DYNAMIC DATA EXCHANGE UNTUK PENGENDALIAN KOLOM DISTILASI PADA HYSYS MENGGUNAKAN IMC – NEURO FUZZY PADA MATLAB Totok R. Biyanto Jurusan Teknik Fisika - FTI – ITS Surabaya Kampus ITS Keputih Sukolilo Surabaya 60111 Telp : 62 31 5947188 Fax : 62 31 5923626 Email :
[email protected]
ABSTRAK Makalah ini memaparkan aplikasi DDE (Dynamic Data Exchange) untuk menghubungkan Internal Model Control berbasis Neuro Fuzzy (IMC-NF) pada Matlab dengan plant kolom distilasi biner pada Hysys. Penelitian ini dimulai dari pemodelan kolom distilasi menggunakan metode shortcut dan rigourous, pembuatan Amplitude Pseudo Random Binary Signal (APRBS) yang sesuai untuk plant, mengambil data dinamik plant, membuat model forward dan model inverse plant, menentukan learning rate dan filter yang sesuai serta memberikan pelatihan kepada pengendali secara langsung terhubung dengan plant (secara online) untuk belajar mengeluarkan sinyal manipulated variabel yang mampu membuat output plant (control variabel) mengikuti perubahan setpoint yang diberikan, mengintegrasikan Matlab dan Hysys, serta menguji performansi sistem pengendalian. Hasilnya Aplikasi DDE antara Matlab dan Hysys dapat dijalankan dengan baik, dan IMC-NF mampu mengatasi kekomplekan dan ketidaklinieran kolom distilasi, yang ditunjukkan dengan kekokohan menjaga setpoint dan harga IAE yang kecil. Kata kunci : DDE (Dynamic Data Exchange), Hysys – Matlab, Internal Model Control – Neuro Fuzzy I. PENDAHULUAN Hysys merupakan software yang banyak digunakan baik oleh kalangan akademik maupun kalangan industri untuk merancang, memodelkan, mensimulasi dan menganalisa satu atau beberapa unit operasi. Beberapa algoritma pengendalian tersedia pada software ini. Misalnya PID, On – Off, dan lain – lain. Namun pengembangan algoritma pengendali tidak disediakan pada software ini. Disisi lain perkembangan algoritma pengendali sangat pesat seperti Jaringan Syaraf Tiruan (JST), Fuzzy Logic, MPC, dan sebagainya, yang dibuat menggunakan software Matlab, Visual Basic, dan lain – lain. Dari dua sisi ini maka perlu diaplikasikan sebuah protokol yang dapat mengkomunikasikan antara plant pada Hysys dan pengendali pada Matlab [16]. Komunikasi kedua software dapat dilakukan melalui protokol DDE (Dynamic Data Echange) dengan Matlab sebagai server dan Hysys sebagai client. Pada penelitian ini algoritma pengendalian yang diaplikasikan adalah Internal Model Control berbasis Neuro Fuzzy (IMC-NF) pada Matlab untuk mengendalikan kolom distilasi biner pada Hysys. Penelitian tentang Internal Model Control (IMC) [10] diperoleh kesimpulan bahwa IMC mempunyai struktur yang sangat kokoh (robust) terhadap gangguan, baik terhadap perubahan setpoint maupun disturbance penggangu plant. IMC sebagai sistem pengendalian berbasis model, maka keberadaan suatu model yang merepresentasi proses yang ditinjau mutlak diperlukan. Pencapaian suatu model dapat dilakukan dengan memanfaatkan kelebihan yang dimiliki oleh soft computing dalam hal memetakan hubungan nonlinier antara input dan output. IMC mampu memberikan performansi sistem pengendalian yang lebih baik dibandingkan pengendalian konvesional. Performansi IMC tergantung kepada ketepatan memodelkan plant dan inverse plant-nya serta penggunaan filter yang sesuai. Semakin kecil harga λ sampai batas minimum tertentu pada filter orde satu yang digunakan, maka semakin kecil harga Integral Absolute Error (IAE) yang diperoleh saat pengujian sistem pengendalian. [2,4,5]. Simulasikan IMC untuk peralatan laboratorium proses dengan Matlab dan memperoleh hasil yang baik namun masih menimbulkan osilasi pada keadaan tunak, sehingga menyarankan pemodelan yang lebih baik [12], Unsur adaptif pada pengendali JST disarankan [6] agar diperleh pengendali yang lebih robust, serta tuning yang lebih baik disarankan [13] untukmendapakan respon yang lebih baik. IMC-JST untuk mengendalikan kolom distilasi biner dan memperoleh error steady state yang baik dan stabil dengan mengatur filter dan lerning rate pada pengendali telah dilakukan [1], namun masih mempunyai harga IAE yang lebih besar dibandingkan dengan IMC konvensional
1
Dari semua penelitian mengenai IMC tersebut, perlu dilakukan penelitian untuk memperbaiki performansi pengendalian IMC. Salah satu cara adalah dengan memanfaatkan kemampuan neurofuzzy [7] dalam membuat model forward dan model inverse. Dengan adanya DDE diharapkan banyak aplikasi plant yang berupa satu variabel proses maupun plantwide control dapat dikomunikasikan dengan decentralized control (pengendali SISO) maupun centralized control (pengendali MIMO) menggunakan berbagai algoritma. Tujuan dari penelitian ini adalah sebagai berikut : Mengintegrasikan proses kolom distilasi pada software Hysys dengan pengendali IMC-NF pada software Matlab. Mengetahui performansi dari sistem pengendalian proses kolom distilasi dengan menggunakan algoritma kontrol IMC-NF. II. TEORI PENUNJANG 2.1. Konsep dasar Dynamic Data Exchange (DDE) [16] DDE merupakan akronim untuk Dynamic Data Exchange. DDE adalah protokol komunikasi yang dirancang oleh Microsoft untuk mengijinkan aplikasi yang ada pada lingkungan Windows dapat saling menukar data satu sama lain untuk mengiimplementasikan suatu hubungan client – server antara dua aplikasi yang concurrently running. Aplikasi server menyediakan data dan menerima permintaan data dari aplikasi lain. Sedangkan aplikasi yang melakukan permintaan data disebut dengan aplikasi client. DDE sering digunakan untuk mengumpulkan dan mendistribusikan data, serta akuisisi data. aplikasi client dapat