PERANCANGAN SISTEM PENGENDALIAN KECEPATAN PUTAR MOTOR INDUKSI MENGGUNAKAN KONTROLER NEURO PID Moh. Muhaimin – 2206.100.200 Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember email :
[email protected] Abstrak-Pada pengoperasian motor induksi, kecepatan motor berubah-ubah mengikuti perubahan beban, sehingga untuk mengatasi perubahan kecepatan diperlukan suatu kontroler. Kontroler konvensional yang sering digunakan adalah kontroler PID (proporsional integral derivatif). Kelemahan kontroler ini terletak pada penentuan parameter kontroler, Untuk mengatasi hal tersebut digunakan metode jaringan saraf tiruan (Artificial neural network). Kontroler PID akan dimodelkan menjadi jaringan saraf tiruan (Neuro PID), penentuan bobot melalui proses pembelajaran yang memenuhi fungsi kriteria, trayektori error minimum mengikuti respon waktu tertentu. Harga dari konstanta kontroler berubah mengikuti perubahan dinamika proses, sehingga sistem bersifat adaptif. Pada penelitian ini akan dirancang kontroler Neuro PID dan mengintegrasikan kontroler tersebut dengan plant motor induksi sehingga dihasilkan output plant menyerupai model yang diinginkan.
tersebut, kontroler bersifat adaptif. Pada tugas akhir ini akan dibahas metode pengendalian kecepatan motor induksi 3 fasa menggunakan kontroler Neuro PID.
2
TEORI
2.1 Konstruksi Motor Induksi 3 Fasa Motor induksi 3 fasa merupakan motor AC (Alternating Current) asinkron, yang dicatu oleh arus bolak-balik pada statornya secara langsung. Sedangkan rotornya dicatu oleh imbasan atau induksi dari stator [1,4]. Motor induksi memiliki rotor yang tidak terhubung dengan sumber tegangan. Terdapat dua jenis rotor motor induksi yaitu rotor belitan (wound rotor) dan rotor sangkar (squirrel-cage rotor), jenis rotor yang digunakan dalam tugas akhir ini adalah rotor sangkar. Ciri khusus dari squirrel-cage rotor adalah ujung-ujung rotor terhubung singkat secara permanen [1]. Konstruksi motor induksi 3 fasa diperlihatkan pada gambar di bawah ini.
Kata Kunci : Artificial neural network, Motor induksi 3 fasa, Speed Control, Neuro PID.
1
PENDAHULUAN
Perubahan kecepatan motor induksi dipengaruhi oleh berbagai macam faktor pengganggu, diantaranya perubahan beban [1,4]. Oleh karena itu, dibutuhkan suatu kontroler untuk menjaga kecepatan motor induksi tetap konstan. Selain itu, dengan tujuan menjaga kestabilan sistem, kontroler ini harus mampu bekerja secara effektif dan effisien pada setiap terjadinya perubahan beban. Kontroler PID merupakan closed loop control yang sering digunakan dalam proses kontrol, namun kontroler ini memiliki kelemahan dalam penentuan parameter yang sesuai ketika terjadi perubahan dinamika proses, sehingga kurang effektif dan effisien dalam penerapan dalam sistem kontrol. Kontroller PID dapat dimodelkan menjadi struktur jaringan saraf tiruan (neural network), yang merupakan metode pengembangan dari salah satu kontrol cerdas (Artificial Inteligent). Pemodelan kontroler PID dalam neural network disebut kontroler Neuro PID. Kontroler PID akan dimodelkan menjadi neural network dan konstanta dari parameter kontroler dinyatakan sebagai bobot [2,7]. Dengan pemodelan
1
Gambar 2.1 Konstruksi motor induksi 3 fasa
2.2
