Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sistem boiler pada pembahasan tesis ini merupakan sistem mutivariabel, yang mempunyai empat variabel keadaan, dua variabel masukan dan dua variabel keluaran. Dengan variabel pengendali adalah tekanan drum (drum pressure) (y1) dan selisih tingkat air/level air didalam drum (drum water level) (y3 ), sedangkan variabel yang dimanipulasi adalah laju aliran bahan bakar (fuel flow rate) ( u1 ) dan laju aliran air pengisi drum (feedwater flow rate) (u3).Tujuan dari sistem pengendalian boiler adalah untuk mengatur tekanan uap (drum pressure) (y1) disekitar 320 psi dan level air di dalam drum (drum water level) (y3) disekitar 0 inch terhadap perubahan beban uap. Salah satu pengendalian sistem boiler adalah pengendali PI. Pengendali PI ini akan mengendalikan boiler agar boiler mampu memiliki kinerja yang baik karena pengendali PI dapat mempercepat respon sistem menuju setpoint dan dapat menghilangkan offset atau error steady state.Pada pembahasan tesis ini pengendalian sistem boiler akan melakukan penalaan parameter pengendali PI berbasis algoritma genetika untuk mendapatkan nilai parameter yang optimal.Hasil yang diperoleh dari penalaan PI berbasis algoritma genetika pada pembahasan tesis ini sudah dapat mencapai kriteria yang diinginkan seperti overshoot, rise time dan settling time. Dan respon keluaran dari pengendali PI yang ditala dengan algoritma genetika ternyata menunjukkan hasil yang lebih baik jika dibandingkan dengan respon keluaran dari pengendali PI yang ditala dengan cara trial error seperti pada acuan [2] dan [3].

---

Boiler system described in this thesis is multivariable system, which have four state variable, two input and two output variable. Where variable control is drum pressure (y1) and delta drum water level (y3), whereas the manipulated variable is fuel flow rate (u1 ) and feedwater flow rate (u3 ).

The purpose in this boiler control is to make the drum pressure (y1) around 320 psi and drum water level (y3) around 0 inch towards the changes of steam load. One of boiler system control is PI controller. PI controller will control the boiler to make the boiler have a good performance, because PI controller can enforce system response more quicker into the set point and can eliminate offset or error steady state.

In this thesis a boiler system controller will do a tunning parameter on PI controller based on Genetic Algoritms to produce optimal parameter value.

The result from PI tunning based on Genetic Algorithm in this thesis already fulfill the criteria like overshoot, rise time, and settling time. And output respons from PI controller that have been tunning with genetic algoritms shows the better result when compares with output response from PI controller which tunning with trial error method [2] , [3]."

"Penerapan teknik kontrol automatis pada pengendalian level dan temperature fluida menggunakan metoda pengendalian logika fuzzy merupakan sebuah penelitian dalam skala laboratorium, dimana pada tahapan ini sebuah sistem multivariabel digunakan sebagai obyek pengendalian. Metode logika fuzzy yang digunakan, akan berperan didalam memutuskan seberapa besar nilai respon pengendalian yang diberikan pada plant saat berkerja dalam suatu sistem yang bersifat linear maupun tidak linear, yang diakibatkan oleh adanya perubahan level dan temperature fluida maupun gangguan eksternal, dan diperoleh dari hasil pembacaan sensor. Hasil penelitian ini pada akhirnya akan membentuk sebuah sistem yang bersifat MIMO (Multiple-Input, Multiple-Output), melalui hubungan yang saling mempengaruhi antara parameter masukan dan keluaran."

