Hasil Pencarian  ::  Simpan CSV :: Kembali

"Hidrogen merupakan salah satu gas yang memiliki banyak kegunaan. Salah satunya pada industri kimia. Pabrik yang memiliki banyak gangguan akan berdampak pada efektivitas dan kestabilan operasi pabrik. Selain itu, pabrik yang memiliki banyak gangguan unit juga akan berpengaruh pada lingkungan sekitar. Unit kompresor dan steam reformer merupakan unit – unit yang penting dalam pabrik biohidrogen dari biomassa. Kompresor berfungsi untuk mencapai tekanan tinggi pada kondisi operasi selanjutnya dan steam reformer merupakan proses utama dari pabrik ini yang berfungsi untuk menghasilkan gas hidrogen.  Multivariable model predictive control (MMPC) merupakan suatu pengendali tingkat lanjut. Identifikasi model empirik berdasarkan berdasarkan first order plus dead time (FOPDT) untuk pengaruh gangguan ini dilakukan melalui metode process reaction curve (PRC). Dalam melakukan pengujian, model empirik yang digunakan pada MMPC yaitu model FOPDT yang diperoleh dengan metode 2 (Smith), serta penggabungan dengan model FOPDT MPC yang telah diperoleh pada penelitian sebelumnya yang telah dilakukan oleh oleh Wahid dan Taqwallah (2018). Untuk memperoleh kinerja pengendalian proses yang optimal dilakukan proses tuning atau penyetelan dengan menggunakan metode Shridhar dan Cooper, serta fine tuning untuk dibandingkan dengan kinerja pengendalian model predictive control (MPC) oleh Wahid dan Taqwallah (2018). MMPC fine tuning dengan model FOPDT yang diperoleh dengan metode 2 (Smith) tanpa penggabungan dengan model MPC memberikan hasil yang terbaik karena dapat menstabilkan aliran lebih cepat sesuai dengan setpoint. Parameter nilai T, P, dan M pada MMPC yang diperoleh yaitu 1, 341, dan 121 pada unit kompresor, serta 1, 45, dan 21 pada unit steam reformer. Peningkatan kinerja MMPC ini yaitu pada unit kompresor 1 yaitu 85,84%; unit kompresor 2 61,39%; unit kompresor 3 yaitu 94,57%; dan unit kompresor 4 yaitu 73,35%, serta pada unit steam reformer peningkatan kinerja MMPC fine tuning yaitu 63,34% pada heater dan 80,16% pada combustor.

---

Hydrogen is one of many gases that has many uses, one of which is in the chemical industry. A factory that has many units creates a lot of disturbances that affect on the effectiveness and stability of the plant's operation, and it will also affect the surrounding environment. Compressor unit and steam reformer are two of the important units in biohydrogen plant from biomass. The compressor works to achieve high pressure in the next operation and Steam Reformer is the main process of this plant which functions to produce H₂ gas. Multivariable Model Predictive Control (MMPC) is an advanced controller.  The identification of the empirical model based on first order plus dead time (FOPDT) for the effect of this disturbance was carried out using the process reaction curve (PRC) method. The empirical model that used for the MMPC controller is the FOPDT model obtained by method 2 (Smith), as well as combining it with the MPC FOPDT model which has been acquired in previous research conducted by Wahid and Taqwallah (2018). To obtain optimal process control, a tuning process is carried out using the Shridhar and Cooper method, along with fine tuning to compare with the control performance of the model predictive control (MPC) by Wahid and Taqwallah (2018). Fine tuning MMPC controller with FOPDT model obtained by method 2 (Smith) without combining it with MPC model gives the best results because it stabilizes the flow faster based on setpoint. Parameter values of T, P, and M on the MMPC controller are 1, 341, and 121 on the compressor unit and 1, 45, and 21 on the steam reformer unit. Improvement of this MMPC on compressor unit 1 is 85.84%, compressor unit 2 61.39%, compressor unit 3 is 94.57%, and compressor unit 4 is 73.35%. In steam reformer unit, improvement of fine-tuned MMPC is 63.34% on heater and 80.16% on combustor."