menggunakan protocol komunikasi DDE untuk satu kali transfer data atau untuk saling menukar data dengan aplikasi lain, dimana data terbaru akan segera dikirimkan pada saat informasi yang baru tersedia. Sebagai contoh, pada industri yang menggunakan suatu sistem automatisasi, aplikasi DDE client suatu sistem automatisasi proses yang melakukan process historical trending dapat mengirimkan data pada spreadseheet cell pada aplikasi microsoft excel untuk lebih memudahkan pengolahan data. DDE merupakan suatu protokol komunikasi standar yang dapat digunakan oleh beberapa aplikasi Windows yang membutuhkan layanan untuk dapat melakukan komunikasi data dengan aplikasi lain. berikut contoh beberapa aplikasi yang dapat melakukan komunikasi menggunakan protokol DDE diantaranya Microsoft Excel, Lotus 1-2-3 for Windows, InTouch, Hysys, Visual Basic, dan Delta-V. Untuk mendapatkan data dari aplikasi lain, suatu aplikasi DDE client akan membuka suatu jalur komunikasi untuk aplikasi server dengan mencantumkan dua hal yakni server application name dan topic name (subyek dari percakapan) yang dimaksud. Pada saat channel sudah terbuka, item data (referensi data) yang terdapat pada topic dapat dibaca maupun dikirimkan baik dari/ke aplikasi client maupun server. Sebagai contoh, untuk aplikasi Excel, application name adalah "Excel." dan topic name adalah spreadsheet yang akan diambil datanya. Item name adalah cell dimana terdapat data pada spreadsheet. Service name untuk Matlab adalah Matlab. Service name untuk Microsoft Word untuk Windows adalah WinWord. Service name untuk Microsoft Excel adalah Excel. Topic didefinisikan sebagai subyek untuk kedua aplikasi client dan server dari suatu komunikasi DDE. Matlab topic adalah System dan Engine. Setiap topic mendukung satu atau lebih item. Sebuah item diterjemahkan sebagai data yang berpindah selama kominikasi DDE berlangsung. Sensitifitas dari item tergantung pada aplikasi. 2.2 Dynamic Data Exchange (DDE) pada Matlab Matlab menyediakan suatu fungsi yang mengijinkan Matlab untuk dapat mengakses aplikasi Windows yang lain dan sebaliknya dalam konteks ruang lingkup yang luas. Fungsi ini menggunakan suatu protokol komunikasi dynamic data exchange (DDE) untuk saling berkomunikasi satu sama lain dan saling menukar data Gambar 1 menunjukkan bagaimana Matlab sebagai server melakukan komunikasi. Aplikasi client berkomunikasi dengan modul Matlab DDE server menggunakan fungsi DDE.
Gambar 1. DDE pada Matlab
2
Client akan menuliskan data ke Matlab menggunakan suatu perintah DDE poke operation. Engine topic akan memperbarui dan menuliskan matrik data berupa item – item data yang sudah ditentukan pada Matlab workspace. Item yang dimaksud adalah matrik yang akan diperbarui atau yang akan dituliskan nilainya. Jika matrik yang dimaksud dengan nama tertentu sudah ada pada workspace, maka data tersebut akan diperbarui. Jika tidak maka data baru akan ditambahkan pada workspace. Data matrik dapat berupa Text atau XLTable. Pada saat Matlab diakses sebagai server, maka harus dipastikan bahwa kita sudah memasukkan service name, topic, dan item yang dimaksud. Gambar 2 menunjukkan ilustrasi hirarki nama pada Matlab:
Gambar 2. Hirarki nama pada Matlab untuk komunikasi DDE 2.3 Eksternal HYSYS controller pada DDE server Salah satu diantara dua driver Hysys DDE (Dynamic Data Exchange), DCS (Distributed Control System) digunakan untuk melakukan komunikasi antara Hysys dengan DDE Server menggunakan protokol Dynamic Data Exchange sebagai berikut
DDE Synchronous Tag Based Client DDE Synchronous Array Based Client
Kedua driver diatas adalah driver DDE client yang digunakan untuk melakukan komunikasi dengan DDE server. Komunikasi akan terjadi pada saat tombol enable diaktifkan dan sebaliknya. Hysys DDE Drivers akan mendeteksi pada saat server tidak terhubung dengan client. Transaksi DDE client juga diindikasikan secara periodik sesuai dengan interval data transfer yang dikonfigurasikan pada Hysys DCS interface, Drivers page tab of the DCS View. Nilai PV akan ditransfer apabila status value berada pada kondisi DCS. Nilai PV tidak ditransfer apabila nilai statusnya adalah internal. output hanya akan dituliskan dari DDE server (Matlab) ke DDE client (Hysys) jika kondisi status controller berada pada kondisi DCS. Hanya data nilai setpoint yang ditransfer jika status eksekusi controller pada kondisi internal. 2.4. Integrasi antara DDE server dan DDE Client Integrasi antara Hysys dengan DDE server (Matlab) dapat menunjukkan bagaimana Hysys DCS link dapat digunakan untuk membantu pengembangan algoritma kontrol dengan menggunakan suatu software lain untuk menghitung aksi kontrol menggunakan Hysys sebagai model dari proses. Jika DCS link diaktifkan (enabled), aplikasi eksternal berinteraksi dengan pengendali controller internal Hysys. Seperti yang dijelaskan pada sub-bab sebelumnya, apabila status internal controller Hysys diset pada kondisi internal, maka hanya controller setpoint yang dirubah secara eksternal sehingga internal hysys controller masih menghitung nilai output sesuai dengan algortima kontrol yang digunakan. Apabila kedua status internal controller dan status diset pada kondisi DCS, maka sebuah program eksternal digunakan untuk merubah nilai setpoint dan melakukan perhitungan output dari controller. Mekanisme ini akan menyebabkan suatu eksternal controller untuk menggantikan internal Hysys controller. Output dari eksternal controller dicatat secara langsung pada output internal Hysys controller dengan mengabaikan internal Hysys controller.