Sistem Koordinat Transformasi vektor adalah transformasi koordinat dari sistem koordinat stasioner tiga fasa menjadi sistem koordinat rotasi dua fasa dq0. Transformasi ini dilakukan dalam dua tahap yaitu : 1. Mentransformasikan sistem koordinat stasioner tiga fasa ke sistem koordinat dua fasa atau sistem koordinat αβ0. Biasanya disebut transformasi clarke. 2. Mentransformasikan sistem koordinat αβ ke sistem koordinat dq0 atau disebut transformasi park. 2.2.1 Transformasi Clarke Dari sistem koordinat tiga fasa (abc) ke dua fasa ( αβ0) : 1 - 1/2 - 1/2 a 2 / 3 0 3/2 - 3 / 2 b ........(2.1) 1/2 1/2 0 1/2 c
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
2.2.2
Transformasi Park Dari sistem koordinat αβ0 ke dalam sistem koordinat putar dq0 :
d cos sin 0 q - sin cos 0 ……….....…(2.2) 0 0 0 1 0 Dengan menggabungkan kedua transformasi, didapat matrik transformasi dari tiga fasa abc ke dua fasa berputar dq0: d cos cos( 2 / 3) cos( 2 / 3) a q 2 / 3- sin - sin( 2 / 3) - sin( 2 / 3) b ..(2.3) 0 1/2 c 1/2 1/2
2.3
Jaringan Saraf Tiruan Kecerdasan buatan (artificial intelligen atau disingkat AI) merupakan suatu aplikasi yang meniru kecerdasan manusia untuk digunakan dalam mesinmesin atau peralatan-peralatan cerdas. Konon katanya otak manusia memiliki 2 fungsi utama, yaitu fungsi berpikir dan fungsi belajar. Sejalan dengan fungsi otak manusia tersebut, maka AI juga dibagi menjadi 2 kelompok, yaitu AI yang meniru fungsi berpikir dan AI yang meniru fungsi belajar [3]. Contoh AI yang meniru fungsi belajar adalah neural network (NN). Jaringan saraf tiruan (JST), artificial neural network (ANN), adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf manusia (JST). JST merupakan sistem adaptif, yang dapat merubah strukturnya untuk memecahkan masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui jaringan [5]. Seperti halnya otak manusia, jaringan saraf tiruan juga terdiri dari beberapa neuron, dan ada hubungan antara neuron-neuron tersebut. Neuronneuron tersebut akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju ke neuron-neuron yang lain. Pada jaringan saraf, hubungan ini dikenal dengan nama bobot. Informasi tersebut disimpan pada suatu nilai tertentu pada bobot tersebut [3]. Gambar 3. menunjukkan struktur neuron pada jaringan saraf.
Gambar 2.2 Struktrur neuron
2
Jaringan input y_ in pada neuron merupakan penjumlahan dari perkalian neuron-neuron input dengan masing-masing pembobot yang bersesuaian, dimana :
yin xi .wi
………………………(2.4)
Fungsi aktivasi sigmoid dari neuron Y (f(y_in)) diberikan sebagai fungsi input jaringannya (y_in) : f ( yin )
1 ………………………(2.5) 1 exp( yin )
3 PERANCANGAN SISTEM Penelitian ini dilakukan dengan mengembangkan metodologi yang berbasis pada perancangan dengan uraian sebagai berikut: 1.
2. 3.
Melakukan pemodelan sistem fisik motor induksi dengan model ’rekaan’ ke dalam bentuk matematis, hingga diperoleh sebuah fungsi alih motor induksi. Merancang kontroler Neuro PID berdasarkan algoritma jaringan saraf tiruan (ANN), kemudian mengintegrasi dengan plant motor induksi. Melakukan pengujian dengan menempatkan subsistem plant motor induksi terhadap kontroler Neuro PID menggunakan Matlab 6.5 dan Simulink. Pengujian terdiri dari pengujian pada sistem tanpa kontroler dan pengujian sistem dengan kontroler Neuro PID hasil perancangan, agar dapat diketahui apakah ada perbaikan spesifikasi keluaran sistem setelah diberi kontroler Neuro PID.
