BAB I1 PENDAHULUAN
1.1 Latar Belakang Generator uap air merupakan unit plant yang banyak digunakan dalam dunia industri. Plant ini biasanya terdapat pada pembangkit listrik baik itu pembangkit listrik tenaga uap maupun pembangkit listrik tenaga nuklir. Generator uap akan menghasilkan
uap
yang
digunakan
untuk
menggerakkan
turbin
dan
mengkonversikan energi mekanik menjadi energi listrik (Weston, 1992). Selain itu, generator uap juga digunakan pada industri penghasil minyak bumi untuk mengekstrak minyak dari dalam bumi melalui sistem injeksi uap pada reservoir minyak (Willmann dkk, 1961). Generator uap merupakan sistem yang sangat kompleks, nonlinear dan timevariant dengan konfigurasi multiple-input multiple-output (MIMO) (Man, 2001). Hal inilah yang menyebabkan generator uap sulit untuk dimodelkan. Padahal model generator uap sangat dibutuhkan, contohnya model generator uap yang memiliki 8 parameter luaran dan 9 parameter masukan. Menurut Maria (1997) pemodelan merupakan suatu proses untuk membuat sebuah model yang merepresentasikan sebuah bentuk nyata dari sistem dalam bentuk yang lebih sederhana. Dilakukannya pemodelan sistem bertujuan untuk menganalisis dan memberi prediksi yang sangat mendekati kenyataan sebelum sebuah sistem nantinya diimplementasikan. Hal ini bertujuan untuk meminimalkan terjadinya kesalahan atau ketidaksesuaian yang mungkin terjadi. Model dari generator uap dapat digunakan sebagai operator training simulator (OTS). Hal ini disebabkan karena operator yang berpengalaman pun masih menemukan kendala dalam mengoperasikan generator uap sehingga kesalahan atau ketidaksesuaian yang terjadi dapat diminimalkan. Selain itu model dari generator uap juga dapat dikembangkan dengan algoritme optimasi untuk memberikan rekomendasi masukan yang efisien dan menghasilkan luaran yang optimum. Terdapat beberapa metode untuk mendapatkan model matematis dari suatu sistem. Namun harus diketahui jenis sistem yang akan dimodelkan terlebih dahulu,
1
2
apakah merupakan sistem linear atau nonlinear. Metode yang banyak digunakan untuk memodelkan sistem linear adalah fungsi transfer. Metode ini akan mendeskripsikan perilaku masukan luaran dari sistem (Dorf dkk, 2011). Namun metode ini hanya cocok pada sistem linear, dengan konfigurasi single-input singleoutput (SISO) sehingga sangat sulit untuk memodelkan generator uap yang memiliki konfigurasi MIMO. Terdapat beberapa metode untuk memodelkan sistem nonlinear, yaitu polynomial orthogonal, seri volterra dan volterra-wiener (Ramamoorthy, 2002). Namun metode-metode tersebut cukup sulit untuk memodelkan generator uap. Hal ini disebabkan karena dibutuhkan variabel proses dan informasi yang lengkap dari sistem yang dimodelkan. Salah satu pendekatan untuk mengidentifikasi model pada sistem nonlinear, yaitu dengan menganggap sistem sebagai black box yang memiliki banyak parameter masukan dan luaran. Sistem black box ini dapat dimodelkan dengan jaringan saraf tiruan (JST) (Willis dkk, 2000). Tidak seperti metode pemodelan yang telah disebutkan sebelumnya yang membutuhkan variabel proses yang lengkap, JST tidak membutuhkan informasi yang banyak dari sebuah proses seperti kedinamisan proses, kenonlinearitasan sistem dan urutan pemrosesan antara hubungan matematika (Dai, 1994). Selain itu, tidak terdapat keterbatasan linearitas dari proses yang dapat diproses oleh JST. Hal ini disebabkan karena jaringan saraf tiruan tersusun dari unit pemroses nonlinear, yang disebut dengan neuron. Dalam tugas akhir ini akan dilakukan pemodelan generator uap yang memiliki 8 parameter luaran berdasarkan 9 parameter masukannya menggunakan jaringan saraf tiruan algoritme perambatan balik dengan laju pembelajaran dan momentum adaptif sehingga diperoleh model yang mendekati sistem nyata. Model yang dihasilkan akan diimplementasikan pada simulator yang dapat menunjukkan perubahan nilai luaran terhadap perubahan nilai masukan dari generator uap ketika beroperasi.
1.2 Rumusan Masalah Berdasarkan latar belakang di atas, maka rumusan masalah dalam penelitian ini adalah bagaimana memodelkan generator uap yang memiliki 8 parameter luaran
3
berdasarkan 9 parameter masukan dengan jaringan saraf tiruan (JST) algoritme perambatan balik dengan laju pembelajaran dan momentum adaptif sehingga diperoleh model yang mendekati sistem nyata.
1.3 Batasan Masalah Batasan Masalah dalam penelitian ini adalah sebagai berikut : 1.
Pemodelan dilakukan dengan menganggap sistem di dalam generator uap sebagai black box.
2.
Basic Regulatory Control (BRC) atau sistem kendali yang telah diimplementasikan pada generator uap yang sebenarnya bukan merupakan bahasan pada penelitian ini.
3.
Data generator uap yang didapatkan dan digunakan sebagai pelatihan dan uji coba pada penelitian ini merupakan data yang diperoleh dari Steam Generator 11, Train 5S, PT. Chevron Pacific Indonesia, Duri.
4.
Parameter masukan mesin penghasil uap air yang terlibat adalah aliran air (gpm), tekanan air (psig), tekanan air pada pipa (inH2O), aliran udara (mscfd), kecepatan pompa udara (%), tekanan bahan bakar (psig), temperatur bahan bakar (oF), aliran bahan bakar (mscfd) dan bukaan katup gas (%).
5.
Luaran yang dimodelkan pada penelitian ini yaitu kualitas uap (%), tekanan uap (psig), aliran uap (bspd), temperatur uap (oF), tekanan uap pada pipa (psig), energi pembakaran (mmbuth), kadar O2 (%) dan temperatur cerobong (oF).
1.4 Tujuan Penelitian Penelitian ini bertujuan untuk memodelkan generator uap yang memiliki 8 parameter luaran (energi pembakaran, kadar O2, temperatur cerobong, kualitas uap, tekanan uap, temperatur uap, tekanan uap dalam pipa dan aliran uap) berdasarkan 9 parameter masukan (aliran air, tekanan air, tekanan air pada pipa, kecepatan pompa udara, aliran udara, bukaan katup bahan bakar, tekanan bahan bakar, temperatur bahan bakar dan aliran bahan bakar) sehingga dihasilkan model yang mendekati sistem nyata dari generator uap Steam Generator 11, Train 5S, PT. Chevron Pasific Indonesia, Duri.
4
1.5 Manfaat Penelitian Manfaat penelitian ini yaitu : 1.
Model dan simulator generator uap dapat digunakan sebagai operator training simulator (OTS).
2.
Model dapat digunakan untuk memprediksi masukan luaran dari generator uap.
3.
Model dapat digunakan untuk untuk penelitian lebih lanjut.
1.6 Metodologi Penelitian Metodologi penelitian yang digunakan adalah: 1.
Studi pustaka dilakukan untuk mencari referensi penelitian.
2.
Persiapan data dilakukan untuk memperoleh data masukan dan luaran generator uap yang terdiri dari 9 parameter masukan dan 8 parameter luaran.
3.
Perancangan sistem merupakan perancangan perangkat lunak yang terdiri dari perancangan program pelatihan JST dan perancangan simulator pengujian generator uap.
4.
Implementasi adalah pengerjaan perangkat lunak hingga sistem siap diuji.
5.
Tahapan pengujian dilakukan untuk mendapatkan data-data yang dapat dianalisis dan untuk mengetahui kekurangan pada sistem untuk kemudian dapat diperbaiki.
6.
Penulisan laporan dilakukan dilakukan setelah mendapatkan data-data yang cukup dari hasil pengujian.
1.7 Sistematika Penulisan Sistematika penulisan yang digunakan dalam penyusunan tugas akhir ini adalah sebagai berikut :
BAB I : PENDAHULUAN Berisi latar belakang penelitian, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian sera sistematika penulisan.
5
BAB II : TINJAUAN PUSTAKA Tinjuauan pustaka memuat uraian sistematis tentang informasi hasil penelitian yang disajikan dalam pustaka dan menghubungkannya dengan masalah penelitian yang sedang diteliti.
BAB III : DASAR TEORI Pada bagian ini berisi penjelasan secara teori mengenai metode dan algoritme yang digunakan pada sistem.
BAB IV : PERANCANGAN SISTEM Bab ini berisi penjelasan tentang rancangan penelitian yang terdiri rancangan pengambilan data, rancangan model yang dibangun, rancangan perangkat lunak yang dihasilkan.
BAB V : IMPLEMENTASI SISTEM Bab ini berisi tentang penjelasan mengenai implementasi pemodelan dengan jaringan saraf tiruan dan perangkat lunak yang dibuat menggunakan MATLAB R2013a.
BAB VI : HASIL PENELITIAN DAN PEMBAHASAN Bab ini berisi mengenai hasil pengujian yang terdiri dari dua tahap, yaitu tahap membangun model jaringan syarad tiruan algoritme pelatihan perambatan balik dan tahap menguji model.
BAB VII : PENUTUP Bab ini berisi kesimpulan dari peneliti dan saran-saran pengembangan penelitan selanjutnya.