"Hidrogen merupakan salah satu zat/gas yang sangat banyak kegunaannya, terutama dalam industri kimia. Banyaknya unit pada sebuah pabrik membuat banyak gangguan yang akan terjadi pada suatu proses pabrik, gangguan tersebut akan berdampak kepada keefektifan dan kestabilan operasi pabrik tersebut yang juga berpengaruh kepada lingkungan sekitar. Kompresor dan steam reformer merupakan unit-unit yang penting dalam pabrik biohidrogen dari biomassa. Kompresor berguna untuk mencapai tekanan tinggi pada kondisi operasi selanjutnya sedangkan Steam Reformer merupakan proses utama dari pabrik ini yang berguna untuk menghasilkan gas H2. Model Predictive Control (MPC) merupakan suatu pengendali yang dapat bekerja dengan basis model yang diharapkan akan menghasilkan kinerja yang lebih baik daripada pengendali lainnya. Pemodelan proses dilakukan dengan menggunakan model empirik sedangkan proses optimasi dilakukan dengan penyetelan terhadap paramter-parameter pengendali MPC seperti waktu sampel (T), prediction horizon (P), dan control horizon (M). Hasil pengendalian tekanan kompresor dan suhu steam reformer adalah pengendali MPC memiliki kinerja yang lebih baik dari pada pengendali PI dengan melakukan reidentifikasi sistem untuk mendapatkan pemodelan yang sesuai.

---

Hydrogen is one of the substances / gases that used by people, especially in the chemical industry. The number of units in a factory making many distractions that will occur in a process plant, the interference will affect the effectiveness and stability of the plant's operations that also affect the surrounding environment. Compressors and a steam reformer are the important units in biohidrogen from biomass plant. The compressor is useful for achieving high-pressure operating conditions while Steam Reformer next is the main process of this plant are useful to produce H2 gas.

Model Predictive Control (MPC) is a controller that can work with the base model is expected to has better performance than other controllers. Process modeling is done by using the empirical model while the optimization process is done by setting the parameter-MPC controller parameters such as sample time (T), prediction horizon (P), and the control horizon (M). The results of the compressor pressure control and temperature control of steam reformer is the MPC controller has better performance than the PI controller by performing system reidentification to obtain appropriate model."

"Ester base oil merupakan pelumas alami yang telah diterima secara luas dikarenakan kemampuan pelumasannya yang tinggi, serta keunggulan seperti kinerja suhu rendah, indeks viskositas yang tinggi, pengurangan gesekan yang sangat baik, dan sifat anti aus. Proses sintesis ester base oil melibatkan dua tahapan utama, yaitu oligomerisasi dan esterifikasi. Penelitian ini bertujuan untuk mendapatkan rancangan serta mendesain pengendalian proses pada proses pre- treatment oligomerisasi pabrik ester base oil dengan multivariable model predictive control (MMPC) 4x4. Metode yang digunakan untuk mendapatkan model first order plus dead time (FOPDT) 4x4 adalah dengan cara dilakukan identifikasi sistem menggunakan metode Smith, metode Wade, dan metode Solver. Selanjutnya, ditentukan model FOPDT terbaik dengan membandingkan nilai root- mean-square error (RMSE) terkecil dari setiap metode. Metode tuning yang digunakan untuk MMPC adalah metode Shridhar-Cooper dilanjutkan dengan fine- tuning untuk mendapatkan nilai parameter P (prediction horizon), M (control horizon), dan T (sampling time). Parameter MMPC tersebut akan diuji berdasarkan respon kinerja pengendali terhadap pengujian set point (SP) tracking dan pengujian disturbance rejection. Kinerja MMPC juga akan dibandingkan dengan kinerja pengendali propotional-integral (PI) dengan perhitungan integral absolute error (IAE) dan integral square error (ISE). Hasil identifikasi sistem didapatkan model FOPDT terbaik menggunakan metode Smith yaitu M1V3, M2V1 ; metode Wade yaitu M1V2, M2V3, M2V4, M4V2 ; metode Solver yaitu M1V1, M1V4, M2V2, M3V1, M3V2, M3V3, M3V4, M4V1, M4V3, M4V4. Metode fine-tuning pada penyetelan MMPC menghasilkan parameter P, M, T terbaik masing-masing sebesar 350, 300, dan 2. Pada pengujian SP ttacking, MMPC menunjukkan kinerja terbaik dalam pengendalian suhu sedangkan kinerja pengendali PI lebih baik dalam pengendalian laju alir. Pada pengujian disturbance rejection, kinerja MMPC lebih baik dibandingkan pengendali PI dengan perbaikan kinerja pengendalian sebesar 7,16% - 61,35% untuk nilai IAE dan 13,96% - 88,60% untuk nilai ISE.