3.1 Pemodelan Sistem Motor Induksi Pada bagian ini digunakan sebuah model tinjauan baku motor induksi. 3.1.1 Rangkaian Equivalen dan Parameter Motor Induksi Motor induksi identik dengan transformator, dimana kumparan primer sebagai kumparan stator dan kumparan sekunder sebagai kumparan rotor. Dengan demikian, rangkaian ekuivalen motor induksi hampir sama seperti rangkaian pada transformator. Rangkaian ekuivalen perfasa motor induksi dapat dilihat pada gambar 3.1 dibawah ini. Dalam pembahasan kali ini, penurunan model matematis motor induksi dilakukan dalam sistem koordinat putar dq0.
Gambar 3.1 Rangkaian Equivalen MotorInduksi
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
3.1.2 Model Matematis Motor Induksi Model matematika motor induksi diperoleh melalui proses analisa dinamik dari motor induksi. Berikut persamaan dasar motor induksi : d d Vds Rs .ids Ls ids M idr dt dt d d Vqs Rs .iqs Ls iqs M iqr dt dt
.............................(3.1)
3.1.3
Model Pembebanan Motor Induksi Bentuk pembebanan motor induksi dinyatakan sebagai persamaan berikut [2,8]:
e load Brr J r .
d r ........................(3.13) dt τl
τe
..............................(3.2)
n1
Jr
d d 0 Rr .idr Lr idr M ids r .Lr .iqr r M .iqs..... (3.3) dt dt d d 0 Rr .iqr Lr iqr M iqs r .Lr .idr r M .ids ...(3.4) dt dt
Pada Motor
Br
Jm τ l*
n2 Pada Beban
Vdr , Vqr = 0 karena jenis motor yang digunakan
Gambar 3.3 Model dinamik beban motor induksi
adalah motor squerrel caqe (rotor sangkar tupai). Persamaan medan putarnya adalah ds Ls .ids M .idr …………………................(3.5)
Sedangkan persamaan torsi pada poros beban (damper beban) sebagai berikut:
qs Ls .iqs M .iqr ……………………………(3.6) dr Ls .idr M .i.ds…..…………………..…….(3.7)
qr Ls .iqr M .iqs ..........................................(3.8) Torsi elektromagnetiknya adalah Te 3 / 2 pM (idr iqs ids iqr )............................(3.9)
Sementara persamaan elektrodinamiknya adalah : d Jr r r .Br Te TL ……......................(3.10) dt 60 r ...........................................(3.11) n 2 p d m (t ) m (t ) ..............................(3.12) dt
Persamaan state space motor induksi 3 fasa sebagai berikut: Vds Rs pLs - s Ls Vqs L Rs pLs s s - (s - r )M Vdr pM Vqr (s - r )M pM
ids i pM s M x qs Rr pLr - ( s - r ) Lr idr ( s - r ) Lr Rr pLr iqr pM
- s M
Persamaan dasar diatas dapat diimplementasikan bentuk SIMULINK seperti blok diagram dibawah ini :
Gambar 3.2 Subsistem motor induksi 3 fasa
3
n d load ( 1 ) 2 ( Bmm J m m )............(3.14)
n2 dt Dengan mensubstitusikan persamaan kedalam persamaan (3.13) diperoleh:
(3.14)
n d d e ( 1 )2(Bmm Jm m) Brr Jr r ....(3.15) n2 dt dt Persamaan (3.15) dapat diimplementasikan dalam SIMULINK seperti blok diagram dibawah ini :
Gambar 3.4 Blok diagram pembebanan motor induksi
3.1.4 Motor Induksi Squerrel Caqe (Sangkar Tupai) 3 Phase Pada tugas akhir ini plant yang digunakan adalah motor induksi 3 fasa rotor sangkar dengan parameter sebagai berikut: Tabel 1 Spesifikasi Fisis Motor Induksi Squerrel Caqe V
