifikasi model yang baik pula. Pada percobaan ini dilakukan perancangan dan implementasi pengendali swatala pada Pressure Process Rig (Feedback 38-714) dengan menggunakan metode Recursive Least Square sebagai estimator dan Generalized Predictive Control sebagai aturan sintesa parameter pengendali. Pada percobaan dilakukan pengendalian dengan horizon, N , yang tetap sebesar 3. Pada percobaan pertama dilakukan simulasi pengendalian model linear Pressure Process Rig dengan menggunakan nilai faktor pembobot, hGPC. sebesar 4 dan faktor pelupaan, hRLS, sebesar 0,9999. Simulasi ini menunjukkan keberhasilan pengendalian model linear Pressure Process Rig karena keluaran sistem yang dihasilkan dapat mengikuti pergerakan setpoint dan juga galat tunak dapat hilang dalam waktu yang singkat. Percobaan berikutnya merupakan pengendalian sistem nyata Pressure Process Rig dengan menggunakan beberapa nilai hGPC dan hRLS yang divariasikan. Dari hasil percobaan diketahui bahwa nilai hGPC sebesar 2 dan nilai hRLS sebesar 0,9999 merupakan nilai yang tepat digunakan agar performa pengendali dapat maksimal. Dengan nilai ini pengendali dapat melakukan fungsinya secara maksimal, yang ditandai dengan kecilnya nilai settling time. Dari percobaan ini juga diketahui bahwa semakin kecil nilai faktor pembobot, hGPC maka semakin cepat tanggapan sistem, selain itu apabila nilai faktor pelupaan, hRLS, semakin mendekati satu maka pergerakan theta semakin tidak terpengaruh oleh derau."

"Sistem tata udara presisi atau yang lebih dikenal dengan Precision Air Conditioning (PAC) merupakan mesin refrigerasi yang bekerja berdasarkan konsep termodinamika. Sistem tata udara presisi digunakan di ruang pusat data untuk menjaga temperatur dan kelembaban di dalam kabinet agar peralatan IT di dalam kabinet tidak cepat rusak. Temperatur ideal yang harus dicapai di dalam kabinet berkisar antara 20º - 25ºC, sedangkan kelembaban relatif (RH) yang harus dijaga di dalam kabinet berkisar antara 45-55%. Namun untuk mencapai keadaan tersebut, dibutuhkan pengendalian sistem supaya sistem dapat bekerja dengan keluaran seperti yang diinginkan.Model predictive control merupakan salah satu metode pengendali prediktif yang populer digunakan di dunia indutri. Sistem tata udara presisi yang dikendalikan dalam penelitian ini merupakan sistem multi input single output (MISO) dengan masukan berupa kecepatan putaran kipas kompresor dan kecepatan aliran udara volumetrik, dan keluaran yang dikendalikan adalah suhu keluaran dari kondenser kedua yang menuju kabinet dari sistem tata udara presisi. Diuji tiga model sistem tata udara presisi, model linier, model nonlinier tanpa beban heat sensible peralatan IT, dan model nonlinier dengan beban sensible peralatan IT yang divariasikan dengan pendekatan model linier biasa hasil identifikasi PO-MOESP dan model linier dengan vektor bias hasil identifikasi menggunakan metode kuadrat terkecil.Hasil pengendalian MPC untuk ketiga plant sistem tata udara presisi menujukkan performa yang baik dalam pengendalian, dilihat dari keluaran sistem yang mengikuti trajektori acuan yang diberikan.

---

Precision Air Conditioning (PAC) is a refrigerant machine that works based on thermodynamics concept. PAC is in implemented data center in order to stabilize the temperature and the humidity in cabinet in order to prevent IT damage integrated in the cabinet. The desired ideal temperature for the cabinet is from 20oC to 25oC and the desired relative humidity (RH) is from 45-55%. However, to achieve such a state, it takes control of the system so that the system can work with the output as desired.

Model predictive control is a predictive control method which is popularly used in industries world. Precision air conditioning system are controlled in this study is a multi-input single output (MISO) system with input in the form of fan rotation speed of the compressor and the air volumetric flow rate, and the controlled output is the temperature of the output of the second condenser to the cabinet of the precision air conditioning system. Tested three models of precision air conditioning system, linear models, nonlinear models without the burden of sensible heat IT equipment, and nonlinear models with variation of sensible heat IT equipment load with ordinary linear model approach to the identification of PO-MOESP and linear models with bias the results of identification using the method least squares.

MPC control results for the third plant of PAC systems showed good performance in control, viewed from the system output to follow a given reference trajectory."