---

Ester base oil is a natural lubricant widely accepted due to its high lubricating ability, as well as advantages such as low-temperature performance, high viscosity index, excellent friction reduction, and anti-wear properties. The synthesis process of ester base oil involves two main stages, namely oligomerization and esterification. This research aims to obtain a design and design process control in the pre-treatment process of oligomerization in the ester base oil plant with multivariable model predictive control (MMPC) 4x4. The method used to obtain the first-order plus dead time (FOPDT) 4x4 model is by identifying the system using Smith's method, Wade's method, and Solver's method. Furthermore, the best FOPDT model is determined by comparing the smallest root-mean-square error (RMSE) values from each method. The tuning method used for MMPC is the Shridhar-Cooper method followed by fine-tuning to obtain the parameter values P (prediction horizon), M (control horizon), and T (sampling time). These MMPC parameters will be tested based on controller performance responses to set point (SP) tracking testing and disturbance rejection testing. The performance of MMPC will also be compared with proportional-integral (PI) controllers using integral absolute error (IAE) and integral square error (ISE) calculations. The results of the system identification obtained the best FOPDT model using Smith's method, namely M1V3, M2V1; Wade's method, namely M1V2, M2V3, M2V4, M4V2; Solver's method, namely M1V1, M1V4, M2V2, M3V1, M3V2, M3V3, M3V4, M4V1, M4V3, M4V4 .The fine-tuning method in MMPC tuning resulted in the best P, M, T parameters of 350, 300, and 2 respectively. In SP tracking testing, MMPC showed the best performance in temperature control while PI controller performance was better in flow rate control. In disturbance rejection testing, MMPC performance was better than PI controllers with performance improvement ranging from 7.16% to 61.35% for IAE values and 13.96% to 88.60% for ISE values."

"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."

"Pelumas dapat didefinisikan sebagai substansi yang ditempatkan di antara dua permukaan yang bergerak relatif untuk mengurangi gesekan di antara keduanya. Pelumas dapat mengurangi gesekan, tingkat keausan, dan konsumsi energi. Oleh karena itu, pelumas secara luas diterapkan di hampir semua bidang industri, terutama pada bidang transportasi, manufakur, hingga pembangkit listrik. Proses oligomerisasi dalam pembuatan ester minyak dasar dilakukan dengan menggabungkan senyawa asam karboksilat dengan poliol. Melalui reaksi oligomerisasi ini, jumlah cabang samping akan meningkat seiring pertumbuhan panjang rantai utama, yang pada gilirannya dapat meningkatkan viskositas ester minyak dasar. Penelitian ini bertujuan untuk mendapatkan rancangan serta mendesain pengendalian proses pada proses oligomerisasi pabrik ester base oil dengan multivariable model predictive control MMPC 100 (2×2) dan MMPC 101 (2×2) dengan identifikasi proses model first order plus dead time (FOPDT) dengan metode Smith, Wade, dan Solver. Selanjutnya, ditentukan model FOPDT terbaik dengan membandingkan nilai root-mean- square error (RMSE) terkecil dari setiap metode. Metode tuning yang digunakan untuk MMPC adalah metode Shridhar-Cooper dilanjutkan dengan fine tuning untuk mendapatkan nilai parameter P (prediction horizon), M (control horizon), dan T (sampling time) terbaik. Parameter MMPC tersebut akan diuji berdasarkan respon kinerja pengendali terhadap perubahan set point (SP) dan pengujian disturbance rejection dengan perhitungan integral absolute error (IAE) dan integral square error (ISE). Hasil identifikasi sistem didapatkan model FOPDT terbaik seluruhnya menggunakan metode Solver. Metode fine tuning pada penyetelan MMPC menghasilkan parameter T, P, M untuk MMPC 100 (2×2) sebesar 9, 120, dan 20 dan untuk MMPC 101 (2×2) sebesar 1, 230, dan 150. Pada pengujian Set Point (SP) tracking, MMPC merupakan pengendali terbaik untuk seluruh pengendalian dibandingkan pengendali PI. Pada pengujian disturbance rejection terhadap perubahan suhu inlet, pengujian dilakukan dengan membandingkan tiga kondisi, yaitu dengan adanya pengendalian pre treatment (Full Control), tanpa adanya pengendalian pre treatment (Local Control) dan PI. Didapatkan kinerja MMPC Full Control lebih baik dibandingkan kinerja MMPC Local Control dengan pemulihan kinerja pengendali sebesar 7,36%, 0,007%, 0,086%, dan 0,03% untuk nilai IAE dan 0,61%, 0,00%, 0,00%, dan 0,00% untuk nilai ISE.