P fs Jr Rs Rr Ls Lr M Br
Tegangan sumber Jumlah pole Frekuensi stator Momen inersia stator Tahanan stator Tahanan rotor Induktansi stator Induktansi rotor Induktansi magnetik Koefisien gesekan
380 2 60 1.05e-5 176 190 3.79 3.31 3.21 1.49e-5
Volt. Hz Kg.m2 Ohm Ohm mH mH mH N m /rad/s ec
3.2 Kontroler Neuro PID Secara umum kontroler PID kontinyu dalam bentuk kontroler PID diskrit sebagai berikut:
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
B
u (k ) K p .e(k ) K D
Dimana :
k e(k ) K I T e(i ) ….......(3.16) T i 0
Berikut implementasi struktur Neuro PID dalam SIMULINK seperti blok diagram dibawah ini :
T timesampling
Dengan mendelay dan mengurangkan persamaan (3.16), maka diperoleh persamaan berikut: u(k) u(k 1) K1.e(k) K2e(k 1) K3e(k 2) ....(3.18) Dimana: K1 K p K I T s
K2 K p
2K D
KD Ts
K3
KD
Gambar 3.6 Blok diagram struktur Neuro PID
Ts
Ts
Dari persamaan (3.18) dapat dilihat bahwa kontroler PID dapat dimodelkan dalam bentuk neural network: u (k ) f {u (k 1), e(k ), e(k 1), e(k 2)} .........(3.19) Berdasarkan prosedur desain kontroler Neural Network, kontroler Neuro PID memiliki 4 variabel input yaitu e(k), e(k-1), e(k-2) dan u(k-1). Dimana e(k) merupakan input relatif yang berasal dari error antara setpoint dan sinyal keluaran, dan u(k)) adalah sinyal kontrol. Neural network diajarkan dengan cara menjalankan plant yang diberi input random dengan target output orde satu. Dengan memberikan input random pada plant, diharapkan dapat mengajarkan neural network sehingga robust terhadap perubahan input. Proses learning dilakukan berdasarkan error relatif antara output plant real dan output sistem orde satu. Untuk hidden layernya, terdiri atas 2 layer, masing-masing untuk hidden layer pertama memiliki 5 neuron dan hidden layer kedua memiliki 2 neuron, sedangkan output plant memiliki 1 neuron yaitu masuk ke tegangan dan frekuensi motor. Fungsi aktifasi yang akan digunakan pada hidden layernya adalah fungsi aktifasi linier, sedangkan pada output layernya menggunakan fungsi aktifasi sigmoid. Berikut struktur Neuro PID:
3.3 Estimasi kontroler Neuro PID Dalam perhitungan mundur (backforward) sering terjadi error simulasi, hal ini dikarenakan proses revisi bobot untuk proses selanjutnya bergantung pada perubahan keluaran output kontroler sebelumnya. Dengan menggunakan metode atau pendekatan sistem linier, output kontroler dapat diprediksi sebagai masukan plant. Berikut analitik estimasi output kontroler: y(k) a y(k 1) a y(k 2) bu(k 1) .........(3.19) 1
2
Karena dianggap sebagai sistem linier berlaku kausalitas: a a 1 u(k 1) y(k) 1 y(k 1) 2 y(k 2) b b b u(k 1) y(k) y(k 1) y(k 2)...(3.20) 1 2 3 Mendelay persamaan (3.20) untuk memperoleh u(k-2), u(k-3) kemudian dijadikan dalam bentuk matrik: u(k 3) y(k - 2) y(k - 3) y(k - 4) 1 u(k 2) y(k -1) y(k - 2) y(k - 3) ….(3.21) 2 u(k 1) y(k) y(k -1) y(k - 2) 3 Berikut integrasi plant motor induksi dan kontroler Neuro PID yang diimplementasikan dalam MATLAB SIMULINK:
