Hasil Pencarian  ::  Simpan CSV :: Kembali

"Perancangan pengendali untuk sistem nonlinear merupakan suatu persoalan yang cukup rumit. Untuk merealisasikan hal tersebut, dibutuhkan model yang memiliki karakteristik sama seperti proses, yang pada umumnya bersifat nonlinear. Dengan adanya model tersebut, dapat dirancang suatu skema pengendalian Internal Model Control (IMC) yang dapat mengendalikan proses yang bersifat nonlinear. Pada skripsi ini, sebuah model Hammerstein yang terdiri dari blok nonlinear Neural Network dan blok linear dengan struktur ARX dirancang untuk meniru karakteristik proses nonlinear yang dimiliki oleh sistem tiga tangki terhubung. Model tersebut diperoleh dengan mengidentifikasi proses melalui pasangan data masukan keluaran sistem lingkar terbuka. Dengan metode yang sama, invers model tersebut juga dirancang untuk menyusun sebuah skema pengendalian IMC. Selain itu, dirancang juga sebuah blok tambahan Radial Basis Function Network (RBFN) untuk meningkatkan performa dari sistem. Kinerja pengendali yang dihasilkan kemudian dibandingkan dengan skema pengendalian PID dan di uji kemampuannya dalam mengatasi terjadinya gangguan berupa kebocoran pada sistem.

---

The design of a controller for nonlinear systems is a one complex problem. In order to realize that, it is necessary to obtain a model with the same characteristics with the process, which is in general nonlinear. Using that model, a control scheme of Internal Model Control (IMC) can be designed, which is able to control nonlinear processes. In this final project, a Hammerstein model which is consist of a nonlinear block of neural network and a linear block of ARX structure is designed to have the same characteristic with nonlinear process of a three coupled tank system. The model is obtained by identifying the process using the input-output data pair of the open loop system. Using the same method, an inverse of the model also design in order to create IMC control scheme. That aside, an additional block of a Radial Basis Function Network (RBFN) also designed to improve the performance of the system. Moreover, the performance of the controller is compared with PID control scheme and its ability to overcome disturbance, system leak, is also tested."

"Dalam Skripsi ini sebuah pengendali Fuzzy Takagi-Sugeno dirancang untuk mengendalikan sistem tangki terhubung dalam skema Internal Model Control (IMC). Sebuah model NARX (Nonlinear AutoRegressive eXogeneous) digunakan dalam skema IMC untuk meniru karakteristik sistem tangki terhubung dan diidentifikasi berdasarkan data masukan-keluaran sistem. Identifikasi yang dilakukan terhadap coupled tank apparatus PP-100 adalah dengan metode fuzzy clustering Gustafson-Kessel dan Least Square untuk mendapatkan model fuzzy Takagi-Sugeno. Perancangan pengendali invers dari model fuzzy Takagi-Sugeno digunakan invers affine secara langsung. Hasil pengendalian yang diperoleh menunjukkan kinerja yang sangat baik dimana proses dapat mengikuti acuan yang diberikan. Juga dilakukan perbandingan kinerja pengendalian untuk model yang diidentifikasi dengan metode Instrumental Variable. Hasil yang diperoleh dengan metode Least Square sama persis dengan metode Instrumental Variable. Skema pengendali IMC juga lebih baik dibandingkan dengan pengendali pole placement, dimana pada pengendati pole placement keluaran dari proses tidak dapat mengikuti acuan yang diberikan."