---

A lubricant can be defined as a substance placed between two relatively moving surfaces to reduce the friction between them. Lubricants can reduce friction, wear rate, and energy consumption. Therefore, lubricants are widely applied in almost all industrial fields, especially in transportation, manufacturing, and power generation. The oligomerization process in the preparation of base oil esters is carried out by combining carboxylic acid compounds with polyols. Through this oligomerization reaction, the number of side branches will increase as the main chain length grows, which in turn can increase the viscosity of the base oil ester. This study aims to obtain the design and design of process control in the oligomerization process of base oil ester plant with multivariable model predictive control MMPC 100 (2×2) and MMPC 101 (2×2) with first order plus dead time (FOPDT) model process identification by Smith, Wade, and Solver methods. Next, the best FOPDT model is determined by comparing the smallest root-mean-square error (RMSE) value from each method. The tuning method used for MMPC is the Shridhar-Cooper method followed by fine tuning to get the best parameter values of P (prediction horizon), M (control horizon), and T (sampling time). MMPC parameters will be tested based on the controller performance response to set point (SP) changes and disturbance rejection testing with integral absolute error (IAE) and integral square error (ISE) calculations. The results of system identification obtained the best FOPDT model entirely using the Solver method. The fine-tuning method on MMPC tuning produces parameters T, P, M for MMPC 100 (2×2) of 9, 120, and 20 and for MMPC 101 (2×2) of 1, 230, and 150. In the Set Point (SP) tracking test, MMPC is the best controller for all controls compared to PI controllers. In testing disturbance rejection to changes in inlet temperature, testing is done by comparing two conditions, namely with the presence of pre-treatment control (Full Control) and without pre-treatment control (Local Control). MMPC Full Control performance is better than MMPC Local Control performance with controller performance recovery of 7.36%, 0.007%, 0.086%, and 0.03% for IAE values and 0.61%, 0.00%, 0.00%, and 0.00% for ISE values."

"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."