Wij
e(k)
Wjk
-1
z
e(k-1) z-1
Wk
u(k)
e(k-2)
Gambar 3.7 Blok integrasi plant dan kontroler
u(k-1)
4. SIMULASI DAN ANALISA
Z-1
Gambar 3.5 Struktur Neuro PID
Kontroler berperan dalam menstabilkan kecepatan pada saat diberi gangguan dengan cara menaikkan atau menurunkan besar tegangan kontrol sehingga dicapai batas kestabilan yang dikehendaki. 4.1 Identifikasi Sistem plant,
4
Identifikasi dilakukan untuk menguji validasi dengan memberikan sinyal step berupa
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
2500
1500
1000
500
0
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
Waktu (detik)
Gambar 4.1 Respon kecepatan plant motor induksi
Maksimum slip pada motor induksi antara 3-5 %: n nr n s = 1800 rpm S s x100% ns Untuk menghasilkan maksimum slip 3 %, dilakukan dengan merubah parameter beban gesek (B m ), sehingga kecepatan rotor (rpm) turun menjadi 1746 rpm. Selanjutnya, akan dihitung effisiensi, daya input dan output motor induksi dengan formula sebagai berikut: Untuk maksimum slip 3 % : Pinput 3.V .I . cos rms rms
3 x 268.7 x 0.4109 x 0.728 138.49Watt
effisiensi
Tabel 2. Pembobot hasil learning dengan masukan sinus wih 1 2 3 4 5 1 0.2234 0.1104 0.1181 0.1226 0.2015 2 0.2229 0.1699 0.1622 0.3222 0.2009 3 0.2238 0.0252 0.2509 0.1086 0.2079 4 0.2113 0.1754 0.1686 0.1890 0.0898 woh 1 2 3 4 5 1 0.2617 0.2224 0.25000 0.2917 0.2742
Hasil learning pada gambar 4.2 dilakukan pengkajian ulang karena error simulasi dan waktu yang lama, dengan menambahkan estimasi didapatkan hasil learning kontroler dan plant terhadap model sebagai berikut: \ 1.5
Poutput e .
0.2152 x152.4 32.779648Watt
Poutput
x100% Pinput 32.78 x100% 138.49
output model output kontroler dan plant
1
0.5
0
-0.5
-1 0
10
20
30
40
50 WAKTU
60
70
80
90
10
Gambar 4.3 Respon learning neural network Lamda=0.9,alpa=0.00005,epoh=1:100, error =0.0015 1.5 model plant
1
23.6% output plant
0.5
4.2 Fase Pembelajaran Kontoler Neural Network merupakan kontroler adaptif. Bobot , input dan output merupakan kondisi awal (initial condition) sangat mempengaruhi hasil learning keluaran plant terhadap output model. Berikut hasil learning dan bobot yang dihasilakan kontroler Neuro PID :
0
-0.5
-1
-1.5
0
10
20
30
40
50 waktu
60
70
80
90
100
Gambar 4.4 Respon learning neural network λ=0.4,α=0.00005,epoh=1:100, error =0.0050
Sedangkan keluaran dan estimasi keluaran kontroler sebagai berikut: output kontroler estimasi output kontroler
0.3
0.2
value kontroler
K e c ep ata n (R P M )
2000
learning kecepatan motor induksi yang ditunjukkan pada gambar 4.2, neural network dapat mengikuti model referensi, fase respon sudah sama dan dinamika respon dari sinyal kontrol sudah mengikuti dinamika referensi. Tetapi, terdapat perbedaan atau selisih magnitud, untuk puncak terdapat offset 0.2. dan untuk lembah terdapat offset 0.15.
