Hasil Pencarian  ::  Simpan CSV :: Kembali

"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 Model Predictive Control (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. Skripsi ini bertujuan untuk merancang jenis pengendali Model PredictiveControl (MPC) yang akan diterapkan pada sebuah sistem nyata Level/Flow and Temperature Process Rig 38-003 dengan metode Quadratic Programming. Dalam merancang pengendali MPC untuk Level/Flow and Temperature Process Rig 38-003 ini, penulis menggunakan model yang berbentuk ruang keadaan yang didapat dengan menggunakan metode Kuadrat Terkecil berdasarkan pada data masukan dan data variabel keadaan alat. Masukan sistem adalah tegangan untuk mengatur kondisi servo valve dan keluran yang akan dikendalikan adalah temperatur air hasil keluaran Heat Exchanger sebelum masuk ke sistem Radiator Cooler. Dari uji eksperimen terbukti bahwa metode pengendali MPC dengan constraints memberikan hasil yang lebih baik dibandingkan dengan metode pengendali Ruang Keadaan. Hal tersebut dapat dilihat dari tanggapan sistem hasil pengendalian MPC dengan constraints yang lebih halus dibandingkan dengan tanggapan sistem hasil pengendalian dengan metode pengendali Ruang Keadaan. Perubahan sinyal kendali pengendali MPC dengan constraints juga jauh lebih halus dibandingkan dengan perubahan sinyal kendali pengendali Ruang Keadaan. Kondisi ini akan meningkatkan ketahanan fisik sistem selama uji eksperimen.

---

In conventional control system, some constraints such as amplitude and control signal?s slew rate are not included in the controlling process. So, the result of the control process is not good enough especially if the control signal is forcibly cut before entering the plant. In order to overcome this problem, a Model Predictive Controller is designed. In this MPC control scheme, the few next steps of process output are going to be predicted and some constraints will be ignored so the system output will become precise. In other hand, the occurrence of constraints will improve system?s performance into an optimum condition.

The final purpose of this thesis is to design a Model Predictive Controller (MPC) using Quadratic Programming method which will be applied on a real time system of Level/Flow and Temperature Process Rig 38-003. In designing MPC controller for Level/Flow and Temperature Process Rig 38-003, the writer uses system?s model on state space form which is obtained by using Least Square method in the basis of input and state variables data of the plant. Input for the plant is voltage which will be used to control the position of servo valve whereas the controlled output is water temperature on the pipe that connects Heat Exchanger's output line and Radiator Cooler's input line.

Experiments conducted prove that MPC with constraints controlling scheme will give a better results than State Controller controlling scheme. Generally, it can be seen that system response to MPC controller is much smoother than system response to State Controller. MPC controller also has smoother control signal variance compared to State Controller control signal variance. This condition will actually raise the system's physical reliability during the experiment."

"Tugas akhir ini dilakukan sebagai penelitian untuk menganalisa proses pengenalan iris mata manusia dengan teknik pengolahan citra menggunakan metode adaptive neuro-fuzzy inference system (ANFIS). Hal ini didasarkan pada teori bahwa setiap iris mata manusia mempunyai bagian-bagian yang unik dan berbeda antara iris yang satu dengan yang lain. Data iris yang digunakan dalam penulisan tugas akhir ini diambil dari http://pesona.mmu.edu.my/~ccteo/. Data yang didapat sudah dalam grayscale dengan demikian dari data tersebut sudah dapat diolah dengan pengolahan selanjutnya dengan menentukan region of interest, mengubah koordinat citra dari koordinat kartesian menjadi koordinat polar, mengekstrak citra menjadi 3 bagian dan membuat blok-blok dari matriks tersebut, kemudian mengkodekan dengan filter wavelet. Dari hasil pengkodean ini didapat tiga buah parameter yaitu matriks diagonal, matriks vertikal, dan matriks horisontal. Dari ketiga parameter ini diambil nilai rata-ratanya dan hasilnya digunakan untuk pembentukan database yang kemudian digunakan untuk proses pelatihan, pengujian, dan pengecekan pada adaptive neuro-fuzzy inference system dengan menggunakan fungsi keanggotaan gaussian dan metode subtractive clustering. Hasil yang diadapat dari metode ini untuk citra mata yang telah dilatih sebesar 90% sedangkan untuk data uji atau citra yang tidak dilatih sebesar 25%.