"Sistem tata udara presisi adalah sistem yang mengatur lingkungan udara yang cocok untuk peralatan ICT dalam kebinet ruang Datacenter yang khusus melayani penggunaan yang sangat penting dan kritis. Untuk mencegah kerusakan pada peralatan ICT dan pada media penyimpan akibat thermal shutdown, conductive anodic failures, hygroscopic dust failures, corrosion, dan short circuit, sistem tata udara presisi harus dapat mengendalikan temperatur dan kelembaban didalam kabinet, serta mampu beradaptasi terhadap perubahan temperatur akibat perubahan beban panas peralatan IT. Permasalahan yang dihadapi adalah bahwa sistem ini memiliki karakterisitik kompleks dan nonlinier yang sangat kuat yang sangat sukar dikendalikan oleh teknik kendali lanjut linier. Di dalam dissertasi ini diusulkan teknik kendali prediktif nonlinier baru yang disebut sebagai sistem kendali prediktif multi model berbasis supervisi untuk mengendalikan temperatur keluaran sistem tata udara presisi. Algoritma kendali tersusun dari tiga layer, yaitu layer optimasi kendali real-time untuk mengikuti perubahan sinyal acuan, layer adaptasi untuk menyesuaikan model PAC terhadap variasi beban panas, dan layer supervisi untuk menjamin kestabilan. Sistem PAC memiliki rancangan struktur baru yaitu penambahan kondenser sekunder yang berfungsi sebagai reheater untuk menurunkan RH keluaran evaporator. Prinsip kerja dan siklus kompresi uap sistem PAC diilustrasikan dalam psychrometric chart dan diagram enthalpi-tekanan. Model nonlinier sistem PAC diturunkan menggunakan teori pemodelan fisik berdasarkan prinsip konservasi energi dan kesetimbangan massa, dan kemudian dilinierisasi di sekitar titik kerja untuk mengembangkan model ruang keadaan orde-8 yang cocok untuk perancangan pengendali multivariabel. Kualitas model terlinierisasi dianalisa dari aspek respons transien, sifat controllability dan observability, dan interaksi antar variabel masukan-keluaran. Sebuah model nonlinier yang disebut sebagai multi model linier diusulkan dimana matriks parameter model diestimasi oleh algoritma identifikasi N4SID menggunakan himpunan data eksperimen masukankeluaran. Kontribusi utama dari dissertasi ini adalah multi model linier dapat diestimasi secara bertingkat dimana tiap tingkat identifikasi mempertahankan hubungan linier antar matriks parameter. Konsep model bertingkat ini juga mempermudah perancangan pengendali prediktif multi model dengan tetap mempertahankan optimasi kendali sebagai permasalahan quadratic programming. Mekanisme adaptasi pengendali prediktif dibentuk dengan memperbaharui model prediksi menggunakan algoritma N4SID rekursif. Untuk menjamin kestabilan sistem PAC dan menghindari fenomena bursting, algoritma deteksi ketidakcukupan eksitasi sinyal masukan dan monitoring sinyal diturunkan dalam persamaan rekursif, sehingga penambahan waktu komputasi tidak signifikan. Komputasi rekursif pada layer supervisi menjadi kontribusi terakhir. Kualitas model nonlinier hasil pemodelan fisik dan identifikasi bertingkat divalidasi melalui simulasi dan uji eksperimen baik secara kualitatif maupun kuantitatif. Sebagai indikator kinerja validasi model digunakan kriteria loss function dan kriteria final prediction error. Dari hasil uji simulasi dan eksperimen, hanya multi model linier menunjukkan kinerja model yang baik dari aspek kemampuan meniru karakteristik nonlinear sistem PAC dan nilai parameter analisa model yang baik, sehingga model ini cocok dipakai pada perancangan pengendali. Algoritma kendali yang diusulkan juga diverifikasi baik dalam kasus uji simulasi dan eksperimen, dan menunjukkan kemampuannya untuk menjejaki perubahan sinyal acuan.

---

Precision air conditioning (PAC) is a system that regulate air environment suitable for ICT equipments inside the cabinet of Datacenter room which serves very important and critical works. In order to overcome damage on ICT equipments and media storage due to thermal shutdown, conductive anodic failures, hygroscopic dust failures, corrosion, and short circuit, the PAC should be able to control the temperature and relative humidity inside the cabinet, and also able to adapt againts temperature change caused by interaction with humans, change of environment temperature, and change of heat load of ICT equipments.

The problem encountered is that the PAC shows complex and highly nonlinear dynamics that is usually very difficult to control with linear advanced control systems. In this Dissertation, a new nonlinear predictive control called a supervision-based multi model predictive control to regulate the temperature outlet of PAC is presented. The proposed control algorithm consists of three layers, they are the optimization of real-time control layer for tracking the given set points, the adaptation layer for adjusting the PAC model againts variation of heat load, and the supervision layer for guarantee the closed loop stability.