3
2.5. Metode Shortcut Kolom Distilasi Metode shortcut atau metode pendekatan adalah metode yang menggunakan persamaan Fenske, Underwood, dan Gilliland (FUG) sebagai dasar perhitungannya.: Penentuan tray minimum (Nm) dengan persamaan Fenske. Penentuan jumlah stage minimum adalah jumlah stage yang dibutuhkan pada kondisi total refflux. Pada kondisi total refflux, jumlah stage teoritis yang dibutuhkan adalah Xd Xb log LK HK Xd HK Xb LK Nm log m
(1)
m LK HK
dengan
1
2
Penentuan rasio refluks minimum (Rm) dengan persamaan Underwood. Apabila semua komponen yang ada di dalam umpan terdistribusi maka nilai dari rasio refluks adalah: L Rm D m
X LK , D X HK , D LK , HK F Z HK , F . Z LK , F
LK , HK
F
(2)
1
Penentuan jumlah tray (N) dan Actual Ratio (R) dengan korelasi Gilliland. Gilliland melakukan studi eksperimental untuk menghubungkan antara N dengan Nm, Rm dan R, dengan
N N Nm X iD , X iB , , RmZ iF , X iP , q, , R ..
(3)
Gambar 3 Korelasi Gilliland [1]
Molokanov, korelasi Gilliland disajikan sebagai fungsi matematik sebagai berikut:
Y
1 54,4 X N Nm 1 exp N 1 11 117,2 X dengan
X
R Rm R 1
X 1 . X 0.3
(4)
4
Penentuan letak tray umpan (NF) dengan persamaan Kirkbride. Z N NF R HK , F N S Z LK , F
X LK , F X HK , F
2 B D
0.206
.
(5)
2.6 Rigourus Model Kolom Distilasi Biner Kolom distilasi biner mempunyai kesetimbangan massa [9] dan energi [1] yang dapat diterangkan sebagai berikut : Kesetimbangan massa dan panas pada kondensor dan reflux drum
Distilate
Gambar 4 Kesetimbangan massa pada kondensor dan reflux drum Neraca massa total : dM D V NT L NT 1 D dt
(6)
Neraca massa komponen : d (M D X D ) VNT YNT ( LNT 1 D) X D dt
(7)
Neraca panas : d ( M D hD ) VNT H NT LNT 1hNT 1 DhD Qc dt
(8)
Kesetimbangan massa dan panas pada tiap tray Neraca massa total : dM n Ln 1 Ln Vn 1 Vn dt
(9)
Neraca massa komponen : d (M n X n ) Ln 1 X n1 Ln X n Vn 1Yn1 VnYn dt
(10)
Neraca massa panas : d ( M n hn ) Ln 1hn 1 Ln hn Vn 1 H n 1 Vn H n dt
(11)
Gambar 5 Kesetimbangan massa pada tiap tray
5
Kesetimbangan massa dan panas pada tray umpan ( n = NF )
Gambar 6 Kesetimbangan massa pada tray umpan Neraca massa total : dM NF LNF 1 LNF F VNF 1 VNF dt
(12)
Neraca massa komponen : d ( M NF X NF ) LNF 1 X NF 1 LNF X NF VNF 1YNF 1 VNF YNF Fz X F dt
(13)
Neraca panas : d ( M NF hNF ) LNF 1hNF 1 LNF hNF VNF 1 H NF 1 VNF H NF Fh F dt
(14)
Neraca panas : d ( M n hn ) Ln 1hn 1 Ln hn Vn 1 H n 1 Vn H n dt
(15)
Kesetimbangan massa dan panas pada reboiler dan base kolom Neraca massa total : dM n L1 VRB B dt
(16)
Neraca massa komponen : (17)
d (M B X B ) L1 X 1 VRB YB BX B dt
Neraca panas : d ( M B hB ) L1 h1 VRB H B BhB QR dt
(18)
Bottom Product
Gambar 7 Kesetimbangan massa pada Reboiler dan base kolom 2.7 IMC (Internal Model Control ) Internal Model Control (IMC) adalah metode pengendalian yang berdasarkan model dari suatu proses sebagai pedoman untuk mendesain sistem pengendalian yang stabil dan robust. Dimana suatu sistem pengendalian yang robust adalah sistem pengendalian yang aman pada perubahan proses dinamik [10]
6
Blok diagram untuk feedback controller dan struktur pengendali IMC pada gambar 8 sampai gambar 12. Dimana Gp adalah fungsi transfer plant, Gc adalah fungsi transfer pengendali, Gu adalah fungsi transfer disturbance, Gi adalah fungsi transfer inverse model, Gm adalah fungsi transfer forward model, R adalah setpoint, U adalah disturbance, U1 adalah output plant yang disebabkan perubahan disturbance dan C adalah control variable U
Gu
R +
Gc
+ +
Gp
-
U1
C
Gambar 8. Feedback controller Hubungan antara Gc dan Gi ditunjukkan pada persamaan : G c G I /(1 G IG m )
(19 )
Untuk struktur pada gambar 11, menunjukkan bahwa : C U1
GGI [R U1 ] 1 G I (G G m )
(20 )
