Desain Pengaturan Level Pada Coupled Tank Proccess Rig 38-100 Menggunakan Kontroler Self-Tuning Fuzzy PID Hybrid Tugas Akhir - TE091399
Leonardus Harsa Manggala Putra 2208.100.009 Jurusan Teknik Elektro FTI ITS, Surabaya 60111 email:
[email protected]
L/O/G/O
Agenda ThemeGallery is a Design Digital Content & Contents mall developed by Guild Design Inc.
1
Pendahuluan
2
Perancangan Sistem
3
Pengujian dan Analisis
4
Penutup
Pendahuluan
Latar Belakang Permasalahan Tujuan
Latar Belakang
Permasalahan
Tujuan
Plant level-coupled tank banyak diimplementasikan pada plant pengaturan di dunia industri dan pada penerapannya plant ini sangatlah tidak stabil, responnya yang cenderung lambat dan pengendaliannya yang selalu berhubungan dengan perubahan beban tertentu. Kontroler PID banyak digunakan dalam dunia industri tetapi tidak dapat mempertahankan kriteria yang diinginkan apabila terjadi perubahan beban pada plant. Serta, kontroler diferential yang sensitif terhadap perubahan error yang cepat dan tiba-tiba. [ Image information in product ] Title Image - www.themegallery.com Note to customers : This image has been licensed to be used within this PowerPoint template only. You may not extract the image for any other use.
Latar Belakang
Permasalahan
Tujuan
Plant level-coupled tank memiliki karakteristik yang tidak stabil terhadap perubahan beban yang terjadi dan kontroler PID hanya mampu mengontrol plant apabila perubahan parameter yang terjadi tidak terlalu besar. Namun apabila perubahan parameter plant terlalu besar, maka parameter PID perlu ditala ulang.
[ Image information in product ] Title Image - www.themegallery.com Note to customers : This image has been licensed to be used within this PowerPoint template only. You may not extract the image for any other use.
Latar Belakang
Permasalahan
Tujuan
Merancang kontroler Fuzzy-PID Hybrid untuk menala parameter PI apabila terjadi perubahan beban dan berfungsi sebagai pengganti kontroler PD.
[ Image information in product ] Title Image - www.themegallery.com Note to customers : This image has been licensed to be used within this PowerPoint template only. You may not extract the image for any other use.
Perancangan Sistem Level and Flow Process Rig 38-100
Metode Pembebanan Identifikasi Sistem
Desain Kontroler
Level and Flow Process Rig 38-100
Metode Pembebanan MV1 dibuka, MV2 dibuka, SV ditutup
Nominal
Beban
Minimal MV1 dibuka, MV2 ditutup, SV ditutup
MV1 dibuka, MV2 dibuka, SV ditutup
Maksimal
Identifikasi Metode Strejc
Pada proses pengambilan data untuk kondisi beban nominal didapat nilai Yss = 65% dan Xss=70% dengan nilai awal respons sebesar 35%, sehingga agar nilai awal dimulai dari 0%, data yang didapat dikurangi dengan 35 secara keseluruhan.Sehingga Yss=30% dan Xss=35%, sehingga didapat: K=
Yss 30 = = 0.857 X ss 35
Tu 2.5 = = 0.124 Ta 20.1
T=
Ta 20.1 = = 7.395 2.718 2.718
Ta Tu = Tu '
× Ta = 0.104 × 20.1 = 2.090 tabel
τ = Tu − Tu' = 2.5 − 2.090 = 0.410
n
Ta/T
Tu/T
Ta/Tu
1
1
0
0
2
2.718
0.282
0.104
3
3.695
0.805
0.218
4
4.463
1.425
0.319
5
5.119
2.100
0.410
G (s) =
0.351s + 0.857 54.686 s 2 + 14.790 s + 1
Validasi Model 70
∑ (y
RMSE = 0.295
1,i
60
n Level (%)
i =1
− y 2 ,i )
2
n
RMSE =
65
55
50
45
Setpoint Respons Plant Respons Model
40
35
0
10