---

This paper was made for studying identification proccess of human iris with image processing using adaptive neuro-fuzzy inference system (ANFIS) methode. The study based on the theory that every human iris have unique parts. Data that used in this paper taken from http://pesona.mmu.edu.my/~ccteo/. Data format in grayscale level therefore this data could be proccess with the further processing decisively region of interest, transform from rectangular coordinate to polar coordinate, extracted the image to 3 parts and made blocs from this matrix, afterwards encode the matrix using wavelet filter. From the results of this coding was gotten three parameters that is the diagonal matrix, the vertical matrix, and the horizontal matrix. From the three parameters was taken average value and results was used for database formation, afterwards was used for training process, testing, and checking in adaptive neuro-fuzzy inference system used the function of the gaussian membership and subtractive clustering methode. The result for his method 90% for image that was trained and 25% for test data or image that was not trained."

"Pengendali adaptif pada Pressure Process Rig Feedback 38-714 dengan mekanisme adaptasi, yaitu faktor pelupa lebih kecil dari 1, menunjukkan performa yang baik jika set-point yang diberikan cukup tereksitasi. Pada sistem dengan setpoint kurang tereksitasi, pengendalian adaptif dengan mekanisme adaptasi menghasilkan fenomena Bursting, yaitu fenomena di mana sistem tidak terkontrol akibat gagalnya kerja estimator. Untuk mengatasi hal tersebut dirancanglah suatu algoritma supervisi. Algoritma supervisi ini berfungsi untuk menata kinerja estimator dan sintesa pengendali dan untuk memastikan lup pegnendalian selalu stabil. Pada skripsi ini, algoritma supervisi memantau besaran sinyal rata-rata dan variansi kesalahan prediksi, autokorelasi sinyal kendali, variansi parameter model, dan letak kutub parameter model terestimasi. Besaran - besaran ini dihitung secara rekursif (setiap pencuplikan) dari besaran ? besaran yang dihasilkan oleh pengendali adaptif. Algoritma supervisi ini diaplikasikan pada pengendalian adaptif Pressure Process Rig (Feedback 38-714). Dari uji eksperimen terbukti bahwa pengendalian adaptif dengan supervise memberikan hasil pengendalian yang lebih baik dibandingkan dengan pengendalian adaptif tanpa supervisi.Hal tersebut dapat terlihat dari tidak adanya fenomena bursting yang terjadi pada pengendali adaptif dengan supervisi yang mempunyai mekanisme adaptasi dan set-point kurang tereksitasi.

---

Adaptive controlling on Pressure Process Rig Feedback 38-714 with adaptation mechanism, that has forgetting factor less than 1, shows good performance if the set-point given excite enough. In the system with less excitation, adaptive control with adaptation mechanism results Bursting phenomenon, that is phenomenon where system can?t be controlled anymore because of the estimator failure. Supervision algorithm is designed to cope with that problem. This supervision algorithm rule is organizing estimator?s work and controller design to make sure that control closed-loop always stable.

In this bachelor thesis, supervision algorithm monitors some parameters, there are mean and variance of prediction error signal, autocorrelation of control signal, variance of model parameter, and place of estimated model poles. These parameters are recursive calculated (every sample time) from adaptive control parameter yielded. This supervision algorithm is implemented on Pressure Process Rig (Feedback 38-714) with adaptive control.

From experiment test, it is proved that adaptive control with supervision gives better control result than adaptive control without supervision. It can be seen from no Bursting phenomenon that happened in adaptive control with supervision level that has adaptation mechanism and less excitation set-point."

"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."

