Hasil Pencarian  ::  Simpan CSV :: Kembali

"Listrik yang dihasilkan oleh pembangkit listrik tenaga mikrohidro harus mempunyai frekuensi yang selalu berada pada daerah kerja yang diperbolehkan walaupun terjadi perubahan beban. Mekanisme pengontrolannya yaitu menggunakan dc servomotor sebagai penggerak untuk mengatur posisi bukaan gate sehingga aliran air yang masuk dapat disesuaikan dengan beban konsumen. Sistem PLTMH sangat kompleks dan mempunyai kerakteristik non linier maka digunakan pengendali model predictive control (MPC). Dengan menggunakan MPC keluaran sistem dapat diprediksi dalam rentang waktu yang telah ditentukan sehingga respon sistem cepat. MPC juga dapat memprediksi gangguan yang terukur sehingga waktu yang diperlukan sistem dalam mengatasi perubahan beban menjadi lebih cepat. Di samping itu, MPC dapat menyuguhkan nilai lebih berupa kemampuannya dalam memberikan batasan-batasan (constraints) baik untuk sinyal kendali maupun untuk keluaran sistem. Hasil simulasi yang dilakukan dengan menggunakan program bantu MATLABSIMULINK menunjukkan, bahwa keluaran sistem dengan pengendali MPC tanpa constraint selalu dapat mengikuti trayektori acuan yang diberikan, serta mampu mengatasi gangguan dengan cepat. Perbandingan kinerja pengendalian juga dilakukan antara algoritma MPC tanpa constraint dengan PID dan formula Ackermann, dimana algoritma MPC tanpa constraint menunjukkan performa yang lebih baik.

---

Electricity generated by micro hydro power plant must have a frequency that is always in the working area allowed despite load changes. The controller mechanism used dc servomotor as an actuator to adjust the gate opening position, so that the incoming water flow can be adjusted with the consumer load. MHP system is very complex and has non linear characteristics, so that model predictive control (MPC) must be used. By using the MPC, system output can be predicted in the timeframe had been set so the system response will be fast. MPC can also predict the measurable disturbance, so the time needed to cope with changes in system load faster. Moreover, the MPC could deliver more value in the form of its ability in providing constraints for both control signals and system output. The simulation results taken using MATLAB-SIMULINK software show that the system output with MPC unconstraint controller always follow the reference trajectory. Comparing control performance is also taken between the MPC unconstraint algorithm, PID and Ackermann formula, in which the MPC unconstraint algorithm shows the better performance."

"Listrik yang dihasilkan oleh pembangkit listrik tenaga mikrohidro harus mempunyai frekuensi yang selalu berada pada daerah kerja yang diperbolehkan walaupun terjadi perubahan beban. Mekanisme pengontrolannya yaitu menggunakan dc servomotor sebagai penggerak untuk mengatur posisi bukaan gate sehingga aliran air yang masuk dapat disesuaikan dengan beban konsumen. Sistem PLTMH sangat kompleks dan mempunyai kerakteristik non linier maka digunakan pengendali model predictive control (MPC). Dengan menggunakan MPC keluaran sistem dapat diprediksi dalam rentang waktu yang telah ditentukan sehingga respon sistem cepat. MPC juga dapat memprediksi gangguan yang terukur sehingga waktu yang diperlukan sistem dalam mengatasi perubahan beban menjadi lebih cepat. Di samping itu, MPC dapat menyuguhkan nilai lebih berupa kemampuannya dalam memberikan batasan-batasan (constraints) baik untuk sinyal kendali maupun untuk keluaran sistem. Hasil simulasi yang dilakukan dengan menggunakan program bantu MATLABSIMULINK menunjukkan, bahwa keluaran sistem dengan pengendali MPC tanpa constraint selalu dapat mengikuti trayektori acuan yang diberikan, serta mampu mengatasi gangguan dengan cepat. Perbandingan kinerja pengendalian juga dilakukan antara algoritma MPC tanpa constraint dengan PID dan formula Ackermann, dimana algoritma MPC tanpa constraint menunjukkan performa yang lebih baik.

---

Electricity generated by micro hydro power plant must have a frequency that is always in the working area allowed despite load changes. The controller mechanism used dc servomotor as an actuator to adjust the gate opening position, so that the incoming water flow can be adjusted with the consumer load. MHP system is very complex and has non linear characteristics, so that model predictive control (MPC) must be used. By using the MPC, system output can be predicted in the timeframe had been set so the system response will be fast. MPC can also predict the measurable disturbance, so the time needed to cope with changes in system load faster. Moreover, the MPC could deliver more value in the form of its ability in providing constraints for both control signals and system output. The simulation results taken using MATLAB-SIMULINK software show that the system output with MPC unconstraint controller always follow the reference trajectory. Comparing control performance is also taken between the MPC unconstraint algorithm, PID and Ackermann formula, in which the MPC unconstraint algorithm shows the better performance."