"Pengendalian level fluida di dalam tabung dan pengendalian aliran fluida antar beberapa tabung merupakan permasalahan dasar dalam industri proses. Masukan aliran fluida ke dalam tabung dan antar tabung haruslah dijaga pada kondisi tertentu sehingga keluaran sistem bisa sesuai dengan yang diinginkan. Berbagai macam pengendali dirancang untuk mengendalikan level fluida ini dengan baik, sehingga error yang dihasilkan pun semakin bisa diminimalisir. Pengendali PID dan MPC merupakan contoh pengendali yang bisa digunakan dalam mengontrol level fluida tersebut.Di dalam seminar tesis ini akan dirancang pengendali PID (Proportional-Integral-Derivative) dan Model Predictive Control (MPC) untuk mengendalikan level fluida di dua tangki terhubung. Sebelum pengendali PID dan MPC ini dirancang, model non-linier terlebih dahulu dibentuk bedasarkan sistem dua masukan aliran fluida dan dua keluaran sistem berupa ketinggian level fluida pada kedua tabung. Model non-linier sistem multivariabel (Two Input Two Output - TITO) ini kemudian dilinierisasi pada titik kerja yang dipilih untuk memperoleh nilai ruang keadaan A, B, C dan D yang kemudian digunakan untuk membentuk fungsi alih sistem. Selain proses linierisasi, identifikasi dengan metode Kuadrat Terkecil juga dilakukan untuk menghasilkan model linier sistem yang baru sebagai pendekatan dalam mengontrol model non-linier sistem dengan MPC.Dalam sistem multivariabel coupled-tanks ini masih terdapat interaksi yang kuat antar variabel masukan-keluaran, sehingga fungsi alih dekopler pun dirancang untuk mengurangi atau menghilangkan efek kopling antar variabel masukan-keluaran ini. Pengendali PID dan MPC yang dirancang akan digunakan dalam simulasi untuk mengendalikan model linier/fungsi alih (dengan dekopler) dan model non-linier sistem.Hasil simulasi pengendali PID dan MPC untuk model linier menunjukkan respon sistem yang baik, dimana waktu settling-nya cenderung relatif kecil. Juga hasil simulasi pengendali PID dan MPC untuk model non-linier, meskipun menunjukkan respon sistem yang cenderung lambat, masih bisa dikatan relatif baik. Setelah membandingkan hasil simulasi sistem dengan pengendali PID dan MPC yang dirancang, maka MPC merupakan pengendali yang lebih baik digunakan untuk mengendalikan sistem multivariabel coupled-tanks ini.

---

The control of liquid level in tanks and flow between tanks is a basic problem in the process industries. The amount of liquid flowed into tanks and the flow of liquid between tanks has to be maintained at certain conditions in order to meet the desired performances. Many controllers have been designed to control the liquid level in tanks with the intention of reducing errors during and or after control process. PID controller and MPC are two of many controllers that could be designed to control the liquid level in tanks.

In this Master's thesis, PID (Proportional-Integral-Derivative) controller and Model Predictive Control (MPC) are designed to control the liquid levels in two coupled tanks. Before designing PID controller and MPC, the complete nonlinear dynamic model of the plant needed to be introduced for a case involving two input flows of liquid and two output variables, which are the level of the liquid in two tanks.

This multivariable (Two Input Two Output - TITO) nonlinear model would be then linearised based on selected operating point in order to obtain the value of state-space variables A, B, C and D. These values are converted to transfer function form. Besides that, system identification with Least Square method is also used to yield a new state-space model as an approach model to control the nonlinear model with MPC. Due to the high interactions between input-output variables, decoupler needed to be designed with the aim of reducing or eradicate these between input-output variables coupling effects. Afterwards, the designed PID controller and MPC will be used in simulation in controlling the linear model/transfer function (with decoupler) and the nonlinear model of the coupled-tanks multivariable system.

The result of simulation using PID controller and MPC in controlling the linear model of the system shows good performance in terms of rise time and settling time. In Addition, the result of simulation using nonlinear model, despite the slow system's response, shows satisfactory performance in terms of steady-state behavior, in which the output signals eventually meets the desired reference signals. After comparing the results of system simulation both with PID Controller and MPC, the writer may then infers that MPC is the better one to control this coupled-tanks multivariable system."

"Pada skripsi ini dirancang pengendali Model Predictive Control (MFC) Nonlinier pada Coupled-Tank Control Apparatus PP-100. Model yang digunakan adalah Model Nonlinier Hammerstein. Penentuan sinyal kendali yang akan diberikan psida plant dilakukan dengan menggunakan Genetic Algorithm. Model Nonlinier Hammerstein terdiri dari bagian nonlinier statis yang diikuti oleh bagian linier dinamis. Bagian nonlinier statis dari Model Hammerstein dibuat menggunakan struktur Jaringan Radial Basis Function (RBF). Jumlah node dan parameter pusat dan lebar dari Fungsi Gaussian yang digunakan dalam node ditentukan dengan menggunakan Genetic Algorithm (GA). Nilai kesesuaian pada GA ditentukan dengan menggunakan Akaike Information Criterion (AIC) yang berfungsi melihat kesesuaian suatu model terhadap sistem yang sesungguhnya. Parameter pada bagian linier dinamis dan parameter beban pada Jaringan RBF ditentukan dengan menggunakan metode Linear Least-Square. Hasil uji eksperimen menunjukkan bahwa pengendali MPC Nonlinier mampu memberikan kinerja pengendalian yang baik pada titik kerja yang berbeda."