"Sistem tata udara presisi merupakan sistem multivariabel yang mempunyai beberapa masukan dan keluaran (MIMO). Hal ini menyebabkan mencari model fisik dari sistem ini menjadi relatif sulit. Sehingga diperlukan identifikasi sistem yang bersifat black box. Selain itu, dibutuhkan identifikasi model yang bersifat adaptif, sehingga model yang didapat lebih baik dalam merepresentasikan sistem tata udara presisi. Identifikasi model ruang keadaan multivariabel pada sistem tata udara presisi dilakukan dengan menggunakan metode 4SID. Sistem tata udara presisi direpresentasikan dalam model linear dan sistem tidak linear. Model linear didapat dari model ruang keadaan, sedangkan sistem tidak linear didapat dari persamaan matematis sistem tersebut. Metode 4SID yang digunakan adalah MOESP rekursif dan PO-MOESP rekursif. Setelah didapat model ruang keadaan menggunakan kedua metode tersebut, selanjutnya dilakukan tes validasi dari model ruang keadaan yang didapat. Parameter yang digunakan untuk mengetahui tingkat validasi identifikasi adalah menggunakan nilai kesalahan (Jee). Selain itu, pada penelitian ini juga dituliskan hasil identifikasi model ruang keadaan menggunakan metode linearisasi dan N4SID offline. Hasil identifikasi secara offline yang terbaik dari model linear yang dilakukan adalah menggunakan metode N4SID. Untuk identifikasi secara rekursif, metode MOESP rekursif dan PO-MOESP rekursif pada penelitian ini belum dapat merepresentasikan sistem tidak linear. Metode-metode identifikasi rekursif ini relatif baik dalam mengidentifikasi model tidak linear dari sistem tata udara presisi berdasarkan nilai kesalahan (Jee). Pada penelitian ini, MOESP rekursif untuk identifikasi model linear menghasilkan model yang lebih baik disbanding PO-MOESP rekursif berdasarkan nilai kesalahan (Jee) juga.

---

Precision Air Conditioning System is a multivariable system with multi input and multi output (MIMO). It makes difficult to find out physical model of this system. Therefore, it is necessary to identify system using black box model. Besides, it is also necessary to identify model adaptively, so that it could represent the system better.

Identification of multivariable state space model in precision air conditioning system uses 4SID method. PAC system is represented by linear model and nonlinear system. Linear model of PAC is formed by state space model, and nonlinear system is formed by mathematical modeling of such system. 4SID methods that used are recursive MOESP and recursive PO-MOESP. After state space model is formed, the state space model is validated. Parameter that used for this validation is lost function (Jee). In this research, there are also identifications of state space model using linearization method and offline N4SID method.

The best result of offline identification of linear model in this research is N4SID method. In recursive identification, recursive MOESP and recursive PO-MOESP could not represent nonlinear system well. These recursive algorithms could represent linear model well based on criterion of lost function (Jee). In this research, the result of recursive MOESP identification is better than recursive PO-MOESP based on criterion of lost function (Jee) also."

"Pengendali PID merupakan pengendali yang sudah teruji dan banyak diterapkan pada proses pengendalian suatu sistem, salah satunya penerapannya yaitu autopilot pada kendali pesawat. Pengendali ini memiliki keterbatasan saat sistem yang dikendalikan memiliki parameter yang berubah-ubah dan adanya gangguan dari lingkungan luar sistem. Biasanya diperlukan waktu yang lama dalam melakukan penalaan parameter pengendali PID jika proses penalaan itu dilakukan secara manual (trial and error). Untuk itu dikembangkanlah berbagai macam metode pengendali adaptif yang diharapkan dapat mengatasi permasalahan tersebut. Salah satu metode pengendali adaptif adalah Generic Model Reference Adaptive Control (GMRAC). Pembahasan dalam skripsi ini meliputi prinsip dasar metode GMRAC dan penerapannya untuk mengendalikan sudut pitch pesawat. Metode GMRAC menggunakan algoritma genetika untuk melakukan penalaan terhadap parameter-parameter pengendali PID terhadap suatu model dinamika gerak pesawat dalam setiap interval waktu update. Keunggulan algoritma genetika terletak pada fleksibilitasnya, dimana metode pencarian solusinya berdasarkan pada mekanisme seleksi alam. Hasil uji coba simulasi pengendalian sudut pitch pesawat dengan GMRAC dilakukan dengan menggunakan software MATLAB 5.3 dengan fasilitas simulink versi 3. Simulasi dilakukan pada empat kondisi terbang dengan cariasi kecepatan dan ketinggian pesawat yang bertipe Charlie, yaitu pesawat penumpang berukuran besar dengan empat mesin jet. Selain itu juga disimulasikan adanya gangguan dari lingkunan luar sistem seperti angin. Dari simulasi yang dilakukan terlihar bahwa meskipun terjadi perubahan parameter kondisi terbang atau gangguan, pengendalian GMRAC dapat membuat respon sistem menyerupai respon meodel referensi."

