Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pengendali PID merupakan pengendali yang sudah teruji dan banyak diterapkan pada proses pengendalian suatu sistem, salah satu penerapannya yaitu pada pengendalian sudut pitch kapal selam. Walaupun pengendali PID (Fixed parameters) ini bekerja dengan baik namun performance-nya menurun pada saat kapal mengalami perubahan kecepatan maupun saat terjadinya gangguan seperti gelombang dan arus laut. Selain itu diperlukan waktu yang cukup lama dalam melakukan penalaan terhadap parameter-parameter pengendali PID jika proses penalaan itu dilakukan secara manual (trial and error). Oleh sebab itu dibutuhkan suatu metode untuk mengatasi permasalahan tersebut. Pada skripsi ini dibahas penerapan GMRAC (Genetic Model Reference Adaptive Control) dalam proses pengendalian sudut pitch kapal selam. GMRAC merupakan sistem kendali adaptif yang didalamnya terdapat algoritma genetika sebagai metode penalaan terhadap pengendali suatu plant (kendalian) yang berdasarkan acuan model referensi sistem tersebut. Algoritma genetika digunakan sebagai teknik pencarian parameter-parameter pengendali PID berdasarkan mekanisme genetika dan seleksi alam, sedangkan model referensi digunakan sebagai acuan agar hasil keluaran sistem yang dikendalikan berkelakuan sesuai dengan performance yang diinginkan. Proses penalaan pengendali PID dilakukan secara dinamis terhadap perubahan kecepatan kapal maupun saat adanya gangguan (disturbance) yang sangat mempengaruhi dinamika kapal selam. Hasil pengendalian sudut pitch kapal selam dengan GMRAC disimulasikan dengan menggunakan perangkat lunak MATLAB versi 5.3 yang ditampilkan berupa grafik tanggapan waktu untuk menunjukkan settling time, rise time, overshoot danerror selama simulasi serta grafik error antara model referensi dan sistem GMRAC. Berdasarkan karakteristik tanggapan waktu dan grafik error terscbut akan dilihat performance pengendalian GMRAC terhadap perubahan kecepatan kapal maupun dalam mengatasi gangguan (disturbance) yang menerpa kapal."

"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]."

"Kehandalan suatu pengendali (conlroller) sangat tergantung dari kemampuan pengendali tersebut dalam memberikan respon terhadap stimulan masukan dalam waktu yang tertentu_ Jika suatu pengendali memberikan respon pada waktu yang tidak sesuai maka dapat dikatakan respon yang diberikan pengendali tersebut adalah respon yang salah dan tidak berguna walaupun menghasilkan output dengan logika yang benar.Pengendali digital real lime berbasis microconrroller 8051 ini mempakan pengendali digital (digiiai comroller) yang menmanfaatkan kemampuan microcouirol/er 805| yang merupakan microcontroller 8 bit yang memiliki kemanapuan real- time déngan kemampuannya dalam niénangani kelima sininber ii:/er/vqzi yang dimilikinya, dua buah I6 bit li/mfr dan kecepatan processor-nya yang dapat mengeksekusi lebih dad satu perinlah per satu us. Dengan kemampuan rea/ time ini maka pengendali digital dapat memberikan respon dengan tepat sesuai clengan wal-:tu yang ditentu kan.Untuk meningkatkan lleksibilitas pengendalian, pengendali digital rea/ Jima ini juga dilengkapi dengan lcemampuan reprogramming atau dapat diprogram kembali menggunakan metode onboard programming yang memungkinkan pemrograman ulang dilakukan langsung pada board pengenclali dengan menggunakan smarr keyboard. Dengan adanya kemampuan reprogramming ini maka memungkinkan pengendali digital untuk diprogram ulang sesuai dengan kebutuhan_"

"Pada skripsi ini penalaan pengendali PID dengan kriteria integral kuadrat kcsalahan dikalikan bobot waktu diaplikasikan dengan metoda bobot acuan yang berfungsi mereduksi overshoot. Harga parameter PID didapat pada karakteristik dinamis sistem dengan pemilihan kriteria performansi yang diterapkan, dengan terlebih dahulu sistem yang akan dioptimasi harus diketahui fungsi alihnya. Pengalian bobot waktu akan membuat lebih selektif suatu indeks performansi, yang sangat penting dalam menentukan harga parameter yang optimal dan mereduksi osilasi pada tanggapan sistem.Optimasi dilakukan pada kawasan frekwensi dengan menerapkan metoda rekursif algoritma integral Astroms, disini penerapan approksimasi Pade dapat dilakukan untuk sistem yang mempunyai waktu tunda, clan minimasi dilakukan dengan metoda simplex Nelder-Mead dengan harga awal yaitu parameter PID Zigler-Nichols. Prosedur ini sangat menguntungkan karena menjadi sederhana dalam analisis dan perancagannya.Uji coba simulasi dilakukan untuk dua buah model sistem dengan orde yang tinggi dan dua buah model sistem yang mempunyai waktu tunda. Hasil simulasi yang dikendalikan menunjukkan pengendali PID berdasarkan indeks performansi dengan kriteria pengalian bobot waktu dapat melakukan perbaikan pada settling time, overshoot dan osilasi dari suatu proses dan penerapan bohot aeuan pada pengendali PID akan memperbaiki respons yang sudah didapat menjadi lebih baik."