"Moda transportasi kereta merupakan transportasi umum yang cukup diminati penduduk Indonesia. Namun, Moda transportasi ini masih sedikit menggunakan energi yang bersih. Kereta Api jarak jauh Indonesia masih menggunakan diesel. Bahan bakar diesel tentunya merupakan energi konvensional yang penggunaannya ingin dikurangi oleh dunia. Salah satu solusinya adalah dengan mengurangi pengurangan diesel pada kereta api jarak jauh. Untuk mengurangi penggunaan bahan bakar dan mengurangi emisi dari mesin, maka kereta api bisa dibuat secara hibrid dengan menggabungkan mesin diesel dengan sumber energi listrik, seperti baterai. Kereta hibrid memerlukan EMS (Energy Management System) untuk mengatur energi apa yang dipakai dengan cara yang optimal. Salah satu basis dari EMS ini adalah MPC (Model Predictive Control). Salah satu hal yang menjadi pertimbangan dari Model Predictive Control adalah prediktor nya. Dengan perkembangan Deep Learning, Long Short Term Memory Neural Network (LSTM) dikenal baik untuk memodelkan data sequence. LSTM bisa membuat model prediksi kecepatan dengan data yang telah dikumpulkan. Dengan prediksi daya yang akurat, Model Predictive Control bisa menghasilkan kontrol EMS yang lebih ekonomis dengan biaya komputasi yang bisa diimplementasikan.

---

The train mode of transportation is public transportation that is quite attractive to the Indonesian population. However, this mode of transportation still uses little clean energy. Indonesian long-distance trains still use diesel. Diesel fuel is of course a conventional energy whose use the world wants to reduce. One solution is to reduce diesel reduction on long-distance trains. To reduce fuel use and reduce emissions from the engine, a hybrid train can be made by combining a diesel engine with a source of electrical energy, such as a battery. Hybrid trains require an EMS (Energy Management System) to regulate what energy is used in an optimal way. One of the bases of this EMS is MPC (Model Predictive Control). One of the things to consider in the Predictive Control Model is its predictors. With the development of Deep Learning, Long Short Term Memory Network (LSTM) is well known for modeling data sequences. LSTM can create a speed prediction model with the data that has been collected. With accurate power predictions, the Predictive Control Model can produce EMS control that is more economical with computational costs that can be implemented."

"ABSTRAKFormaldehida merupakan senyawa kimia yang populer dengan banyak kegunaan, dengan jumlah kebutuhan yang cenderung terus bertambah. PT X merupakan salah satu produsen formaldehida yang masih memiliki permasalahan terkait kapasitas produksinya. PT X masih menggunakan pengendali Proportional-Integral (PI) yang masih mempunyai ruang untuk peningkatan produksinya. Model Predictive Control (MPC) digunakan untuk mengoptimalisasikan parameter pengendalian proses produksi formaldehida di PT X. Model empiris dibuat untuk diterapkan pada pengendali MPC berdasarkan Process Reaction Curve (PRC) dengan menggunakan pendekatan First Order Plus Dead Time (FOPDT). Kinerja pengendali diuji menggunakan set point (SP) tracking dan disturbance rejection. Ada empat pengendali yang diuji, yaitu pengendali laju alir steam (FIC-102), pengendali temperatur udara (TIC-101), pengendali level evaporator (LIC-101), dan pengendali tekanan evaporator (PIC-101). Didapatkan hasil model empirik FOPDT untuk masing-masing pengendali, dengan nilai parameter pengendalian Prediction Horizon (P), Control Horizon (M), dan Sampling Time (T) yang optimal secara berurutan: (1, 2, dan 1) pada FIC-102, (62, 21, dan 1) pada TIC-101, (50, 10, dan 6) pada PIC-101, dan (70, 21, dan13) untuk LIC-101. Terjadi perbaikan kinerja berdasarkan uji perubahan nilai set point baik dihitung melalui IAE maupun ISE sebesar 26,9% dan 8,03% untuk FIC-102, 15,37% dan 32,51% untuk TIC-101, 13,37% dan 25,9% pada PIC-101, serta 23,35% dan 6,71% pada LIC-101. Pada uji disturbance rejection juga terjadi perbaikan kinerja baik dihitung melalui IAE maupun ISE sebesar 96,4% dam 99.74% untuk FIC-102, 13,37% dan 25,9% untuk TIC-101, 54,25% dan 76,67% pada PIC-101, serta 15,96% dan 4,4% pada LIC-101.