"Untuk mendesain pengendali adaptif pada sistem nonlinier, dibutuhkan estimator dan sintesa pengendali agar parameter pengendali terus diperbaharui jika terjadi perubahan parameter model sistem. Pada skripsi ini, estimator yang digunakan untuk mengestimasi parameter model adalah recursive least square dengan faktor pelupaan, sedangkan sintesa pengendali yang digunakan adalah Generalized Predictive Conlrol (GPC).Perancangan pengendali dengan algoritma GPC berdasarkan pada model sistem yang linier. Oleh karena itu, untuk menerapkan algoritma GPC pada perancangan pengendali adaptif untuk sistem nonlinier, harus dilakukan estimasi parameter model sistem dengan algoritma recursive leasl square sehingga diperoleh model sistem yang linier. Model sistem yang diperoleh akan digunakan sebagai dasar untuk merancang pengendali yang diinginkan dengan menggunakan GPC.Kemampuan adaptasi metode pengendali GPC tergantung pada nilai horizon N dan vektor bobot yang digunakan dalam sintesa pengendali. Dari hasil ujicoba simulasi diperoleh bahwa semakin besar nilai N semakin baik respon sistem namun ada batasan nilai N dimana peningkatan nilai N tidak menunjukkan peningkatan unjuk keija sistem yang signifikan. Sedangkan untuk nilai ZSK, semakin kecil nilainya maka respon sistem akan mengalami osilasi sebelum menuju nilai tunaknya, dan semakin besar nilainya maka respon sistem akan semakin lambat menuju nilai tunaknya. Dengan penggunaan nilai A' dan AGPC yang tepat, diperoleh respon sistem yang baik jika sistem mengalami pembahan set point yang besar dan perubahan set point yang terjadi dalam waktu lebih besar daripada waktu yang dibutuhkan sistem untuk mencapai keadaan tunak. Dengan hasil tersebut dapat disimpulkan bahwa metode pengendali GPC memiliki kemampuan adaptasi yang baik dalam pengendalian sistem nonlinier."

"Sistem tiga tangki merupakan salah satu aplikasi industri kimia yang termasuk dalam sistem hidrolik. Adapun yang dikendalikan dalam sistem tiga tangki adalah ketinggian cairan dalam tangki dan kecepatan aliran dalam pipa. Pendekatan yang dilakukan dalam memodelkan sistem tiga tangki secara matematis adalah dengan mengasumsikan cairan yang digunakan adalah air. Dalam skripsi ini dibahas upaya pengendalian ketinggian cairan tangki ketiga sistem tiga tangki dengan cara mengatur debit air. Salah satu metode pengendali yang mampu mengatasi masalah ini adalah sistem kendali prediktif dan dua di antaranya adalah Generalized Predictive Control dan Generalized Pole Placement yang merupakan pengendali prediktif yang dikenal mempunyai unjuk kerja yang baik.Metode pengendali GPP tergantung pada parameter pengendali horizon N, faktor pembobot. Semakin besar nilai N maka overshoot keluaran sistem semakin kecil tetapi akan membuat sistem lebih lambat dalam mencapai keadaan tunak.Perubahan nilai AGPP tidak terlalu berpengaruh pada keluaran sistem. Namun demikian dapat memperkecil nilai awal sinyal kendali sehingga mengurangi besarnya overshoot.Kemampuan adaptasi metode pengendali GPC tergantung pada nilai horizon N dan faktor pembobot AGPC yang digunakan dalam sintesa kendali. Dari hasil uji coba simulasi yang diperoleh bahwa semakin besar nilai N semakin baik tanggapan sistem, namun ada batasan nilai N dimana peningkatan nilai N tidak menunjukkan peningkatan unjuk kerja sistem yang signifikan. Sedangkan untuk nilai AGPC, semakin kecil nilainya maka tanggapan sistem akan mengalami osilasi sebelum menuju nilai tunak. Dan semakin besar nilainya maka tanggapan sistem akan semakin lambat menuju nilai tunaknya.Setelah dilakukan simulasi menggunakan kedua pengendali di atas terlihat bahwa untuk sistem yang tidak memiliki derau putih, pengendali GPP memiliki unjuk kerja yang baik karena memiliki tanggapan waktu yang cepat dan hampir tidak ada overshoot, sedangkan pada GPC untuk memperoleh tanggapan waktu yang cepat maka harus ada overshoot. Tetapi untuk sistem yang memiliki derau putih lebih baik digunakan pengendali GPC yang terlihat tetap mampu mengikuti nilai acuan, sedangkan GPP menghasilkan sinyal kendali yang sangat besar ketika ada derau, sehingga kurang mampu untuk mengikuti nilai acuan."