20
30
40 Waktu (s)
50
60
70
Hasil Pemodelan Loop Tertutup Beban Minimal Nominal Maksimal
Model Matematika
RMSE
0.416 s + 0.943 G (s) = 53.071s 2 + 14.570 s + 1
0.298
0.351s + 0.857 54.686 s 2 + 14.790 s + 1
0.295
G (s) =
0.262 s + 0.714 G( s) = 107.641s 2 + 20.750 s + 1
0.274
Pemodelan Loop Terbuka R(s)
E(s)
+
Kp
U(s)
G(s) H(s)
C(s)
-
H (s) =
K ( As + 1) αs 2 + β s + 1 KpK
C ( s) = R( s)
(1 + K K ) ( As + 1) (K KA + β ) s + 1 s + (1 + K K ) K) p
α
(1 + K
2
p
p
p
» Bila
K ' ( A' s + 1) K ' A' s + K ' G( s) = ' 2 = α s + β 's +1 α 's2 + β 's +1
Pemodelan Loop Terbuka Bila K' =
KpK
(1 + K K ) p
K ( A s + 1) = G ( s) = ' 2 ' α s + β s +1 '
KpK
'
(1 + K K ) ( As + 1) ( K KA + β ) s + (1 + K K ) s + 1 K) p
α
(1 + K
2
p
;maka
A' =
KpK
(1 + K K )
A
p
p
p
α' =
α
(1 + K K ) p
β' =
(K KA + β ) (1 + K K ) p
p
Pemodelan Loop Terbuka Digunakan Kp=5 pada tiap kondisi beban, sehingga didapat model matematika pada dari 3 kondisi beban sebagai berikut Beban Minimal Nominal Maksimal
Model Matematika
H ( s) =
3.309(0.441s + 1) 931.131s 2 + 248.335s + 1
H ( s) =
1.199(0.410s + 1) 382.529s 2 + 100.998s + 1
H (s) =
0.499(0.367 s + 1) 376.205s 2 + 71.605s + 1
Desain Kontroler Fuzzy PID Hybrid
FUZZY INFERENCE
∆e
e
Input
PI
+
Σ -
FUZZY-PD
PLANT
Output
Desain Kontroler PID R(s)
E(s)
+
Nτ d s 1 K 1 + + s s + 1 τ τ i d
U(s)
-
C (s ) = R(s )
A 1 2ζ s + 1 + A τ i s (τ d s + 1) 2 s 2 + ωn ωn
A = K P K [(N + 1)τ iτ d s 2 + (τ i + τ d )s + 1](τs + 1)
K (τs + 1) 1 2 2ζ s + s +1 2 ωn ωn
, dimana
C(s)
Desain Kontroler PID Jika τd =τ τi +τ d =
(N + 1)τ τ i
K pK 1 C (s ) = = τi R(s ) τ i s + K P K s +1 KPK
2ζ
ωn d
=
1
ωn
2
Sehingga respons menyerupai orde 1 τi ∗ = τ , maka parameter kontroler adalah sebagai berikut : apabila KPK
τd =τ τi =
2ζ
ωn
N=
−τ
1
τω n (2ζ − τω n )
KP =
2ζ
τ ∗ωn K
−1
Desain Kontroler PID Apabila diambil ts(5%) = 60 detik, didapat parameter PID sebagai berikut: Beban
Kp
Ki
τd
N
Minimal
3.746
0.015
0.441
7.150
Nominal
4.195
0.042
0.410
8.282
Maksimal
7.138
0.100
0.367
13.209
Desain Logika Fuzzy 3 Membership function
error Kp
delta error
Desain Logika Fuzzy 3 Membership function
error Ki
delta error
Desain Logika Fuzzy 5 Membership function
error Kp
delta error
Desain Logika Fuzzy 5 Membership function
error Ki
delta error
Desain Kontroler Fuzzy-PD 5 Membership function
error Output
delta error
Rule Base 3 Membership Function e
Δe N Z P
N
Z
P
P Z N
P Z N
P N N
Kp
e
Δe N Z P
e
N
Z
P
N Z P
N Z P
N N P
Ki
Δe N Z P
N
Z
P
NB Z PB
NS Z Z
Z Z PS
Kontroler Fuzzy-PD
Rule Base 5 Membership Function Δe
e NB NS Z PS PB
Δe
e NB NS Z PS PB
NB
NS
Z
PS
PB
PB PB PS PS Z
PB PS PS Z NS
PS PS Z NS NS
PS Z NS NS NB
Z Z NS NS NB
Kp
NB
NS
Z
PS
PB
NB NB NB NS Z
NB NS NS Z PS
NS NS Z PS PS
NS Z PS PS PS
Z PS PB PB PB
Ki
Pengujian dan Analisa
Simulasi Implementasi
Simulasi (3 MF) 70
65
Level (%)
60
55
50
45
40 Setpoint Respons 35
0
20
40
60
80
120 100 Waktu (s)
140
Nominal-Maksimal
160
180
200
Analisa Beban Awal
Beban Akhir
Nominal Nominal Minimal Minimal Maksimal Maksimal
Minimal Maksimal Nominal Maksimal Nominal Minimal
Waktu mencapai keadaan tunak (detik) 12.9 17.4 20.6 28.9 19 14.7
%Ess 0.440 0.470 0.198 0.470 0.167 0.437
Simulasi (5 MF) 70
65
Level (%)
60
55
50
45
40 Setpoint Respons 35
0
20
40
60
80
100 120 Waktu (s)
140