---

ABSTRACT

Formaldehyde is a chemical compound known for its many uses, with the increase of its demand. PT X is one of the producers of formaldehyde that has problems related to its production capacity. PT X right now still uses Proportional-Integral (PI) that still have rooms of improvements. Model Predictive Control (MPC) is used to optimize the process control parameters of formaldehyde production in PT X. The empirical model is made for the MPC based on the Process Reaction Curve (PRC) using First Order Plus Dead Time (FOPDT). The control performance is tested using set point (SP) tracking and disturbance rejection. There are four controls that were tested, which are steam flow control (FIC-102), air temperature control (TIC-101), evaporator level control (LIC-101), and evaporator pressure control (PIC-101). Thus, the results of the empirical FOPDT model for each control is obtained, with the value of Prediction Horizon (P), Control Horizon (M), and Sampling Time (T) parameters are optimal and its value respectively are: (1, 2, and 1) for FIC-102 , (62, 21, and 1) for TIC-101, (50, 10, and 6) for PIC-101, and (70, 21, and 13) for LIC-101. The performance improvement based on the set point change test calculated through the IAE and ISE are 26.9% and 8.03% for FIC-102, 15.37% and 32.51% for TIC-101, 13.37% and 25, 9% for PIC-101, and 23.35% and 6.71% for LIC-101. Based on the disturbance rejection test it is also improvements on the performance both calculated through the IAE and ISE of 96.4% and 99.74% for FIC-102, 13.37% and 25.9% for TIC-101, 54.25% and 76.67% for PIC-101, and 15,96% and 4.4% on the LIC-101."

"Model sistem tata udara presisi dimodelkan sebagai sebuah sistem multivariable dengan dua output yaitu temperature dan kelembaban dan dua input yaitu kecepatan putaran motor dan bukaan valve. Pada model ini ada masalah coupling diantara input dan outputnya. Model Predictive Control (MPC) adalah salah satu cara untuk mengatasi masalah coupling dalam sistem multivariable. Pengendali MPC dirancang tanpa constraints untuk menentukan agoritma yang handal.

Dari hasil simulasi nampak bahwa parameter-parameter pengendali yang terbaik adalah horizon Hp=10, Hu=4, matrik pembobotan R=0.1, dan Q=3. Dengan parameter ini respon keluarannya mengikuti sinyal set point.

---

Precision Air Conditioning model is defined as a multivariable system with two outputs Temperature and humidity and two inputs, the speed of motor compressor and valve opening. There will be a coupling problem between inputs and outputs. Model Predictive control (MPC) is a way to counter a coupling problems in multivariable system. MPC controller is designed without constraints addition to determine the reliable algorithm.

From the simulation result, it can be seen that the best parameters controller are horizon Hp=10, Hu=4, weighting matrix R=0.1 and Q=3. In this parameter, the output response equal to the trajectory or set point signal."

"Sistem kendali pressurizer merupakan hal penting dalam operasional dan keselamatan PLTN type PWR. Pengendalian dilakukan agar tekanan didalam pressurizer tetap konstan dan heater selalu terendam dalam air. Dilakukan desain kendali pressurizer dengan menggunakan LQR( Linear Quadratic Regulator ) dan Explicit-MPC (Model Predictive Control) sebagai alternative kendali pressurizer, yang selama ini menggunakan PI (Proporsional Integral). Kendali Explicit-MPC berbentuk lookup tabel yang diperoleh menggunakan optimasi multiparametric programming dengan memperhatikan semua batasan input, output dan state. Hasil simulasi kendali LQR menunjukkan tekanan pressurizer dapat mengikuti setpoint saat naik dan tidak bisa mengikuti setpoint saat tekanan turun karena adanya batas saturasi dari sinyal kendali spray 0-36 kg/s dan heater 0-1600 kW. Simulasi Explicit?MPC menunjukkan kendali ini dapat digunakan untuk menaikkan dan menurunkan tekanan mengikuti perubahan setpoint walaupun ada batasan saturasi sinyal kendali. Tidak terjadi overshoot saat tekanan naik mengikuti perubahan setpoint 154-156 bar. Explicit-MPC juga dapat digunakan untuk menjaga tekanan tetap konstan dari gangguan surge dengan errror steady state sebesar 0.021%.