Jika model tepat sama dengan proses (Gm = Gp), maka hanya sinyal U1 yang masuk ke dalam komparator 1 pada gambar 9. Ketika U1 tidak menghasilkan proses apapun oleh fungsi transfer pada loop forward, U1 bukan merupakan sinyal feedback tetapi sinyal bebas yang equivalent dengan R dan menghasilkan keluaran C. Pada kenyataannya, tidak ada feedback ketika Gp = Gm dan gambar 9 akan menghasilkan sistem open-loop seperti ditunjukkan pada gambar 12. U
Gu
R +
Gi
+ +
Gp
-
U1
C
-
Gm
+
Gambar 9. Struktur IMC U1 + R
+
+ -
GI
Gp
+
C
+ Gm
Gambar 10. Alternatif struktur IMC
7
Gambar 11. Struktur IMC equivalent dengan kontrol konvensional U1 + R
+
GI
+
Gm
C
U1
Gambar 12. Struktur IMC ketika model sesuai dengan proses (Gm = Gp) Pada gambar 12 stabilitas dari sistem pengendalian bergantung hanya pada G I dan Gm. Jika GI dan Gm stabil, maka sistem pengendalian stabil. (21) G IG m 1
G I 1/ G m
(22) IMC hanya membutuhkan satu parameter pengendali λ sebagai filter (persamaan 23), agar dapat menjadi pengendali yang cukup robust untuk gangguan load dan set point
f ( s)
1 (s 1)
(23)
2.8. Adaptive Neuro Fuzzy Inference System (ANFIS) Struktur ANFIS [7,8] yang merupakan mekanisme penalaran fuzzy Sugeno atau sebagai arsitektur jaringan syaraf feed-forward. Struktur ANFIS terdiri dari lima lapisan yang tiap-tiap lapisan mempunyai fungsi yang tertentu. Simpul kotak yang ada pada gambar 13 menyatakan simpul adaptif, yang yang parameternya dapat berubah dengan pembelajaran, sedangkan lingkaran menyatakan simpul non adaptif yang nilainya tetap.
Parameter premis
X
Parameter konsekuen
A1 X
A2
TT
N
1
TT
N
2
TT
N
3
A3 B1 Y
B2 B3
z LAYER 5
LAYER 2
LAYER 3
LAYER 4
Y
LAYER 1
Gambar 13. Struktur ANFIS dengan dua input.
Struktur ANFIS diatas dengan bentuk umum dua aturan fuzzy if-then seperti yang ditunjukkan pada persamaan sebagai berikut : Lapisan 1. Semua simpul pada lapisan ini adalah simpul adaptif (parameter dapat berubah) dengan fungsi simpul :
8
Ol ,i A ( x) untuk I = 1, 2 atau
(24)
Ol ,i Bi 2 ( y) untuk I = 3, 4
(25)
dengan x dan y adalah masukan pada simpul i, Ai (atau Bi-2) yang merupakan variable linguistic (seperti ‘besar’ atau ‘kecil’). Dengan kata lain O1,i adalah fungsi keanggotaan masing-masing dari sebuah set fuzy (A dan B) dengan derajat keanggotaan yang ditentukan oleh input x dan y. Simpul O1,i berfungsi untuk menyatakan derajat keanggotaan tiap masukan terhadap himpunan fuzzy A dan B. Bentuk fungsi keanggotaan pada layer atau lapisan pertama dapat berbentuk misalnya fungsi keanggotaan gauss, yang dapat ditunjukkan dalam bentuk : 2 1 x ai 2 b (26) gaussianx, ai , bi e i dimana ai , bi adalah parameter yang dapat diubah-ubah (parameter adaptif). Selama harga dari parameter ini berubah-ubah, fungsi keanggotaan bell akan bervariasi bergantung pada parameter yang berubah, sehingga fungsi keanggotaan untuk set fuzy (A dan B) akan bervariasi. Parameter-parameter pada lapisan ini disebut sebagai parameter premis. Lapisan 2. Semua simpul pada lapisan ini adalah non adaptif (parameter tetap). Fungsi simpul ini adalah mengalikan setiap sinyal masukan yang datang. O1,2 w i Ai (x) Bi ( y) ,i = 1, 2 (27) Tiap keluaran simpul menyatakan kekuatan pengaruh (firing strength) tiap aturan fuzzy. Fungsi ini dapat diperluas apabila bagian premis memiliki lebih dari dua himpunan fuzzy. Banyaknya simpul pada lapisan ini menunjukkan banyaknya aturan yang dibentuk. Fungsi perkalian yang digunakan adalah interpretasi kata hubung “AND” dengan menggunakan operator t-norm. Lapisan 3. Setiap simpul pada lapisan ini adalah simpul nonadaptif yang menampilkan fungsi normalisasi kekuatan pengaruh (normalized firing strength) yaitu rasio keluaran simpul ke-i pada lapisan sebelumnya terhadap seluruh keluaran lapisan sebelumnya, dengan bentuk fungsi simpul:
O 3, i w i
wi ,i = 1, 2 w1 w 2