OUTPUT plant
tegangan phase per phase 380 volt dan frekuensi 60 Hz. Dan memasukkan parameter yang telah didapat pada tabel 1. diperoleh grafik hasil identifikasi sebagai berikut:
Gambar 4.2 Respon learning neural network
Dari hasil simulasi yang telah dilakukan, pembobot (tabel 2) mengalami perubahan atau terupdate secara sendiri. Hal itu dikarenakan dinamika plant mengikuti model referensi yang diberikan. Hasil 5
0.1
0
-0.1
-0.2
0
10
20
30
40
50 waktu
60
70
80
90
100
Gambar 4.5 Respon learning neural network λ=0.9,α=0.00005,epoh=1:100, error =0.0004
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
0.5 uk estimasi uk
0.4
0.3
output kontroler
0.2
0.1
0
-0.1
-0.2
-0.3 0
10
20
30
40
50 waktu
60
70
80
90
100
Gambar 4.6 Respon learning neural network λ=0.4,α=0.00005,epoh=1:100, error =0.0010
Dapat dilihat pada gambar 4.3 sampai 4.6 kontroler Neuro PID dan Plant dapat mengikuti model, meskipun terdapat perbedaan kecepatan (waktu) untuk mengikuti model. Perbedaan waktu tunak atau lamanya mengikuti plant dipengaruhi oleh estimasi yang di hasilkan yaitu alfa [α 1 ; α 2 ; α 3 ], pada percobaan Respon learning neural network λ=0.9,α=0.00005,epoh 1:100, error 0.0004 didapatkan alfa [0.1864; 0.0250; -0.0004], sedangkan pada percobaan Respon learning neural network λ=0.4, α=0.00005, epoh=1:100, error 0.0010 didapatkan alfa [0.2121; 0.0019; -0.0022].
5
KESIMPULAN
Dari hasil perancangan sistem pengendalian kecepatan putar motor induksi 3 fasa rotor sangkar menggunakan kontroler Neuro PID, dapat diambil kesimpulan sebagai berikut : 1. Dalam simulasi kontroler Neuro PID menggunakan backpropagation, pemilihan bobot awal menjadi hal yang penting untuk mencegah error lokal (error blok simulasi), sehingga dapat membantu hasil learning kontroler dan plant mendekati keadaan sebenarnya. 2. Dalam mencari perbaikan pemberat harus dilakukan berulang-ulang sampai didapatkan pemberat yang baru, yaitu dengan merubah nilai gain dan learning rate serta epoh. 3. Dengan menggunakan estimasi kontroler dan plant dapat lebih cepat mengejar target yang diinginkan dengan nilai gain rate 0.9, learning rate 0.00005, epoh 1:100, error plant 0.0015, error estimasi kontroler 0.0004 dan parameter estimasi alfa [0.1864; 0.0250; -0.0004].
6.
[3] Mirza Ada Hananto, “ Perbedaan Beberapa metode Algoritma JST untuk Pengenalan Pola Gambar”, Tugas Akhir, Jurusan Teknik Elektro ITS, Surabaya,1996. [4] Rameli Mochammad, “ Pengemudian Mesin Listrik”, Diktat kuliah Teknik Sistem Pengaturan, jurusan Teknik Elektro FTI ITS, Surabaya, Versi 2009. [5] Effendi Rusdhianto AK, “ Sistem Pengaturan cerdas “, Diktat Kuliah ITS, Surabaya, 2009. [6] Ogata Katsuhira, “ Teknik Kontrol Automatik “, Alih Bahasa Edi leksamana, ITB, Erlangga, 1994. [7] Siang, Jong jek, Msc,” Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab”, ANDI, Jakarta, 2005. [8] A.B. Proca, A. Keyhani, Induction Motor Parameter Identification, 1999
7. RIWAYAT PENULIS Moh. Muhaimin dilahirkan di kota Lamongan, Jawa Timur pada tanggal 04 Maret 1988 yang merupakan anak laki-laki satusatunya dan anak keempat dari lima bersaudara dari pasangan Bapak Kasmari dan Ibu Maria (almarhum) yang bertempat tinggal di Jalan Dukuhtungggal II RT.02 RW.03 No.88 Glagah Lamongan.
DAFTAR PUSTAKA [1] Zuhal, “ Dasar Tenaga Listrik “, ITB Bandung, 1997 [2] Yugi, L., “ Perancangan dan Simulasi pengaturan kecepatan Motor Induksi 3 fasa dengan menggunakan metode “ InversionBased Nonlinier Controllers for SISO System “ ,“. Tugas Akhir, Jurusan Teknik Elektro, FTI-ITS, Surabaya, 2003. 6
Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS
