Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKPenelitian ini akan mengembangkan pengendali multivariable modelpredictive control yang memiliki kemampuan untuk menjaga suhu dan kelembabanpada rentang nilai tertentu. Permasalahan pada pengendalian system ini adalah dalammenjaga suhu pada nilai 20-25°C dan kelembaban pada nilai 45-55% seiringperubahan beban panas yang terjadi sepanjang waktu. Sistem multivarible ini jugamemiliki efek saling mempengaruhi/kopling. Metode baru yang diterapkan padapenelitian ini adalah penerapan pengendali prediktif pada precision air conditioningdengan decoupler, melibatkan constraints, dan memiliki struktur MIMO. Penelitianini juga merupakan pengembangan dari penelitian sebelumnya yaitu Model PredictiveControl (MPC) dengan metode identifikasi N4SID offline. Metode identifikasi yangdigunakan di penelitian ini merupakan jenis N4SID dan PO-MOESP.Karakteristik PAC didapatkan dengan memberikan variasi tegangan inputkipas dan kompresor, serta memperhatikan pengaruhnya terhadap output berupa suhudan kelembaban kabinet. Model proses dibentuk dengan metode N4SID dan POMOESPuntuk mendapatkan nilai A, B, C, dan D sebagai matriks koefisien statespace yang kemudian menjadi masukan pengendali prediktif. Pengendali prediktifmultivariable berbeda bentuk fungsi kriterianya yaitu melibatkan dua variable padasetiap pencuplikan. Delay juga diperhitungkan mengingat respon system cukuplambat, sehingga berpengaruh pada penentuan prediction horizon yaitu setidaknyabernilai lebih besar dari delay. Pengaruh kopling dari multivariable system dapatdikurangi dengan penggunaan decoupler.Pengendali multivariable model predictive ini direalisasikan melaluisoftware Matlab dengan perangkat pendukung berupa Data Acquition (DAQ).Penelitian ini diuji secara simulasi dengan program Matlab. Hasil keluaranpengendali pada PAC dibandingkan dengan hasil pada Coupletank."

"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."

"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."

"Model Predictive Control (MPC) merupakan salah satu metode pengendali prediktif yang populer digunakan pada dunia industri. Beberapa keuntungan yang ditawarkan oleh pengendali ini di antaranya adalah kemampuannya dalam menangani sistem multivariabel dengan cukup mudah dan juga kemampuannya untuk memberikan constraint atau batasan tertentu baik pada sinyal pengendali maupun pada keluaran sistem. Sistem tata udara presisi yang akan dikendalikan pada skripsi ini juga merupakan sistem multivariabel berorde tinggi yang mempunyai dua masukan dan dua keluaran. Model sistem yang dipakai berupa model linier diskrit yang didapat dari hasil identifikasi menggunakan metode N4SID. Hasil pengendalian menggunakan MPC akan dibandingkan dengan pengendalian sistem menggunakan metode pengendali penempatan kutub dari umpan balik keadaan.

---

Model Predictive Control (MPC) is one of predictive controller methods and popular for being used in industry. Some advantages offered by this controller are its ability to easily handle multivariable systems and its feature to provide constraints both for control signals and output signals. Precision air conditioning (PAC) system which will be controlled here is also a high-order multivariable system with two inputs and two outputs. Its model that is used in the controller is a discrete linear model from identification using N4SID method. The results of using MPC for this PAC system will be compared with the ones using another method of controller which is state-feedback pole placement."

"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."

"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 merupakan komponen yang sangat penting dalam sebuah ruang pusat data untuk menjaga agar perangkat yang disimpan tidak mengalami kerusakan pada waktu singkat. Sistem ini merupakan sistem multivariabel dan diperlukan untuk menjaga suhu dan kelembaban ruang pusat data pada batasan yang sesuai dengan kondisi kerja peralatan IT, sehingga diperlukan pengendali cerdas yang mampu bekerja pada batasan tertentu dan mampu menangani sistem multivariabel. Selain itu, pengendali tersebut juga harus mampu menangani karakteristik sistem tata udara presisi yang nonlinier. Oleh karena itu, pengendali MPC (Model Predictive Control) digunakan untuk mengendalikan sistem tersebut.Pengendali MPC merupakan pengendali yang menggunakan model proses secara eksplisit dalam penghitungan sinyal kendalinya. Model linier digunakan untuk menghitung prediksi keluaran sistem nonlinier dan menghitung besar sinyal kendali agar keluaran sistem nonlinier sesuai dengan acuan. Agar besar kesalahan prediksi keluaran dari model dan keluaran sesungguhnya dari sistem dapat diminimalisasi maka digunakan model ruang keadaan multimodel yang diperoleh melalui metode identifikasi least square.Model yang diperoleh dari hasil identifikasi dapat digunakan untuk pengendalian MPC sebab memiliki nilai 𝐽𝑒𝑒 dan FPE yang rendah (< 10−5), nilai eigen berada di dalam unit circle, serta memiliki sifat fully controllable dan fully observable. Pengendali MPC berbasis multimodel linier kemudian dirancang untuk mengendalikan sistem tata udara presisi yang bersifat MISO (multi input single output), dengan keluaran berupa temperatur udara masukan kabinet (𝑇𝑖𝑛,𝑐𝑎𝑏). Untuk memperoleh pengendalian yang terbaik, pengendali MPC disimulasikan pada sistem linier dan nonlinier. Variasi nilai 𝐻𝑝, 𝐻𝑢, Q, dan R diberikan untuk mengetahui pengaruh perubahan nilai parameter pengendali MPC terhadap karakteristik sinyal kendali masukan dan sinyal respon keluaran sistem, serta waktu komputasi dan nilai loss function. Simulasi pengendalian MPC menunjukkan hasil yang baik pada nilai 𝐻𝑝 = 𝐻𝑢 = 6, 𝐐 = 50, dan 𝐑 = 5 untuk sistem linier, dan nilai 𝐻𝑝 = 12, 𝐻𝑢 = 3, 𝐐 = 70, dan 𝐑 = 0.5 untuk sistem nonlinier.