The work mechanism and vapourcompression cycle for the PAC system are illustrated using psychrometric chart and enthalpypressure diagram. A nonlinear model is derived using physical modeling theory based on the conservation of mass and energy balance principles, and then linearized about operating points for developing a 8th order state space model suited for multivariable control design. The quality of linearized model is analyzed in terms of response transient, controllability, observability, and interaction between input-output variables. A nonlinear model called multi linear model is proposed where the model parameter matrices are estimated by N4SID algorithm using a set of input-output data.

The main contribution of this dissertation is that the multi linear model can be estimated using multi-stage subspace identification algorithm, where the relationship between model parameter matrices is still maintained linear. The concept of multi level models also simplify the design of multi model predictive controller retaining control optimization as a quadratic programming problem. The adaptation mechanism is performed by updating the prediction model using recursive N4SID algorithm.

In order to guarantee system stability and to overcome bursting phenomena, a detection algorithm of less excitation signal and signals monitoring are derived in recursive forms, so that the control algorithm needs no significant additional computing power. The recursive computation in supervision layer is the last contribution for this dissertation. Quality of nonlinear model from physical modeling and system identification is validated through simulation and experimental test both qualitatively and quantitatively. Loss function and final prediction error are choosed as a performance criteria of model validation.

From the simulation and experimental results, only the multi linear model shows good modeling performance in terms of ability to mimic the nonlinear behavior of PAC system and good parameter value of model analysis. The proposed control algorithm is also verified in case of simulation and experimental test showing its ability to track the set-point change."

"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."

"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"

"Kemajuan teknologi dibidang otomotif telah berkembang sangat pesat. Salah satu perkembangannya yaitu sistem kendali pada kendaraan dengan menggunakan mikroprosesor. Sistem kendali ini digunakan untuk pengamanan kendaraan yang dapat mengurangi angka kecelakaan yang terjadi. Sistem keamanan yang dikembangkan untuk mencegah terjadinya kecelakaan berkendara yang berpusat pada stabilitas yaw dan slip samping pada kendaraan. Dalam rangka mengembangkan sistem tersebut dibutuhkan pengujian berulang-ulang untuk mendapatkan hasil yang sesuai dengan keinginan. Perancangan yang dibantu dengan simulasi Hardware in The Loop (HIL) merupakan metode yang tepat untuk melakukan pengujian dari sistem. Pengujian ini dapat mengurangi waktu dan jumlah uji kendaraan yang sebenarnya di jalan, menurunkan biaya pengembangan dan meningkatkan kualitas pengembangan produk baru. Pada penelitian ini akan dilakukan simulasi HIL menggunakan Model Predictive Control (MPC) yang diawali dengan simulasi Software In The Loop untuk mempelajari dan menguji sistem kendali untuk stabilitas laju yaw pada otomotif. Dimana hasil pengujian simulasi HIL berjalan cukup baik dan bekerja secara real time.

---

Advances in automotive technology has developed very rapidly. One development is the vehicle control system using a microprocessor. This control system is used for security vehicles that can reduce the number of accidents that occur. Security system developed to prevent accidents driving centered yaw stability and side slip of the vehicle. In order to develop such a system required repeated testing to get the results as you wish. The design with Hardware in The Loop (HIL) is an appropriate method for the testing of the system. This test can reduce the time and the amount of the actual vehicle test on the road, lowering development costs and improve the quality of new product development. This research will be conducted HIL simulation that use Model Predictive Control (MPC) with doing Software In The Loop Simulation previuosly to learn and test the stability control system for yaw rate at automotive. The result of the simulation are doing very well and give the real time output."