(28)
Apabila dibentuk lebih dari dua aturan, fungsi dapat diperluas dengan membagi w i dengan jumlah total w untuk semua aturan. Lapisan 4. Setiap simpul pada lapisan ini adalah simpul adaptif dengan fungsi simpul :
O 4, i w i f i w i (p i x q i y ri )
(29)
_ dengan wi adalah derajat perngaktifan ternormalisasi dari lapisan 3 dan parameter
pi , qi , ri menyatakan
parameter yang adaptif Parameter lapisan ini dinamakan parameter konsekuen. Lapisan 5. Pada lapisan ini hanya ada satu simpul tetap yang fungsinya untuk menjumlahkan semua masukan. Fungsi simpul :
O5,1 wi . f i i
i wi f i i wi
(30)
III. PERANCANGAN 3.1 Model kolom distilasi pada Hysys
Model Shortcut kolom distilasi
Metodologi dimulai dengan mendesain kolom distilasi biner menggunakan metode shortcut untuk mendapatkan jumlah tray NT, letak feed tray NF, beban reboiler Qr dan kondenser Qc, reflux flow rate L dengan memberikan informasi komposisi dan flow rate pada feed (Xf,F), distilat (Xd,D) dan bottom produk (Xb,B).
9
Gambar 14 Model Shortcut
Gambar 15. Process flow diagram kolom distilasi
Model Rigorous kolom distilasi Rigours model dibangun berdasarkan hasil shortcut model dengan membuat utiliti pada kolom secara steady state dan merubah ke mode dinamik dengan menambahkan inventori kontrol dari mode steady-stead-nya (gambar 15). Menambah inventori kontrol pada tekanan kolom atas, level reflux drum dan level bottom, penambahan inventori kontrol tidak membuat sistem menjadi close loop, sistem masih open loop, karena penambahan inventori kontrol masih belum mengendalikan produk atas dan produk bawah sebagai keluaran dari kolom distilasi. Kontrol komposisi dilakukan menggunakan strategi kontrol LV.
3.2. Perancagan Pengendali IMC-NF pada Matlab
Mengambil Data Plant
Pengambilan data ini dilakukan dengan merubah input Plant dengan sinyal APRBS [11] dan mencatat perubahan output terhadap input. Data tersebut adalah laju reflux (L), laju panas pada reboiler (Qr), fraksi distilat (Xd) dan fraksi bawah (Xb) yang akan digunakan untuk memodelkan Plant. Dengan metode ini akan diperoleh data set yang mampu membuat model NF akurat terhadap plant.
10
Gambar 16. Data input – output pelatihan
Pemodelan Forward Plant dengan Neurofuzzy Model proses diperoleh dengan memberikan supervised training dari data set yang diperoleh dari input dan output Plant. Dalam hal memodelkan Plant forward, laju reflux (L) dan laju steam pada reboiler (Qr) sebagai input dan fraksi distilat (Xd) dan fraksi bawah (Xb) sebagai output. Sedangkan untuk model inverse, fraksi distilat (Xd) dan fraksi bawah (Xb) sebagai input dan laju reflux (L) dan laju panas pada reboiler (Qr) sebagai output, training seperti ini disebut offline training. Dalam identifikasi plant dengan sebuah model pada penelitian ini menggunakan neurofuzzy. Model ditempatkan pararel dengan plant dan error antara output dari model dan output plant digunakan untuk memodifikasi parameter pada model untuk meningkatkan performansi sistem. Dalam hal memodelkan Plant forward, laju reflux (L) dan laju steam pada reboiler (Qr) sebagai input dan fraksi distilat (Xd) dan fraksi bawah (Xb) sebagai output. yp
U
PLANT
NF-forward model
+
e
-
ym
Gambar 17. Struktur identifikasi forward Neurofuzzy Dalam identifikasi, setiap data input akan dihubungkan dengan data output melalui suatu faktor pengali yang dinamakan bobot. Dalam rangka menentukan bobot agar setiap data input dapat terhubung dengan data output, diperlukan suatu usaha yang disebut pelatihan atau pembelajaran (training/learning). Dalam training bobot disesuaikan agar memperoleh output jaringan yang sesuai dengan output proses atau target. Algoritma pembelajaran ini akan terus menyesuaikan bobot sampai target yang diinginkan tercapai.