"Sistem pendinginan pada ruang pusat data menjadi hal yang sangat penting bagi keselamatan sistem komputer di dalamnya Oleh karena itu diperlukan pengendalian yang baik pada Computer Room Air Conditioning CRAC ruang pusat data tersebut Karena itu pada penelitian ini akan digunakan pengendali Model Predictive Control MPC model nonlinier yang mampu menangani sistem multivariabel dengan cukup mudah dan juga kemampuannya untuk memberikan constraint atau batasan tertentu baik pada sinyal pengendali maupun pada keluaran sistem Sistem CRAC merupakan sistem multivariabel berorde tinggi yang memiliki dua masukan dan dua keluaran Model nonlinier sistem CRAC diperoleh dari hasil pemodelan menggunakan persamaan fisika Sementara model linier yang akan dipakai diperoleh dari hasil identifikasi subspace MOESP Multivariable Output Error State Space dan Least Square di mana hasil identifikasi MOESP digunakan dalam pengendalian MPC untuk model linier dan hasil identifikasi Least Square digunakan dalam pengendalian MPC untuk plant nonlinier Hasil pengendalian menggunakan MPC untuk plant nonlinier ini akan dibandingkan dengan pengendalian MPC untuk model linier.

---

Cooling system in data center is become important thing for durability computer system inside Therefore the good controller required for Computer Room Air Conditioning CRAC in data center Because of that in this research will be used Model Predictive Control MPC controller which capable to easily handle multivariable systems and its feature to provide constraints both for control signals and output signals CRAC system is a high order multivariable system with two inputs and two outputs Nonlinear system model of CRAC are obtained from modelling using physics equation Besides that the linear model that is used in the controller are obtained from identification with subspace MOESP Multivariable Output Error State Space and Least Square which the result of MOESP identification will be used in linier model MPC controlling and the result of Least Square identification will be used in MPC controlling for nonlinear plant The result of MPC controlling for nonlinear plant will be compared with the result of linear model MPC controlling."

"Pengendali prediktif menggunakan prediksi dari keluaran sistem yang akan dikendalikan. Nilai prediksi ini didapat dari pemodelan sistem, dimana penggunaan model sistem pada proses perancangan, menjadi ciri khas dari pengendali prediktif. Pengendali prediktif atau dalam banyak literatur sering disebut sebagai Model Predictive Control, merupakan metode pengendali yang dapat memperhitungkan batasan-batasan (costraints) yang ada dalam sistem. Sehingga kehadiran constraints pada sistem dapat diperhitungkan dengan menggunakan algoritma MPC.Dalam skripsi ini algoritma MPC diterapkan pada sistem dua tangki dengan satu masukan dan satu keluaran. Masukan sistem berupa tegangan pompa sedangkan keluarannya berupa tinggi fluida pada tangki. Batasan amplitudo sinyal kendali diterapkan pada perancangan ini untuk melihat kinerja MPC dalam menangani constraints. Solusi Quadratic Programming yang digunakan untuk menangani kasus MPC dengan constraints pada skripsi ini adalah metode Active Set. Dalam metode Active Set, nilai sinyal kendali diambil supaya ada bagian dari pertidaksamaan constraints menjadi persamaan. Kemudian dengan menggunakan kondisi Karush-Kuhn-Tucker solusi yang berupa nilai optimal dari perubahan sinyal kendali akan didapat.Hasil simulasi yang dilakukan menunjukkan, keluaran selalu dapat mengikuti trayektori acuan dan sinyal kendali yang didapat juga baik. Hasil simulasi juga menunjukkan bahwa faktor bobot pada sinyal kendali R, dan panjangnya Prediction Horizon P, sangat mempengaruhi unjuk kerja dari algoritma MPC. Perbandingan juga dilakukan antara alogritma MPC constraints dengan algoritma pengendali Formula Ackermann, dimana MPC constraints menunjukkan kinerja yang lebih baik."