Nominal-Maksimal
160
180
200
Analisa Beban Awal
Beban Akhir
Nominal Nominal Minimal Minimal Maksimal Maksimal
Minimal Maksimal Nominal Maksimal Nominal Minimal
Waktu mencapai keadaan tunak (detik) 16 19.7 26.7 31.5 27.4 15.4
%Ess 0.441 0.470 0.223 0.470 0.207 0.440
70
70
65
65
60
60
Level (%)
Level (%)
Implementasi (3 MF)
55
50
50
45
45
40
40 Setpoint Respons 35
55
0
20
40
60 Waktu (s)
80
Nominal-Minimal
100
Setpoint Respons 35
0
20
40
60
80
100
Nominal-Maksimal
120
70
70
65
65
60
60
Level (%)
Level (%)
Implementasi (3 MF)
55
55
50
50
45
45
40
40
Setpoint Respons
Setpoint Respons 35
0
10
20
30
40
50 60 Waktu (s)
70
80
90
Minimal-Nominal
100
110
35
0
20
40
60 80 Waktu (s)
100
Minimal-Maksimal
120
140
70
70
65
65
60
60
Level (%)
Level (%)
Implementasi (3 MF)
55
55
50
50
45
45
40
40 Setpoint Respons 35
0
20
40
60 80 Waktu (s)
100
120
Maksimal-Nominal
35
Setpoint Respons 0
20
40
80 60 Waktu (s)
100
Maksimal-Minimal
120
Analisa (3 MF) Beban Awal
Beban Akhir
Nominal Nominal Minimal Minimal Maksimal Maksimal
Minimal Maksimal Nominal Maksimal Nominal Minimal
Waktu mencapai keadaan tunak (detik) 23.4 50.5 8.2 37.7 7.4 38
%Ess
0.586 0.600 0.714 1.143 0.186 0.714
70
70
65
65
60
60
Level (%)
Level (%)
Implementasi (5 MF)
55
55
50
50
45
45
40
40
Setpoint Respons
Setpoint Respons 35
0
20
40
60 Waktu (s)
80
100
Nominal-Maksimal
120
35
0
50
100 Waktu (s)
Nominal-Minimal
150
70
70
65
65
60
60
55
Level
Level (s)
Implementasi (5 MF)
55
50
50
45
45
40
35
Setpoint Respons 0
20
40
60 Waktu (s)
80
100
Minimal-Nominal
40 Setpoint Respons 35
0
50
100 Waktu (s)
Minimal-Maksimal
150
Implementasi (5 MF) 80 70 75 65 70 60
Level (%)
Level (%)
65 60 55
50 45
50
40
45 40 35
55
Setpoint Respons 0
100
50 Waktu (S)
Maksimal-Nominal
150
35 30
Setpoint Respons 0
20
40
60
80 Waktu (s)
100
120
Maksimal-Minimal
140
160
Analisa (5MF) Beban Awal Nominal Nominal Minimal Minimal Maksimal Maksimal
Beban Akhir Minimal Maksimal Nominal Maksimal Nominal Minimal
Waktu mencapai keadaan tunak (detik) 43.7 76.3 7.8 48.8 17.4 38.9
%Ess
1.114 0.743 0.586 0.743 0.986 1.643
Penutup
Kesimpulan Saran
Kesimpulan Kontroler Fuzzy PID Hybrid dapat menjaga nilai respons agar berada pada nilai setpoint yang diinginkan dalam tiga kondisi perubahan beban, yaitu: beban minimal, beban nominal dan beban maksimal. Namun pada perubahan beban dari kondisi maksimal ke minimal pada implementasi kontroler dengan 5 membershipship function masih terdapat %Ess sebesar 1.643%. Walaupun hal itu masih dianggap wajar pada plant level, karena error masih tidak terlalu jauh dari toleransi %Ess yang diberikan sebesar 0.5%. Semakin banyak jumlah membership function maka akan berpengaruh terhadap jumlah rule base, yang menyebabkan semakin rumitnya logika fuzzy dalam mengambil keputusan. Salah satunya ditunjukkan pada perubahan kondisi nominal ke maksimal, pada rule base dengan 3 membership function waktu kembali dapat dicapai dalam waktu 50.5 detik, sedangkan pada 5 membership function waktu kembali dapat dicapai dalam waktu 76.3 detik.
Saran Saran untuk riset selanjutnya adalah merancang kontroler Fuzzy PID Hybrid yang dapat mengatur ketinggian kedua tangki pada plant level coupled-tank dengan beban berubah pada kedua tangkinya.
Thank You! www.themegallery.com
L/O/G/O