Pemodelan inverse plant dengan Neurofuzzy U1 Y out INVERS MODEL
PLANT
+ Gambar 18. Metode direct inverse learning[7] Dalam pemodelan inverse plant dalam penelitian ini menggunakan metode direct inverse learning [7]. Dalam metode direct inverse learning ini, sinyal/data pembelajaran menjadi input bagi plant, dan hasil output dari plant menjadi input bagi model inverse (network). Output dari model inverse akan dibandingkan dengan sinyal/data pembelajaran (input plant) dan error hasil perbandingan akan digunakan untuk pembelajaran bagi model inverse.
11
Untuk model inverse, fraksi distilat (Xd) dan fraksi bawah (Xb) sebagai input dan laju reflux (L) dan laju panas pada reboiler (Qr) sebagai output
Pembelajaran IMC Neurofuzzy secara Online ey +
Ref
-
FILTER & MODEL INVERSE
+ -
u
y
PLANT
e2
FORWARD MODEL
z_fwd -
+ e1
Gambar 19. Struktur IMC-NeuroFuzzy online. Setelah mendapatkan bobot yang sesuai untuk model inverse dan forward, langkah selanjutnya adalah menempatkan seluruh model kedalam struktur IMC dengan bobot yang telah didapatkan dari hasil pembelajaran Model inverse kontroler dalam struktur IMC bersifat adaptif, dimana error (ey) antara output plant dengan setpoint akan digunakan untuk pembelajaran pada struktur model inverse neurofuzzy untuk mendapatkan bobot baru dengan tujuan untuk memperkecil error. Dalam pembelajaran online ini IMC Neurofuzzy dituning dengan menala harga learning rate K pada parameter konsekuen. 3.3
Intergrasi antara Matlab dengan HYSYS. Integrasi antara Matlab dan Hysys dilakukan dengan menggunakan protokol komunikasi DDE (Dynamic Data Exchange). Pada sistem komunikasi ini, Matlab berlaku sebagai server dan Hysys sebagai DDE client
Gambar 20 Strategi simulasi antara Hysys dengan Matlab Baik Matlab maupun Hysys telah memiliki fasilitas untuk melakukan komunikasi DDE. Fasilitas komunikasi DDE pada Matlab diantaranya digunakan dengan memanggil fungsi – fungsi tertentu diantaranya DDEinit, DDEreq dan DDEpoke untuk mengambil data dari Hysys dan mengirimkan data manipulated variable (output dari controller) untuk masing – masing controller ke Hysys untuk menggantikan fungsi internal controller yang sudah terdapat pada Hysys. Sedangkan fasilitas komunikasi pada Hysys dikonfigurasikan melalui DCS interface page tab dengan melakukan setting untuk beberapa nilai item diantaranya driver, fungsi controller, import variable dan export variable. Setelah mengkonfigurasikan keduanya, maka request untuk melakukan komunikasi DDE dilakukan dari Hysys dengan merubah kondisi status fungsi DCS dari disable menjadi enable. Pada saat fungsi DCS pada saat Hysys enable, maka transaksi data dari / ke Matlab dapat dilakukan. Sehingga Hysys dapat merepresentasikan dan mewakili model simulasi suatu unit operasi di industri khususnya kolom distilasi dan Matlab sebagai algoritma kontrol.
12
Gambar 21. HYSYS DCS Interface – PV Export Nama pengenal komponen DDE yang digunakan untuk mengkonfigurasikan arrays untuk data transfer nilai setpoint controller, controller outputs, dan process variables adalah nama vektor Matlab yang didefinisikan pada tabel berikut Tabel 1. Matlab m.files Array Array Tags Setpoint Sp Output Op PV Export Pv PV Import Pvimport Nama pengenal ini dimasukkan pada General Data page tab pada DCS View. Pada saat Hysys DCS link diaktifkan, variabel ini akan terlihat pada Matlab command window dengan mengetikkan namanya pada Matlab command window. IV. HASIL DAN PEMBAHASAN Sistem pengendalian kolom distilasi tunggal sistem biner metanol-air dapat diketahui performansinya dengan melakukan pengujian pada perubahan set-point dan perubahan beban mol flowrate input F dan mol fraksi input Xf. 4.1 Pengujian Perubahan Set-point Pada pengujian perubahan setpoint Xd bertambah sebesar 0.001 mempunyai IAE sebesar 0.02199 dan Xb bertambah sebesar 0.001 mempunyai IAE sebesar 0.00570 (Gambar 22). Sedangkan untuk pengujian perubahan setpoint Xd berkurang sebesar 0.001 mempunyai IAE sebesar 0.02154 dan Xb berkurang sebesar 0.001 mempunyai IAE sebesar 0.00640 (Gambar 23). Xd + 0.001
0.0120
0.9915
0.0115
0.9910
%CH4O
%CH4O
Xb + 0.001
0.0110 0.0105
0.9905 0.9900
0.0100
0.9895
0.0095 0
10000
20000
30000
0
40000
20000
30000
waktu(sec)
waktu(sec) Xb
10000
Xd
Sp
Gambar 22 Perubahan setpoint Xd dan Xb plus 0.001
13
Sp
40000
Xb - 0.001
0.9905
0.0105
0.9900
0.0100 %CH4O
%CH4O
Xd - 0.001
0.9895 0.9890
0.0095 0.0090 0.0085 0.0080
0.9885 0
10000
20000
30000
0
40000
10000
waktu(sec) Xd
20000
30000
40000
waktu(sec) Xb
Sp
Sp
Gambar 23 Perubahan setpoint Xd dan Xb minus 0.001 Tabel 2 Perbandingan Uji Setpoint Uji perubahan setpoint Xd + 0.01 Xd - .0.001 Xb + .0.001 IAE 0.02199 0.02154 0.00570
Xb - .0.001 0.00640
4.2 Pengujian Perubahan beban F dan Xf Pada pengujian perubahan beban laju flowrate input F dilakukan perubah beban sebesar plus minus sepuluh persen begitu juga dengan komposisi fraksi input metanol-air Xf dirubah sebesar plus minus sepuluh persen.