"Pemanasan global dan meningkatnya standar hidup manusia merupakan faktorpendorong yang menyebabkan naiknya konsumsi energi untuk sistem HVAC. Peningkatanteknologi HVAC yang mampu mengurangi konsumsi energi sektor bangunan, meskipunkecil akan memberikan dampak yang signifikan bagi konsumsi energi secara agregat absolut. Pendekatan bilinier dalam pemodelan dan kendali sistem HVAC sudah banyak dilakukan baik secara teori maupun praktis dan terbukti memiliki banyak kelebihan.Sistem HVAC berbasis Hammerstein-bilinear diturunkan secara matematis danberhasil diidentifikasi dengan struktur model linier OE sebagai dua buah sistem MISO dalamtesis ini. Metode identifikasi yang penulis gunakan adalah algoritma pseudo-linear regression dan least-square. Model linier tersebut kemudian digunakan sebagai plant model padadisain kendali model prediktif. Kinerja pengendali prediktif memberikan hasil yang memuaskan dan terbukti mampu memenuhi tujuan pengendalian yang diinginkan. Kinerja pengendali prediktif lebih baik daripada pengendali PI pada kasus lup kendali suhu, sebaliknya untuk kendali kelembaban kinerja pengendali PI lebih memuaskan.

---

Global warming and increasing human standard of living are the driving factors

leading to increased energy consumption for HVAC systems. Enhanced HVAC technology

that can reduce energy consumption in the building sector, despite of small amount, it will

have a significant impact on energy consumption’s absolute aggregate. The bilinear approach to modeling and control of HVAC systems has been done both theoretically and

practically and has proven to have many advantages.

An HVAC system based on Hammerstein-bilinear was derived mathematically and

was identified using an OE linear model structure as two MISO systems in this thesis. The

identification methods adopted by the author were pseudo-linear regression and least-square

algorithm. The linear models were subsequently used as plant models in the predictive model

control design. The predictive controllers’ performance gave satisfying results and was

proven being able to meet the desired control objectives. The predictive controller gave

better performance than the PI controller in the case of temperature control loop, on the contrary, for humidity control the PI’s performance was more satisfying."

"Pada tesis ini dibahas tentang simulasi dan perancangan pengendalian sistem multivariabel Coupled Tank Apparatus dengan menggunakan Neural Network model Direct Invers Control. Model sistem yang bersifat non linier akan dilinierisasi sehingga diperoleh fungsi alih yang mengandung persamaan karakteristik yang menyerupai sistem linier orde dua yang berada dalam keadaan over damped akan selalu stabil. Pengurangan interaksi (kopling) yang terjadi pada sistem multivariabel Coupled Tank Apparatus dilakukan dengan perancangan dekopling yang menggunakan metode Relative Gain Matrik. Perancangan dan simulasi sistem pengendalian Neural Network model Direct Invers Control menggunakan program Matlab Versi 5.3.1. Perbandingan antara analisa tanggapan waktu terhadap sistem kendali yang dirancang dengan sistem kendali Proportional Integral Derivatif serta sistem kendali logika Fuzzy menghasilkan tanggapan respon untuk mencapai keadaan steady state (setting time) pada Neural Network model Direct Invers Control lebih cepat dibandingkan dengan tanggapan waktu yang dihasilkan oleh pengendali konvensional PI, PID, dan Fuzzy.Dalam hal ini, data parameter sistem untuk simulasi diperoleh dari hasil penelitian dan percobaan di Laboratorium Fakultas Teknik Universitas Indonesia.

---

In this thesis, a study on simulation and design of a multivariabel Control of Coupled Tank Apparatus Systems is presented. A Neural Network Controller based on a Direct Invers Control is applied. The linierized model of the Coupled Tank Apparatus Systems appears to be a stable second order transfer function with an over damped characteristic. A Decoupling Compensator is designed using Relative Gain Matrix Method of Bristol. The Simulation and control is implemented using Matlab 5.3.1 on apersonal computer. For comparison a PID controller and a Fuzzy Logic Controller are also implemented. It is found that NN Direct Invers Control shows a better performance than the other control method in terms of speed response.All data for experiment and equipment used are done in the Control Laboratory, Dept of Electrical Engineering, Faculty of Technology University of Indonesia."