---

The pressurizer control system is an important thing in operation and safety of PWR nuclear power plants It is designed in order to keep pressure of pressurizer constant and heater always submerged in water.LQR (Linear Quadratic Regulator) and Explicit-MPC (Model Predictive Control) have been used as control methods instead of PI (Proportional Integral ) control. Explicit-MPC is realized using lookup table that is obtained from multiparametric programming by taking into account all constraints of input, output and state.

Simulation results show that LQR control of pressurizer can follow setpoint while ascending and can't follow while setpoint pressure down because of the saturation of control signals spray 0-36 kg/s and heater 0-1600 kW. Explicit-MPC has resulted no overshoot response and followed setpoint change setpoint 154-156 bar. Explicit-MPC could be used to maintain pressure during surge disturbance with steady state error 0.021 %."

"Kebutuhan energi di dunia semakin meningkat. Hal ini mendorong terbentuknya penelitian berbasisi Energi Baru dan Terbarukan (EBT) salah seperti biomassa dan salah satunya adalah biohidrogen. Unit penting dalam proses pembuatan biohidrogen adalah gasifier dan char combustor. Gasifier adalah unit reaksi pembentukan biohidrogen. Untuk mengoptimasi kinerja unit proses awal pabrik bioidrogen dari biomassa ini maka akan dipasangkan sistem pengendalian dengan metode MPC. Pengendali MPC bergantung pada model empirik FOPDT yang diperoleh dengan melakukan identifikasi sistem.Pemodelan empirik melalui PRC menghasilkan pengendali MPC yang tidak lebih baik dari pengendali PI. Setelah dilakukan MPC tuning dan reidentifikasi, kinerja MPC menjadi lebih baik dibandingkan PI. Hal tersebut ditunjukkan dengan nilai IAE yang kecil. Untuk IAE pada pengendalia suhu gasifier nilaie IAE nya 184,47 dengan kenaikan performa pengendalia 100% disbanding PI, untuk char combustor IAEnya sebesar 61,12 dengan kenaikan performa pengendali sebesar 78,9% dan pada unit cooler IAEnya menjadi 12,76 dengan kenaikan kinerja pengendali 81,11%. Hal tersebut menjadikan kinerja pengendali meningkat 70% hingga 80% dan ketigaya dapat bekerja dengan baik pada proses menyeluruh.

---

Need of energy source increasing each year. It lead researcher to find another source of newable and renewabale energy such biomass energy based as an example biohydrogen. The important proses unit in biohydrogen plant is gasifier and char combustor. Gasifer is reactor that produce biohydrogen from biomethane. To optimize plant performance, plant will utilize with proses control equipment with MPC method. MPC controller depend on empirical model from system identification.

Result of empirical modeling with PRC method is MPC model that has not better performance than PI method controller. But, after MPC tuning and reidentification of empirical model, the MPC controller have better performance than PI method. It proven by smaller IAE number. In gasifier IAe humber is 184.47%, it has 100% increases of performances char combustor temperature control the IAE number is 61,12%, it performance is increase in 78%. IAE number in cooler is 12,67 it performance is increase 81,18% . It make proses control performance increase for 70% up to 80%. Proses Control work very well in overall process."

"Seiring berkembangnnya teknologi, energi listrik menjadi semakin penting. Setiap aspek yang menggerakan dunia pada era ini bergantung dengan adanya energi ini. Namun salah satu sumber terbesar dari energi ini menghasilkan gas rumah kaca yang memicu pemanasan global. Oleh karena itu, muncul banyak dorongan untuk meminimalisasi kegunaan bahan bakar tak terbarukan yang salah satunya adalah bahan bakar disel. Bahan bakar ini sangat penting untuk menggerakan transportasi. Maka dari itu diperlukannya perkembangan dalam kendaraan hibrid, dimana kegunaan mesin diesel dapat diturunkan dan secara langsung menurunkan emisi gas rumah kaca. Dalam ranah itu, Model Predictive Control mulai dikembangkan untuk mengendalikan distribusi daya pada kendaraan hibrid. Dengan mengoptimasi kegunaan mesin diesel maka konsumsi dari bahan bakar juga semakin minim. Dengan perkembangan strategi ini, sebuah long shrinking horizon diakomodasikan pada strategi MPC biasa dengan sampling time yang lebih panjang. Penambahan ini menghasilkan sebuah pengendali MPC yang dapat melakukan optimasi terhadap keseluruhan perjalanan dan mendapatkan hasil yang lebih efisien dengan dengan mengorbankan waktu komputas. Setelah melakukan simulasi, MH-MPC dapat menggunakan baterai untuk 44.13% perjalanan sedangakan MPC biasa hanya dapat mengguanakan 33.53%