"Komputer sebagai alat bantu hitung telah banyak memberikan manfaat bagi penyelesaian masalah yang dihadapi manusia. Dengan menggunakan computer maka tiap masalah akan lebih mudah diselesaikan. Komputer akan tetap berupa benda mati yang tidak akan mengerjakan apapun tanpa perintah dari manusia sebagai pemakainya. Agar komputer dapat bekerja sesuai dengan fungsinya maka diperlukan pemrogram yang memerintahkannya untuk mengerjakan suatu fungsi tertentu. Salah satu contoh penggunaan dari komputer adalah sebagai alat bantu untuk perancangan kompensator sistem multivariabel. Perancangan kompensator dengan analisa frekuensi diperkenalkan oleh Rosenbrock yang dikenal dengan metode Inverse Nyquist Array. Dengan menggunakan kompensator ini maka system multivariabel akan menjadi beberapa sistem satu masukan satu keluaran (SISO). Kemampuan komputer sebagai alat bantu hitung dan alat bantu dalam penggambaran gralik sangat dibutuhkan disini. Grafik yang merupakan hasil perhitungan dan suatu rumusan yang kompleks dapat dengan mudah ditampilkan oleh komputer. Grafik inilah kemudian yang akan dianalisa untuk kemudian digunakan sebagai acuan dalam perancangan kompensator sistem multivariable."

"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."

"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."

"Latar Belakang: Rendahnya ketepatan kultur bakteriologis dan kurangnya fasilitas pencitraan terutama di daerah perifer, mendiagnosis meningitis tuberkulosis (MTB) pada anak menjadi suatu tantangan.Tujuan: untuk membentuk sistem skor yang terdiri dari manifestasi klinis dan pemeriksaan laboratorium sederhana untuk membantu diagnosis MTB pada anak.Metode: Studi retrospektif menggunakan model prediktif diagnostik multivariabel dengan anak usia 3 bulan hingga 18 tahun terdiagnosis meningitis, dirawat inap selama periode Juli 2011 hingga November 2021 di rumah sakit tersier.Hasil: Dari 10 variabel yang memiliki signifikansi statistik dengan TBM, diperoleh 8 variabel untuk membangun model prediksi untuk mengidentifikasi TBM. Variabel ini dibagi menjadi dua bagian skoring yang keduanya memiliki diskriminasi dan kalibrasi yang baik, sistem skoring sistemik (4 parameter, batas nilai skor ³3, sensitivitas 78,8%, spesifisitas 86,6% dengan AUC 89,9% (p<0,001) ) dan sistem skoring neurologis (4 parameter, batas nilai skor ³2, sensitivitas 61,2%, spesifisitas 75,2% dengan AUC 73,3% (p<0,001). Sistem skoring ini bila digunakan bersamaan dan memenuhi batas nilai skor masing-masing, dapat memprediksi diagnosis TBM pada anak dengan baik (sensitivitas 47,1%, spesifisitas 95,1%, dan nilai prediksi positif 90,9%).Kesimpulan: Sistem skoring klinis yang terdiri dari dua bagian, skor sistemik dan skor neurologis, memiliki kemampuan yang baik dalam memprediksi diagnosis TBM pada anak.

---

Due to the low accuracy of culture techniques in bacteriological confirmation and the lack of brain imaging facilities especially in peripheral areas, diagnosing tuberculous meningitis (TBM) in children become a challenge

Objective : to establish scoring systems consisting of clinical manifestations and simple laboratory examination to help diagnosing TBM in children.

Method: Retrospective study using a multivariable diagnostic predictive model with children diagnosed as meningitis aged 3 months to 18 years, hospitalized during July 2011 until November 2021 period in a tertiary hospital.

Result: From 10 variables that have statistical significance with TBM, 8 variables were obtained for establishing the predictive model to identify TBM. These variables divided into two scoring parts which both had good discrimination and calibration, the systemic scoring system (4 parameters, total cut-off score ³3, sensitivity of 78.8%, specificity of 86.6% with AUC of 89.9% (p<0.001)) and the neurological scoring system (4 parameters, total cut-off score ³2, sensitivity of 61.2%, specificity of 75.2% with AUC of 73.3% (p<0.001)). Furthermore, these scoring systems when used together and met the cut-off score respectively, can predict the diagnosis of TBM in children well (sensitivity 47.1%, specificity 95.1%, and positive predictive value 90.9%).

Conclusion: a clinical scoring systems consist of two parts, systemic score and neurological score, have good ability in predicting the diagnosis of TBM in children."