"Pengendalian proses di industri desalinasi sangat penting untuk mengoptimalkan operasi dan mengurangi biaya produksi. Pengendali proporsional, integral, dan derivatif (PID) umum digunakan, namun tidak selalu efektif untuk sistem coupled-tank yang kompleks dan nonlinier. Penelitian ini mengeksplorasi penggunaan algoritma reinforcement learning (RL) dengan algoritma Deep Deterministic Policy Gradient (DDPG) untuk mengendalikan ketinggian air pada sistem coupled-tank. Tujuan penelitian ini adalah merancang sistem pengendalian ketinggian air menggunakan RL berbasis programmable logic controller (PLC) untuk mencapai kinerja optimal. Sistem diuji pada model coupled-tank dengan dua tangki terhubung vertikal, di mana aliran air diatur untuk menjaga ketinggian air dalam rentang yang diinginkan. Hasil menunjukkan bahwa pengendalian menggunakan RL berhasil dengan tingkat error steady-state (SSE) antara 4,63% hingga 9,6%. Kinerja RL lebih baik dibandingkan PID, dengan rise time dan settling time yang lebih singkat. Penelitian ini menyimpulkan bahwa RL adalah alternatif yang lebih adaptif untuk pengendalian level cairan di industri dibandingkan dengan metode konvensional.

---

Process control in the desalination industry is crucial for optimizing operations and reducing production costs. Proportional, integral, and derivative (PID) controllers are commonly used but are not always effective for complex and nonlinear coupled-tank systems. This study explores the use of reinforcement learning (RL) with the Deep Deterministic Policy Gradient (DDPG) algorithm to control the water level in a coupled-tank system. The objective of this research is to design a water level control system using RL based on a programmable logic controller (PLC) to achieve optimal performance. The system was tested on a coupled-tank model with two vertically connected tanks, where the water flow is regulated to maintain the water level within the desired range. Results show that control using RL achieved a steady-state error (SSE) between 4.63% and 9.6%. RL performance was superior to PID, with faster rise and settling times. This study concludes that RL is a more adaptive alternative for liquid level control in industrial settings compared to conventional methods."

"Makalah ini membahas pemodelan sistem tangki terhubung berbasiskan data masukan-keluaran dengan menggunakan model fuzzy Takagi-Sugeno. Algoritma fuzzy clustering Gustafson-Kessel digunakan untuk mengelompokkan data masukan-keluaran menjadi beberapa cluster berdasarkan kesamaan jarak suatu anggota data masukan-keluaran dari titik tengah suatu cluster.Cluster-cluster yang terbentuk diproyeksikan orthonormal ke setiap ruang variabel linguistik bagian premis untuk mendapatkan fungsi keanggotaan model fuzzy Takagi-Sugeno. Parameter konsekuen dari model fuzzy Takagi-Sugeno diperoleh dengan mengestimasi data setiap cluster dengan menggunakan metode weighted leastsquares.Hasil model fuzzy Takagi-Sugeno yang diperoleh divalidasi dengan indikator kinerja variance-accounted-for (VAF) dan root mean square (RMS). Hasil uji simulasi menunjukkan model fuzzy Takagi-Sugeno sanggup meniru karakteristik nonlinier sistem tangki terhubung dengan nilai indikator kinerja model yang baik.

---

Modeling of Coupled-Tank System Using Fuzzy Takagi-Sugeno Model. This paper describes modeling of coupledtank system based on data measurement using fuzzy Takagi-Sugeno model. The fuzzy clustering method of Gustafson-Kessel algorithm is used to classify input-output data into several clusters based on distance similarity of a member of input-output data from center of cluster.The formed clusters are projected orthonormally into each linguistic variables of premise part to determine membership function of fuzzy Takagi-Sugeno model. By estimating data in each cluster, the consequent parameters of fuzzy Takagi-Sugeno model are calculated using weighted least-squares method.The resulted fuzzy Takagi-Sugeno model is validated by using model performance parameters variance-accounted-for (VAF) and root mean square (RMS) as performance indicators. The simulation results show that the fuzzy Takagi-Sugeno model is able to mimic nonlinear characteristic of coupled-tank system with good value of model performance indicators."