Pengujian Perubahan Beban Flow Rate F Pada pengujian perubahan beban mol flowrate F menjadi 550 kgmol/jam diperoleh performansi sistem pengendalian seperti pada gambar 24 untuk pengaruh terhadap Xd dan Xb. Dari hasil simulasi diperoleh IAE sebesar 0.0111 pada fraksi atas (Xd) dan IAE sebesar 0.0056 pada fraksi bawah (Xb) F = 550 kgmol/jam, Xf CH4O:Xf H2O = 0.5:0.5
0.9902 0.9901 0.9900 0.9899 0.9898 0.9897 0.9896 0.9895
%CH4O
%CH4O
F = 550 kgmol/jam, Xf CH4O:Xf H2O = 0.5:0.5
0
10000
20000
30000
40000
0
waktu(sec) Xd
0.0108 0.0106 0.0104 0.0102 0.0100 0.0098 0.0096 10000
20000
30000
40000
waktu(sec)
Sp
Xb
Sp
Gambar 24 Grafik Xd dan Xb terhadap perubahan beban F = 550 kgmol/jam pada struktur LV Pada pengujian perubahan beban mol flowrate F menjadi 450 kgmol/jam diperoleh performansi sistem pengendalian seperti pada gambar 25 untuk pengaruh terhadap Xd dan Xb. Dari hasil simulasi diperoleh IAE sebesar 0.0190 pada fraksi atas (Xd) dan IAE sebesar 0.0062 pada fraksi bawah (Xb)
14
F = 450 kgmol/jam, Xf CH4O:Xf H2O = 0.5:0.5
0.0106 0.0104 0.0102 0.0100 0.0098 0.0096 0.0094 0.0092
%CH4O
%CH4O
F = 450 kgmol/jam, Xf CH4O:Xf H2O = 0.5:0.5
0
10000
20000
30000
0.9905 0.9904 0.9903 0.9902 0.9901 0.9900 0.9899 0.9898 0
40000
10000
waktu(sec) Xb
20000
30000
40000
waktu(sec) Xd
Sp
Sp
Gambar 26 Grafik Xd dan Xb terhadap perubahan beban F = 450 kgmol/jam pada struktur LV
Pengujian Perubahan Beban Xf Pada pengujian perubahan beban mol flowrate Xf menjadi 0.45 diperoleh performansi sistem pengendalian seperti pada gambar 27 untuk pengaruh terhadap Xd dan Xb. Dari hasil simulasi diperoleh IAE sebesar 0.0091 pada fraksi atas (Xd) dan IAE sebesar 0.0027 pada fraksi bawah (Xb)
F = 500 kgmol/jam, Xf CH4O:Xf H2O = 0.45:0.55
0.0103 0.0102 0.0101 0.0100 0.0099 0.0098 0.0097
%CH4O
%CH4O
F = 500 kgmol/jam, Xf CH4O:Xf H2O = 0.45:0.55
0
10000
20000
30000
0.9903 0.9902 0.9902 0.9901 0.9901 0.9900 0.9900 0.9899 0
40000
10000
30000
40000
waktu(sec)
waktu(sec) Xb
20000
Xd
Sp
Sp
Gambar 27 Grafik Xd dan Xb terhadap perubahan beban Xf metanol = 0.45 pada struktur LV Pada pengujian perubahan beban mol flowrate Xf menjadi 0.55 diperoleh performansi sistem pengendalian seperti pada gambar 28 untuk pengaruh terhadap Xd dan Xb. Dari hasil simulasi diperoleh IAE sebesar 0.0113 pada fraksi atas (Xd) dan IAE sebesar 0.0081 pada fraksi bawah (Xb)
F = 500 kgmol/jam, Xf CH4O:Xf H2O = 0.55:0.45
0.9902 0.9901 0.9900 0.9899 0.9898 0.9897 0.9896
%CH4O
%CH4O
F = 500 kgmol/jam, Xf CH4O:Xf H2O = 0.55:0.45
0
10000
20000
30000
0
40000
10000
20000
30000
waktu(sec)
waktu(sec) Xd
0.0120 0.0100 0.0080 0.0060 0.0040 0.0020 0.0000
Xb
Sp
Sp
Gambar 28 Grafik Xd dan Xb terhadap perubahan beban Xf metanol = 0.55
15
40000
Tabel 3 Perbandingan Uji Perubahan Beban antar Struktur Kontrol Uji Perubahan Beban F +10% F - 10% Xf - 10% Xf + 10% (t = 700 menit) IAE struktur LV Xd 0.0111 0.0190 0.0091 0.0113 Xb 0.0056 0.0062 0.0027 0.0081 Hasil IAE keseluruhan pengujian perubahan beban laju flowrate input F sebesar plus minus sepuluh persen begitu juga dengan komposisi fraksi input metanol-air Xf dirubah sebesar plus minus sepuluh persen. dalam waktu 700 menit dapat dilihat pada tabel 4.2 IMC-NF dengan struktur kontrol LV mampu mengikuti perubahan setpoint serta mampu kembali pada setpoint semula bila ada disturbance. Hal ini menandakan bahwa IMC-NF dengan struktur LV sesuai untuk pengendalian kolom distilasi metanol-air dengan menggunakan aliran refluks L untuk mengatur komposisi distilat Xd dan heat input V ke dalam reboiler digunakan untuk mengatur komposisi bottom Xb. Distillate flow rate D dipakai untuk mempertahankan reflux drum level dan bottom flow rate B untuk mengatur level pada kolom. 5. KESIMPULAN