---

With the development of technology, the need of electricity has been even more evident. Every aspect that governs the world revolves around this energy. However, one of the biggest sources of energy is also one of the biggest contributors to the emission of green house gasses. With that in mind, there has been a major push in the effort of minimizing the usage of these sources, one of them being diesel. This fuel is very important especially in the realms of transportation. With that being the case, the need of hybrid vehicles is becoming more relevant in which, the usage of the diesel engine will be reduced as will the emission of green house gasses. In this realm, the usage of Model predictive controllers has been heavily researched as a Energy Management System. One of the outcomes of this research is an additional shrinking horizon to add on the conventional MPCs. This addition creates a Model Predictive Controller that can essentially optimize the condition for the entire trip in exchange for computational effort. After the simulations, the MHMPC is able to use the battery for 44.13% of the trip while the conventional MPC is only able to achieve 33.53%."

"Perawatan dengan injeksi insulin secara kontinu setiap harinya diperlukan bagi penderita Diabetes Mellitus tipe I yang telah kronis, di mana pankreas sama sekali tidak menghasilkan insulin, untuk mengontrol kadar gula darahnya. Model minimal Bergman terdiri dari tiga persamaan diferensial yang memodelkan dengan cukup akurat penderita DM tipe I sesederhana mungkin.Simulai model ini dilakukan dengan memberikan sinyal masukan laju insulin dengan batasan antara 0 sampai 100 mU/min dan gangguan glukosa makanan dimodelkan sebagai fungsi eksponensial 1,157 exp(-0,05.t) mmol/L.min yang dimulai pada menit ke-100, dengan batasan perubahan laju insulin eksternal yang merupakan sinyal kendali sistem sebesar ± 16,667 mU/min. Sinyal masukan insulin diberikan untuk mengurangi kadar gula darah, tetapi tetap menjaga agar tidak terjadi hypoglycemia (< 3,33 mmol/L).Perancangan pengendali MPC (Model Predictive Control) dengan constraints yang berbasiskan metode aktif set menggunakan persamaan ruang keadaan linier, dan analisa simulasi dilakukan dengan mengubah parameter-parameter pengendali berupa control horizon, prediction horizon, batas maksimal dan batas minimal sinyal kendali serta matriks bobot R dan Q.

---

Diabetes Mellitus refers to condition in which the pancreas produces no effective insulin. Treatment consist of daily injection or continuous infusions of insulin to maintain blood glucose levels between critical values (3,33 ? 6,67 mmol/L). The Bergman minimal model consist of three differential equations as powerful modeling to describe the dynamics of type 1 diabetic system as simply as possible.This simulation model is done by giving inputs are the manipulated insulin infusion rate with range between 0 and 100 mU/min, and the meal glucose disturbance described as exponential function (1,157 exp(-0,05.t) mmol/L.min) and simulated at minute 100. The manipulated insulin infusion rate is given for prevention of long-term complications due to hyperglycemia and hypoglycemia (<3,33 mmol/L).MPC (Model Predictive Control) with constraints is designed based on active set method using linier state space equation and analyze the simulation by altering controller parameters are control horizon (Hu), prediction horizon (Hp), maximum and minimum of control signal (Umaks and Umin), and also weight matrix of R and Q."

"Dalam thesis ini dirancang sebuah algoritma pengendali Model Predictive Control (MPC) Constrained dan diimplementasikan pada sistem Proton Exchange Membrane Fuel Cell. Model yang digunakan adalah model linier yang didapatkan dari Identifikasi sistem dengan metode Least Square. Constraint di berikan pada perubahan masing-masing sinyal kendali serta perbandingan antara sinyal kendali pertama dan kedua.Dari hasil simulasi terlihat bahwa pengendali MPC menghasilkan respon keluaran yang mengikuti sinyal acuan yang diberikan, serta mampu mengatasi gangguan yang berupa perubahan beban yang terjadi pada sistem PEMFC. Dengan pemberian constraint pada pengendali MPC, sinyal kendali yang dihasilkan dapat dibatasi sesuai dengan karakteristik fisik dari sistem PEMFC.

---

This theses presents a Constrained Model Predictive Control design . The controller is implemented in the Proton Exchange Membrane Fuel Cell. The MPC algorithm based on the Linear model generated from identification system using Least Square Method. The controller consist of control signal constraints including the comparison of eachcontrol signal amplitude.The simulation result show that the MPC resulting a very good transient behaviour, the output from PEMFC can follow the trajectory and did not effected by load change disturbances. With some constraint additional in MPC, the control signals can be bounded refer to the real characteristic of PEMFC."