"Pelumas merupakan senyawa yang digunakan untuk mengurangi gaya gesek dan keausan antar komponen yang berkontak satu sama lain. Base oil merupakan komponen penting dalam pelumas sehingga pemilihan base oil dapat menentukan sifat dari pelumas tersebut. Kolom distilasi pada proses separasi base oil ester memiliki potensi bahaya yang cukup tinggi sehingga perlu adanya pengendalian pada unit tersebut. Pada penelitian ini, Multivariable Model Predictive Control (MMPC) digunakan sebagai pengendali tingkat lanjut untuk mengendalikan 4 pasangan manipulated variable (MV) dan controlled variable (CV) pada unit distilasi. Penyetelan pengendali dilakukan dengan pemodelan first order plus derivative time (FOPDT) dengan metode Smith, Wade, Lilja, dan Solver yang dilanjutkan dengan penentuan parameter MMPC. Penentuan parameter MMPC dengan metode fine-tuning menghasilkan prediction horizon (P) sebesar 375, control horizon (M) sebesar 245, dan sampling time (T) sebesar 1. Pengendalian dengan MMPC 4×4 hasil fine-tuning mampu mengurangi nilai Integrated Absolute Error (IAE) sebesar 3,31 – 80,40% dan nilai Integrated Squared Error (ISE) sebesar 2,77 – 81,33% dibandingkan hasil pengendalian PI pada pengujian set point tracking. Selain itu, pengendalian MMPC juga dapat mengurangi nilai IAE sebesar 3,17 – 77,48% dan nilai ISE sebesar 23,83 – 88,44% dibandingkan hasil pengendalian PI pada pengujian disturbance rejection.

---

Lubricants are compounds used to reduce friction and wear between components in contact with each other. Base oil is an important component in lubricants so that the selection of base oil can determine the nature of the lubricant. The distillation column in the ester base oil separation process has a high potential hazard, so it is necessary to control the unit. In this study, Multivariable Model Predictive Control (MMPC) is used as an advanced controller to control 4 pairs of manipulated variables (MV) and controlled variables (CV) in the distillation unit. Controller tuning is done by first order plus derivative time (FOPDT) modeling with Smith, Wade, Lilja, and Solver methods followed by MMPC parameter determination. The determination of MMPC parameters with the fine-tuning method results in a prediction horizon (P) of 375, a control horizon (M) of 245, and a sampling time (T) of 1. Control with MMPC fine-tuning results can reduce the Integrated Absolute Error (IAE) value by 3.31 – 80,40% and the Integrated Squared Error (ISE) value by 2.77 – 81,33% compared to the PI control results in the set point tracking test. In addition, MMPC  control can also reduce the IAE value by 3.17 – 77,48% and the ISE value by 23.83 – 88,44% compared to the PI control results in the disturbance rejection test."

"Indonesia adalah salah satu negara yang memiliki potensi yang sangat besar dalam pengembangan sustainable energy sebagai sumber energi nasional, dan biomassa adalah yang paling potensial untuk menjadi energi alternatif. Pemanfaatan biomassa sebagai bahan baku pembuatan hidrogen merupakan hal positif yang sangat prospektif, salah satunya melalui pengadaan pabrik biohidrogen dari biomassa. Hidrogen dipilih karena merupakan salah satu zat yang memiliki banyak fungsi strategis dalam industri kimia.kemudian membandingkan nilai IAE (Integral Absolute Error) dan ISE (Integral Square Error) dari ketiga jenis penyetelan tersebut. Proses pada pabrik biohidrogen dari biomassa terbagi menjadi beberapa unit proses, yaitu unit pengolahan awal bahan baku, unit gasifikasi, unit char combustor, unit kompresi, unit H2S Removal, unit steam reforming, unit water gas shift, dan unit pressureswing adsorber. Pada penelitian ini akan dijelaskan pengendalian pada kompresor dan steam reformer. Kedua unit tersebut penting dikendalikan agar mencapai tekanan yang diinginkan pada masukan H2S Removal dan untuk mendapatkan gas hidrogen pada unit Steam Reformer. Pengendali yang digunakan adalah pengendali PI karena hampir dapat menangani setiap situasi pengendalian proses. Untuk mendapatkan kinerja yang optimum, dilakukan penyetelan pengendali dengan metode Ziegler Nichols, Lopez, dan Default Unisim, Hasilnya pengendalian tekanan dan suhu yang optimum adalah dengan metode penyetelan pengendali Ziegler Nichols. Sedangkan pengendalian surge-01, surge-02, surge-03 pada kompresor metode yang paling optimum adalah Default Unisim, dan untuk surge-04 adalah metode Lopez.