"Hidrogen merupakan salah satu gas yang memiliki banyak kegunaan. Salah satunya pada industri kimia. Pada pabrik biohidrogen, unit kompresor merupakan salah satu unit yang penting dalam pabrik biohidrogen dari biomassa. Kompresor berfungsi untuk mencapai tekanan tinggi pada kondisi operasi selanjutnya. Multivariable model predictive control (MMPC) digunakan untuk mengendalikan proses pada pabrik. Untuk mendapatkan pengendalian yang optimal, perlu dilakukan penyetelan. Penyetelan akan dilakukan pada Matlab-Simulink yang diintegrasikan dengan Aspen Plus Dynamics. Sistem pengendalian akan dibuat pada Simulink dan simulasi proses akan dilakukan pada Aspen Plus Dynamic. Penyetelan ini dilakukan dungeon metode Genetic Algorithm dungeon metode pencarian seleksi turnamen. Setelah itu, hasil penyetelan akan dijalankan juga dengan unisim design agar kinerja pengendalian dapat dibandingkan dengan penelitian sebelumnya. Model first order plus dead time (FOPDT) digunakan sebagai model prediksi MMPC. Pada penelitian ini, model FOPDT yang digunakan di MMPC pada Matlab harus dihasilkan dengan cara satuan tekanan keluaran kompresor terlebih dahulu diubah menjadi satuan persentase karena MMPC pada Matlab akan menginterpretasikan variabel-variabel perhitungan dalam satuan persen. Parameter time sampling (T), prediction horizon (P), dan control horizon (M) terbaik yang diperoleh dari metode penyetelan seleksi turnamen pada simulasi dengan unisim untuk perubahan set-point (SP) yaitu 1 detik, 18, dan 3. Untuk uji gangguan parameter T, P, dan M yang diperoleh dengan penyetelan fine tuning terbaik yaitu 1 detik, 341, dan 121. Pada simulasi Matlab-Simulink-Aspen Plus Dynamics, parameter T, P, dan M yang terbaik yaitu 0,05 detik, 18, dan 2 untuk perubahan SP dan 0,05 detik, 7, dan 1 untuk perubahan gangguan.

---

Hydrogen is one of the gases that has many uses, including in the chemical industry. In a biohydrogen plant, the compressor unit is one of the important units in the biomass-based biohydrogen plant. The compressor unit works to achieve high pressure for further operational conditions. Multivariable Model Predictive Control (MMPC) is used to control the processes in the plant. To obtain optimal control performance, tuning process is necessary. The tuning process will be conducted in Matlab-Simulink integrated with Aspen Plus Dynamics. The control system will be designed in Simulink, and the process simulation will be executed in Aspen Plus Dynamics. The tuning was done using the Genetic Algorithm with tournament selection search method. Subsequently, the tuning results will also be implemented in Unisim Design to compare the control performance with previous research. The First Order Plus Dead Time (FOPDT) model is applied as the prediction model for MMPC. In this study, the FOPDT model used in MMPC in Matlab must be generated by converting the compressor output pressure unit into a percentage unit due to the MMPC in Matlab will interpret the calculation variables in percent units. For the set-point change, the best time sampling (T), prediction horizon (P), and control horizon (M) parameters that were obtained from the tournament selection tuning method in the simulation with Unisim design are 1 second, 18, and 3. For disturbance testinwere obtainedest parameters are 1 second, 341, and 121 that obtained by fine-tuning method. In the Matlab-Simulink-Aspen Plus Dynamics simulation, the best parameters T, P, and M for set-point changes are 0.05 seconds, 18, and 2, and for disturbance changes are 0.05 seconds, 7, and 1."

"ABSTRAKKendaraan roda empat dapat mengalami perilaku understeer atau oversteer ketika berbelok. Perilaku tersebut menunjukkan ketidakstabilan pada kendaraan yang dapat terjadi ketika kendaraan di laju dengan kecepatan tinggi diatas permukaan jalan dengan koefisien gesek yang rendah. Ketidakstabilan ini dapat menjadi potensi bahaya ketika berkendara.Desain pengendali prediktif bertingkat dengan model gerak kendaraan double track, diajukan dalam skripsi ini untuk mengatasi perilaku understeer dan oversteer. Perancangan pengendali dimulai dari mendapatkan data masukkan dan keluaran pergerakkan kendaraan. Kemudian dengan metode least square bertingkat, didapatkan matrik matrik model identifikasi bertingkat. Model identifikasi tingkat pertama digunakan untuk mendapatkan nilai eror estimasi keluaran, sedangkan model identifikasi tingkat kedua digunakan sebagai model pengendali prediktif bertingkat.Pada akhir penelitian, desain pengendali prediktif bertingkat diuji melalui simulasi untuk melihat kemampuan pengendali yang telah dirancang.

---

ABSTRACTOversteer and understeer could be experienced by each of four wheel vehicle. The behaviours show the instability of the vehicle, and might be happened because of high velocity of the vehicle and low friction coefficient of the road. The instability could be one of the potential risks in driving the vehicle.The design of multistage predictive control with double track vehicle model is proposed in this research to handle understeer and oversteer behaviours. The design started from collecting the related input and output. Then the multistage least square method is used to find the matrix used in multistage identification model. The first stage of identification model is used to get prediction error that happened while estimating the output. The second level of identification model is used as multistage predictive control model.In the end of research, the multistage predictive control is tested through simulation to check the performance of the controller."