"Budidaya mikroalga menggunakan PBR mampu memberikan hasil yang maksimal dikarenakan PBR mampu dikontrol secara maksimal. Meskipun begitu sistem ini sulit untuk dikembangkan untuk skala besar dikarena volume dan biaya yang dibutuhkan sangat besar. Pada penelitian ini dikembangkan sistem sepuluh photobioreactor (PBR) volume kecil dengan sistem kontinu yang disusun secara seri dengan sistem sirkulasi. Hal ini terbukti mempu meningkatkan produktivitas produksi biomassa mikroalga. Model yang dikembangkan mendapatkan hasil yang baik yaitu 162,2 g/m3 ­dan 192,2 g/m3 konsentrasi biomassa pada dua kondisi tekanan parsial karbon dioksida yang berbeda. Menggunakan metode regresi linear didapatkan bahwa model ini merupakan sistem yang tidak linear terhadap perubahan lajur alir masuk PBR dengan nilai regresi sebesar 0,69. Dikarenakan tingkat ke non-linearannya yang tinggi maka digunakan neural network model predictive control (NNMPC) pada sistem PBR ini sebagai pengendali. NNMPC digunakan dikarenakan kelebihannya dalam identifikasi sistem dibandingkan model MPC konvensional serta memiliki kinerja yang lebih baik dibandingkan pengendali MPC dan PID. NNMPC menggunakan neural network untuk mengidentifikasi hubungan nonlinear pada sistem dan mampu mengidentifikasi dengan akurat. Pada sistem ini konsentrasi biomassa dikontrol dengan cara memanipulasi laju alir masuk PBR. NNMPC terbukti mampu mengendalikan sistem PBR dengan baik dengan model neural network dan desain NNMPC yang tepat. Parameter optimum NNMPC yang berupa sampling time (T), prediction horzion (P), dan control horizon (M) yang digunakan pada sistem PBR ini berturut-turut adalah 0,2, 10, dan 3. NNMPC mampu mengatasi perubahan set point dan gangguan meskipun terdapat overshoot dan offset yang relatif kecil yaitu di bawah 1%. Selain itu settling time ketika menggunakan NNMPC berkisar 110 hingga 269 jam.

---

Microalgae cultivation using PBR is able to provide maximum results because PBR can be controlled optimally. This system is difficult to develop for a large scale because the volume and cost required are substantial. In this study, a ten-volume photobioreactor (PBR) system with a continuous system was developed in series with the circulation system. This has proven to be able to increase the productivity of microalgae biomass production. The developed model has good results, namely 162.2 g / m3 ¬ and 192.2 g / m3 biomass concentration under two different carbon dioxide partial pressure conditions. Using the linear regression method, it was found that this model is a non-linear system for changes in the PBR inlet flow with a regression value of 0.69. Due to the high level of non-linearity, the neural network predictive control (NNMPC) model is used as a controller in this PBR system . NNMPC is used because of its advantages in system identification compared to conventional MPC models and has better performance than MPC and PID controllers. NNMPC uses neural networks to identify non-linear relationships in the system and able to identify accurately. In this system, the biomass concentration was controlled by manipulating the PBR inflow rate. NNMPC is proven able to control PBR systems well with neural network models and the right NNMPC designs. The optimum parameters of NNMPC in the form of sampling time (T), prediction horizon (P), and control horizon (M) used in this PBR system are 0.2, 10, and 3. NNMPC is able to overcome changes in setpoints and interference, although there is a relatively small overshoot and offset, which is below 1%. Besides settling time when using NNMPC ranges from 110 to 269 hours."

"ABSTRAKTelah dibuat sebuah alat kontrol yang digunakan untuk mempercepat reaksisuatu larutan dengan cara mengendalikan kecepatan putaran pengaduk dan temperaturpada alat pencampur otomatis. Pengaturan kecepatan putaran pengaduknya dengancara mengatur kecepatan pada motor DC dan sensor temperaturnya menggunakantermokopel tipe K. Alat ini dilengkapi dengan heater sebagai pemanas untukmenaikan atau menurunkan temperatur larutan. Digunakan sebuah komputer (PC)untuk mengendalikan dan menampilkan nilai dari kecepatan putaran pengaduk (rpm)dan temperatur (oC) dengan memasukkan nilai Set Point (SP)."