---

Indonesia is a country that has a huge potential in the development of sustainable energy as a national energy source, and biomass is the most potential to become alternative energy. Utilization of biomass as raw material for hydrogen is very prospective for the provision of biohidrogen plant. Hydrogen was chosen because it is a substance that has many critical functions in chemical industries. The process in biohidrogen from biomass plant is divided into several process units, such as raw material pretreatment, gasification unit, char combustor unit, compression unit, H2S removal unit, steam reforming unit, water gas shift unit, and pressure swing adsorber unit.

This research will explain the process control of compressor and steam reformer. Both units are essential in order to achieve the desired pressure for the input of H2S Removal and to get hydrogen gas at Steam Reformer unit. The controller used in this research is a PI controller because it can handle virtually any process control situation. To get optimum performance, controller tuning method is done by the method of Ziegler Nichols, Lopez, and Default Unisim, then compare the IAE (Integral Absolute Error) and ISE (Integral Square Error) values of the three types of tuning methods. The result is the optimum pressure control and temperature control is by Ziegler Nichols tuning method. While the optimum control for surge-01, surge-02, and surge- 03 is Default Unisim, and for surge-04 is Lopez tuning method."

"ABSTRAKPengendalian proses pemisahan metanol-air pada produksi dimethyl ether (DME) dari gas sistesis menggunakan pengendali Model Predictive Control (MPC) jenis single-input single-output (SISO) telah menunjukkan hasil yang lebih baik dibandingkan dengan penggunaan pengendali Propotional-Integral (PI). Namun, penerapan pengendali MPC tunggal ini membuat proses produksi DME menjadi tidak ekonomis dikarenakan biaya modal pengendali MPC lebih besar dibandingkan pengendali PI. Pada penelitian ini, dirancang pengendali Multivariable Model Predictive Control (MMPC 4x4) dengan empat variabel masukan atau variabel yang dimanipulasikan (manipulated variable, MV) dan empat variabel keluaran atau variabel yang dikendalikan (controlled variable, CV). Pengendali MMPC diusulkan untuk mengurangi jumlah pengendali yang digunakan (empat MPC) serta mengatasi interaksi antar-variabel yang akan memengaruhi kinerja pengendalian. Perancangan pengendali meliputi identifikasi interaksi antar-variabel melalui pemodelan empirik first-order plus dead time (FOPDT) dan penyetelan pengendali. Empat CV tersebut meliputi suhu kondensor, suhu keluaran cooler, level kondensor, dan level kolom, sedangkan empat MV-nya meliputi beban kondensor, beban cooler, laju alir produk distilat, dan laju alir produk bawah. Hasilnya menunjukkan bahwa interaksi antar variabel yang teridentifikasi meliputi seluruh variabel yang terlibat, sehingga didapatkan matriks 4x4 yang berisi 16 model FOPDT. Nilai parameter pengendali berupa sampling time (T), prediction horizon (P), dan control horizon (M) yang memberikan kinerja pengendalian yang optimum berturut-turut adalah 2, 24, dan 10. Penggunaan MMPC memberikan kinerja pengendalian yang lebih baik dibandingkan dengan MPC, yang ditunjukkan oleh penurunan IAE sebesar 7% hingga 72% dan penurunan ISE sebesar 14% sampe 83%.

---

ABSTRACTProcess control of separating methanol-water from the production of dimethyl ether (DME) from synthesis gas using the Model Predictive Control (MPC) controller of single-input single-output (SISO) type has shown better results compared to the use of Propotional-Integral (PI) controllers. However, the application of this single MPC controller made the DME production process uneconomical because the MPC controllers capital cost was greater than the PI controller. In this study, a Multivariable Model Predictive Control (MMPC 4x4) controller was designed with four input variables or manipulated variables (manipulated variables, MV) and four controlled variables (controlled variables, CV). The MMPC controller is proposed to reduce the number of controllers used (four MPC) and overcome inter-variable interactions that will affect control performance. The design of the controller includes the identification of inter-variable interactions through first-order plus dead time (FOPDT) empirical modeling and controller adjustments. The four CVs include condenser temperature, cooler output temperature, condenser level, and column level, while the four MVs include condenser load, cooler load, distillate product flow rate, and bottom product flow rate. The results show that the interactions between the variables identified include all the variables involved, resulting in 16 FOPDT models. The control parameter values ​​in the form of sampling time (T), prediction horizon (P), and control horizon (M) that provide optimum control performance are 2, 24, and 10. The use of MMPC provides better control performance compared to MPC, which is indicated by a decrease in IAE of 7% to 72% and a decrease in ISE of 14% to 83%."

