PERANCANGAN SISTEM PENGENDALIAN DAYA REAKTOR NUKLIR MENGGUNAKAN LOGIKA FUZZY DI PUSAT TEKNOLOGI NUKLIR BAHAN DAN RADIOMETRI BADAN TENAGA NUKLIR NASIONAL (PTNBR BATAN) BANDUNG
Herry gunawan wibisono 2406 100 008
Pembimbing : Ir. Syamsul Arifin, MT
PENDAHULUAN
• Latar Belakang Kendali manual pada reaktor di BATAN sehingga diperlukan sistem kendali untuk mengatasi kekurangan pada kendali manual
• Permasalahan Bagaimana merancang sistem pengendalian daya reaktor nuklir menggunakan logika fuzzy di PTNBRBATAN Bandung
• Batasan Masalah 1. Pemodelan dan perancangan sistem pengendalian daya reaktor nuklir disesuaikan dengan sistem yang ada di reaktor Nuklir BATAN bandung. 2. Keberadaan reaktor dan grid plate diabaikan sehingga batang kendali hanya akan bergerak naik dan turun. 3. Perancangan sistem pengendalian dengan metode logika fuzzy mamdani. 4. Variabel yang dikendalikan adalah daya reaktor nuklir, sedangkan variabel yang dimanipulasi adalah posisi batang kendali. 5. Perancangan sistem pengendali dengan metode Mamdani dengan matlab versi 7.6.
• Tujuan Mampu merancang sistem pengendalian daya reaktor nuklir menggunakan logika Fuzzy di Pusat Teknologi Nuklir Bahan dan Radiometri Badan Tenaga Nuklir Nasional (PTNBR BATAN) Bandung.
DASAR TEORI
Batang Kendali
Crisp
Fuzzifikasi
Rules
Defuzzifikasi
Output result
METODOLOGI DAN PERANCANGAN
Mulai
Studi Literatur
Pemodelan Plant
Pemodelan Controller
Validasi Pemodelan Plant
Validasi Pemodelan Controller
Sesuai dengan data plant?
Sesuai dengan data karakteristik controller?
Tidak
Ya
YA
Integrasi Pemodelan Plant dan Controller
Simulasi
Analisa Hasil Simulasi dan Pembahasan
Selesai
Tidak
PENGUJIAN DAN ANALISA HASIL SIMULASI
PENGUJIAN DAN ANALISA HASIL SIMULASI Data Reaktor Triga 2200 2000 1800 1600
Daya (kW)
1400 1200
Batang kendali 1 Batang kendali 2
1000
Batang kendali 3 Batang kendali 4
800
Batang kendali 5
600 400 200 0 400
500
600 Posisi batang kendali (mm)
700
800
Pemodelan Plant dengan ANFIS
Terdapat 243 rule Tiga fungsi keanggotaan untuk tiap input
Pengendalian Fuzzy Kondisi error ini, dibagi menjadi tiga kelompok, yaitu : 1. Error negative, yaitu kondisi dimana nilai variabel terukur bernilai lebih besar daripada setpoint. 2. Error positif, yaitu kondisi dimana nilai variabel terukur lebih kecil dari nilai setpoint. 3. Error ZE bernilai mendekati nol, atau berada pada daerah setpoint. Jenis perubahan error dikelompokkan menjadi tiga kategori, yaitu : 1. Delta error negatif, yaitu saat perubahan error saat t dan (t-1) bernilai negative 2. Delta error positif, yaitu saat perubahan error saat t dan (t-1) bernilai positif. 3. Delta error nol, yaitu saat tidak terjadi perubahan error, atau saat respon pengendali telah stabil.
Variabel keluaran ini dibagi menjadi tiga jenis, yaitu : 1. Batang Kendali turun sedikit, atau NS Yaitu sinyal pengendali yang diberikan untuk menurunkan batang kendali. 2. Batang kendali tidak berubah, atau ZE Yaitu sinyal pengendali yang mengkondisikan agas batang kendali tidak berubah. 3. Batang Kendali naik sedikit atau PS Yaitu sinyal pengendali yang diberikan untuk menaikkan batang kendali.
Rule Base Error Delta error
Positif
ZE
Negatif
Positif
PS
ZE
NS
ZE
PS
ZE
NS
Negatif
PS
ZE
NS
ANALISA PENGENDALIAN
Uji Respon Setpoint
error steady state sebesar 0.7% dan maximum overshoot sebesar 5.35%
Uji Tracking Setpoint Naik
set point 500 kW didapatkan performa
set point 1000 kW didapatkan performa
Max. Overshoot = 0% Settling Time = 11.7 detik Error Steady state =9
Max. Overshoot = 1.1% Settling Time = 52.28 detik Error Steady state =7
Uji Tracking Setpoint TURUN
set point 1000 kW didapatkan performa
set point 500 kW didapatkan performa
Max. Overshoot = 5.3% Settling Time = 3.3 detik Error Steady state =7
Max. Overshoot = 0% Settling Time = 53 detik Error Steady state =9
UJI NOISE
Dari uji noise didapatkan performansi sebagai berikut: Max. Overshoot = 0.04% Settling Time = 4 detik Error Steady state = 9.3
Performansi Pengendalian Jenis Pengendalian
Fuzzy
JST[8]
PID
max. overshoot (%)
5.35
0
11
settling time (detik)
3.3
39
60
Ess
7
8.34
14
KESIMPULAN
Pemodelan plant dengan ANFIS yang terbaik didapat dengan : Tiga fungsi keanggotaan, Bentuk fungsi keanggotaan yaitu dsigmf, dengan tipe output fungsi keanggotaan linear Error yang di dapatkan yaitu 0.0043934.
Simulasi pengendalian logika fuzzy mamdani memberikan respon sistem yang baik, hal ini dapat diketahui dari uji noise dimana sistem masih dapat mempertahankan setpoint pada titik 1000 kW.
Pengendalian daya menggunakan logika fuzzy lebih baik jika dibandingkan dengan PID karena: menghasilkan settling time yang lebih singkat yaitu 3.3 detik error steady state yang lebih kecil yaitu 7