---

Precision air conditioning is a vital component in a data center to keep the stored devices from failures. This system is a multivariable system and needed to keep the temperature and humidity of a data center in a certain constraints which is suitable for IT devices operating condition. Hence, an intelligent controller which can take constraints into account and handle multivariable system is needed. Furthermore, the controller must be capable to handle nonlinear characteristic of such system. Thus, Model Predictive Controller (MPC) is used to control such systems.

MPC is a controller that used the model of a process explicitly to compute the control signal. The linear model is used to predict the output of nonlinear system and calculate the control signal to meet the given target. To minimize error between predicted output from the model and the actual output of the plant, double-stage state space model is used.

The model is identified using least square method and can be used for system control using MPC due to its low 𝐽𝑒𝑒 and FPE (< 10−5), its eigenvalues located inside the unit circle, and its characteristics which is fully controllable and fully observable. MPC based on linear multimodel linear is designed to control PAC system which is a MISO (Multiple Input Single Output) system, which output is the temperature of input air to cabinet (𝑇𝑖𝑛,𝑐𝑎𝑏). In order to obtain the best control action, MPC is simulated in linear and nonlinear system. The value of controller parameters 𝐻𝑝, 𝐻𝑢, Q, and R is varied to study the effect of changes in parameter value to the characteristic of input control signal and system responds, input signal computing time and the value of loss function. The best simulation result is obtained at 𝐻𝑝 = 𝐻𝑢 = 6, 𝐐 = 50, and 𝐑 = 5 for linear system, and 𝐻𝑝 = 12, 𝐻𝑢 = 3, 𝐐 = 70, and 𝐑 = 0.5 for nonlinear system."

"ABSTRAKKonsumsi energi yang paling banyak pada suatu data centre digunakan untukpendinginan peralatan IT. Untuk menghasilkan pendingin dengan konsumsi energiyang lebih hemat, dapat bekerja pada variasi beban panas yang dihasilkanperalatan IT, dapat mengendalikan suhu sebesar 20-25 oC, dan kelembapan 40-55% dirancang sistem presisi tata udara. Penelitian ini akan diimplementasikansuatu algoritma identifikasi yang bersifat black box yang berarti tidakmembutuhkan a-priori knowledge. Innovasi pada penelitian ini adalahmemanfaatkan algoritma MOESP untuk mengidentifikasi secara rekursif padasistem nonlinier dan MIMO. Pengendali yang diusulkan adalah Model PredictifControl (MPC) untuk mengkompensasi pengaruh gangguan dan ketidakakuratanmodel, dan memiliki adaptasi yang lebih cepat dibandingkan pengendali klasik.Model identifikasi dibentuk melalui proses identifikasi sistem berbasiseksperimen berupa masukan kecepatan kipas dan tegangan kompresor dankeluaran suhu dan kelembapan. Dari masukan dan keluaran akan diolahmenghasilkan ruang keadaaan yang nantinya akan digunakan untuk dikendalikanmenggunakan MPC.

---

ABSTRACTThe most energy consumption in data centers is used for cooling IT equipment.To produce a cooler with a more efficient energy consumption, can work on avariation of the heat load generated IT equipment, can control the temperatures of20-25 ° C, humidity 40-55% and the precision of air systems are designed. Thisstudy will implement an identification algorithm that is a black box which meansthat does not require a-priori knowledge. Innovations in this research is to utilizethe algorithm recursively MOESP to identify the nonlinear and MIMO systems.The proposed controller is Model Predictif Control (MPC) to compensate for theeffect of disturbances and inaccuracies model, and has a more rapid adaptationthan classical controllers. Model identification was established through theprocess of system identification experiments based on the input of the fan speedand voltage output of the compressor and the temperature and humidity. Of inputand output will be processed produce circumstances that space will be used for thecontrolled use of MPC."

"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."

"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."