"Pengendalian keluaran tekanan uap steam-drum boiler pada PLTU penting dilakukan agar dapat menghasilkan energi yang cukup untuk memutar turbin generator sehingga menghasilkan daya listrik yang diinginkan. Untuk merancang sistem pengendalian tekanan uap yang tepat diperlukan model steam-drum boiler dan metode perancangan pengendali yang mampu mengatasi perubahan kondisi steam-drum boiler yang dinamis.Pada tesis ini, diaplikasikan dua metode perancangan sistem kendali untuk steam-drum boiler yaitu sistem kendali PID dan LQR (Linear Quadratic Regulator). Sistem kendali PID dirancang untuk sistem SISO (single input single output). Sistem SISO merupakan bentuk penyederhanaan dari sistem MISO (multi input single output) dengan menganalisa besarnya efek masing-masing masukan terhadap keluarannya. Berdasarkan model SISO ini, parameter kendali PID ditetapkan dan dipergunakan untuk mengendalikan laju alir panas masukan. Pada perancangan sistem kendali LQR, kendali ini diaplikasikan baik untuk sistem SISO maupun MISO. Kendali LQR yang dikembangkan memiliki prekompensator.Untuk mengetahui efektifitas dari rancangan yang didapat simulasi dilakukan dengan mempergunakan perangkat lunak MATLAB/SIMULINK. Pada simulasi ini, kinerja masing-masing sistem kendali (PID dan LQR) dibandingkan pada sistem SISO, sedangkan untuk sistem MISO pembandingan dilakukan antara kendali LQR dengan pre-kompensator dan tanpa pre-kompensator. Dari hasil simulasi yang didapat bahwa untuk sistem SISO kinerja kendali PID menghasilkan overshoot pada keluarannya, sedangkan pada kendali LQR tanpa pre-kompensator akan menghasilkan kenaikan sesaat pada sinyal kendali panas masukan yang sangat besar sekali. Untuk sistem MISO kinerja kendali LQR menggunakan pre-kompensator menghasilkan keluaran tanpa adanya overshoot dengan kenaikan sesaat pada panas masukan yang lebih kecil dibandingkan tanpa menggunakan pre-kompensator.

---

Controlling steam pressure output from a steam-boiler drum in power plant is important in order to produce enough energy to turn turbine generators that can produce the desired electrical power. To design a proper control system, steamdrum boiler model and controller design method is needed to be able to deal with the changing conditions of the steam-drum boiler dynamics.

In this thesis, two methods of control system design have been applied for the steam-drum boiler, which are PID and LQR (Linear Quadratic Regulator) control system. The designed of PID control system is applied on SISO system (single input single output). SISO system is a model simplification from MISO system by analyzing the effect of each input to output. Based on SISO model, PID control parameters are established and used to control the flow rate of heat input. In the LQR control system design, these controls are applied both for SISO and MISO systems. The LQR control system has a pre-compensator.

To determine the effectiveness of the designed control system, simulation was performed by using the software MATLAB / SIMULINK. In this simulation, for SISO system the performance of control system (PID and LQR) compared each other, while for MISO systems comparison is made between LQR control with pre-compensator and without pre-compensator. Results of the simulation shows that the preformance of SISO system using PID control produced overshoot on the output, while the LQR control without pre-compensator produced a huge momentary increase in heat input control signals. The performance of MISO system using LQR control with pre-compensator produced an output without any overshoot and momentary increase in heat input is much smaller compared without using a pre-compensator."