Dari hasil pengujian untuk perubahan setpoint Xd dan Xb sebesar plus-minus 0.001 dari setpoint semula, diperoleh bahwa IMC-NF mampu mengikuti perubahan setpoint dan IAE yang kecil. Hasil pengujian untuk perubahan beban mol flowrate F dan mol fraksi input Xf sebesar plus-minus sepuluh persen diperoleh bahwa IMC-NF mampu mengembalikan setpoint pada setpoint semula bila ada disturbance dan IAE yang kecil. Hysys dan Matlab dapat dintegrasikan dengan baik menggunakan suatu protokol Dynamic Data Exchange yang berbasis client – server komunikasi
DAFTAR PUSTAKA [1.] Biyanto, TR., Handogo, R., Suhartanto, T, , 24-25 August 2004, “Controlling of a binary distillation column using Neural Network - Internal Model Control (NN-IMC)”., Post Graduate Seminar IV, Sepuluh Nopember Institute of Technology Surabaya, [2.] Chien, I.-L., and Fruehauf, P.S., Consider IMC Tuning to Improve Controller Performance, Chem. Eng. Prog., 86, October, 1990, pp. 33-41. [3.] Coughenowr, D.R.,1991, Process System Analisys and Control, McGraw-Hill Inc., Singapore [4.] Fitriana, F., Sugiarti, L., 1991, “Simulasi Pengendalian Kolom Distilasi Tunggal Metanol-Air dengan Internal Model Control, (Skripsi)”, Institut Teknologi Sepuluh Nopember Surabaya [5.] Fruehauf, P.S., Chien, I.-L., Lauritsen, M.D., Simplified IMC-PID Tuning Rules,” ISA Transactions, 33, 1994, pp. 43-59. [6.] Hussain, M.A, Chew, C. M. , and Wahab A. K. A., “Neural network inverse model based control strategies tocontrol a tank-level system”, Department of Chemical Engineering, University Malaya, Malaysia [7.] Jang, J.-S. R.., Sun, C.-T. and Mizutani, E., 1997, Neuro-fuzzy and Soft Computing, dalam Matlab Curriculun Series, Prentice Hall, Upper Saddle River, NJ, USA. [8.] Jantzen, Jan. ,2003, Neural and Neurofuzzy Control. Tech. report no 99-H 99 (nefcon) [9.] Luyben, W.L., 1990, Process Modeling, Simulation, and Control for Chemical Engineers, McGraw-Hill Inc. Singapore [10.] Morari, M. and E. Zafirou (1989), Robust Process Control, Prentice-Hall, Englewood Cliffs, NJ [11.] Norgaard, M,..Ravn, O., Poulsen, N.K., dan Hansen L.K., Nopember 1999, Neural Network for Modelling and Control of Dynamic Systems, Springer London. [12.] Ribeiro, B dan Cardoso, A. “A Model-based Neural Network Controller for a Process Trainer Laboratory Equipment”, CISUC, Portugal. [13.] Rival, I., Perzonnaz, L,. “Internal Model Control Using Neural Networks”, ESPI, Laboratoire d’Electronique, France [14.] Smith J. M., Ness, Van H. C., Abbot M. M. ,2001,. Introduction to CHEMICHAL ENGINEERING THERMODYNAMICS-sixth edition. McGraw-Hill Companies, Inc [15.] Tsoukalas, Lefteri H., Uhrig, Robert E. ,1997,. Fuzzy and Neural Approaches in Engineering, A Wiley Interscience Publication, John Wiley & Sons, Inc, New York. [16.] Wheatley, Robb, External HYSYS Controllers in a DDE Server, IFACE Group – rev 2, April 16, 1998 [17.] Yan, Jun., Ryan, Michael., Power, James., 1994,. Using Fuzzy Logic, Prentice Hall International (UK).
NOTASI B D
= laju aliran produk bawah, laju bottom (kgmol/jam) = laju aliran produk atas, laju distilat(kgmol/jam)
16
F IAE L LNT Ln Qr R V Vn VNT VRB Xb Xd Xf Xn Yn YNT Yb Zf
= laju aliran umpan, laju feed(kgmol/jam) = integral absolute error = laju liquid (kgmol/jam) = laju liquid pada tray teratas(kgmol/jam) = laju liquid pada tray ke-n(kgmol/jam) = laju steam pada reboiler(kgmol/jam) = rasio refluks = laju vapor (kgmol/jam) = laju vapor pada tray ke-n(kgmol/jam) = laju vapor pada tray teratas(kgmol/jam) = laju vapor pada reboiler(kgmol/jam) = fraksi metanol pada produk bawah, fraksi bottom = fraksi metanol pada produk atas, fraksi distilat = fraksi umpan, fraksi feed = komposisi liquid pada tray ke-n = komposisi vapor pada tray ke-n = kmposisi vapor pada tray teratas = komposisi vapor pada reboiler = fraksi metanol pada umpan, fraksi feed
17
