JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
1
Perancangan Sistem Pengendalian Flow Menggunakan Sliding Mode Control (SMC) Dengan Neural Network Pada Backloading Di Terminal BBM PT. Pertamina Perak Surabaya Helmy Yunan Ihnaton1, Imam Abadi2 Jurusan Teknik Fisika, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 E-mail:
[email protected],
[email protected]
Abstrak— Backloading adalah proses pemindahan produk minyak untuk kepentingan transaksional di Terminal BBM PT. Pertamina Perak Surabaya, yang memerlukan akurasi dalam laju aliran, dengan nilai yang distandarkan yaitu 79 m3/jam. Sehingga dibutuhkan sistem pengendali yang robust (mampu bekerja dengan baik meskipun diberi gangguan) untuk menjaga kestabilan flow, dengan menerapkan sebuah metode, yaitu Sliding Mode Control (SMC). SMC memiliki sifat yang dapat menstabilkan kondisi yang tidak pasti. Selanjutnya hasil keluaran tersebut di lakukan uji validasi menggunakan Neural Nework jenis Backpropagation. Dari simulasi pengendali tanpa controller SMC, hasil Flow Output (Fout) melebihi set point yaitu sebesar 86,29 m3/jam. Sedangkan hasil pengendali flow menggunakan contoller SMC menghasilkan nilai Fout mendekati set point sebesar 78,935-78,999 m3/jam dicapai kurang dari 0,01 jam. Kemudian untuk pengujian validasi dengan Training Neural Networks mencapai performance Neural Network/ Mean Squared Error (MSE) sebesar 9.83e-06 atau 0,00000983 pada iterasi ke 479 untuk target value 79m3/jam. Kata kunci : Backloading, pengendalian flow, Sliding Mode Control, Neural Network.
I. PENDAHULUAN
P
T. PERTAMINA sebagai perusahaan minyak kondisi (state) memiliki peran yang sangat penting dalam komoditi migas Indonesia. Hal ini dikarenakan oleh kebutuhan energi nasional yang sangat tergantung pada sektor energi minyak bumi. Dalam melayanai konsumennya, PT. Pertamina membutuhkan suatu metode pengendalian minyak yang akurat dan sesuai dengan standar. Dan beberapa gangguan lain yang dapat menimbulkan ketidakpastian pada flowrate yang dihasilkan. Nilai flowrate yang diatur/ set point untuk memenuhi standar pengiriman adalah 79 KL/jam atau 79 m3/jam. Pada proses Backloading di Terminal BBM PT. Pertamina Perak Surabaya, didapatkan beberapa data flow rate pada saat pengiriman minyak ke kapal, dimana flowrate yang ada berbeda dengan spesifikasi kapal. Dari hal tersebut pengaturan flow sangat diperlukan guna memberikan optimalisasi besaran flowrate untuk fluida yang ditransfer. Tetapi pada keadaan di lapangan, pada saat proses transfer, valve dibuka 100 % atau masih menggunakan gate valve manual pada sistem meter. Saat transfer minyak dilakukan, operator di dalam control room masih menggunakan handy
talkie untuk memberi instruksi kepada operator di lapangan agar memutar valve secara manual sampai flowrate yang diinginkan tercapai. Sistem otomasi yang tersedia pun belum dapat dimaksimalkan. Sistem pengendali yang banyak digunakan adalah PID (Proportional Integral Derrivative). Namun, pengendali PID mempunyai kelemahan, diantaranya adalah pengendali PID tidak dirancang untuk menyelesaikan sistem nonlinear dengan banyak ketidakpastian (uncertainties). Ketidakpastian tersebut bisa berupa gangguan eksternal, ketidakpastian model, maupun ketidakpastian parameter. Ketidakpastian yang muncul pada suatu sistem bisa mempengaruhi kestabilan sistem. Berdasarkan latar belakang yang telah ditulis, maka dirumuskan permasalahan dari penelitian tugas akhir ini, yang selanjutnya dipecahkan sesuai dengan metodologi penelitian yang digunakan. Permasalahan pada tugas akhir ini adalah adanya ketidakstabilan nilai laju aliran/ flow pada proses Backloading yang dapat menyebabkan beberapa kerugian pada PT. Pertamina, kekurangan pada sistem pengendalian flow yang ada sebelumnya yang tidak stabil ketika ada gangguan serta diperlukan perancangan sistem pengendalian yang mampu menjaga kestabilan nilai Fout sesuai dengan set point. SMC (Sliding Mode Control) merupakan metode pengendali yang bersifat sangat robust. Memiliki sifat yang dapat menstabilkan kondisi yang tidak pasti. Beberapa contoh aplikasi metode SMC adalah untuk pengendali ketinggian air dan temperatur uap pada steam drum boiler [Herlambang, 2010] serta digunakan untuk pengendali tegangan alternator pada sistem pengisian baterai [Nurhadi, 2011]. Kemudian Neural Network adalah sebuah model yang dibuat untuk meniru fungsi belajar yang dimiliki otak manusia, yang dilakukan untuk uji validasi sebuah metode. Tujuan dari penelitian Tugas Akhir ini adalah mendapatkan rancangan sistem pengendalian flow pada Backloading di TBBM PT. Pertamina Perak Surabaya menggunakan Sliding Mode Control dan menvalidasikan dengan Neural Network. II. URAIAN PENELITIAN Bagian ini menjabarkan metodologi yang diterapkan untuk menyelesaikan permasalahan yang diangkat pada Tugas Akhir ini. Mengacu pada tinjauan pustaka yang terdapat pada, uraian penelitian yang dijabarkan pada bagian ini memperjelas langkah yang dilakukan untuk menyelesaikan permasalahan dalam Tugas Akhir ini. Uraian penelitian Tugas Akhir ini, dijabarkan secara runut pada flowchart berikut,
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
2
1 kw Fin kw h (2.5) Fout = − − 2 h A A Persamaan merupakan model yang didapatkan dari sistem, yang selanjutnya digunakan untuk mencari pengendali SMC. B. Perancangan pengendali Sliding Mode Control perancangan pengendali tegangan menggunakan SMC pada sistem pengendalian flow terlebih dahulu menentukan sliding surface dari sistem pengendali. Dalam menentukan sliding surface harus diketahui terlebih dahulu tracking error dari sistem. Yang merupakan Error selisih antara flow yang ada dengan flow yang ditetapkan/ set point akan digunakan dalam konsep SMC.
F = F − Fd ........Fd = Konstan
…(2.6)
Selanjutnya, dibentuk fungsi switching. Karena sistem berorde 1 maka n=1, sehingga
d S ( F , t ) = + λ dt
n −1
~ F ,....n = 1
1−1
d ~ S ( F , t ) = + λ F dt 0
Gambar 1 Flowchart penelitian
Mengacu pada flowchart di atas, maka dapat dilaksanakan dengan terlebih dahulu dengan memodelkan sistem secara matematis, kemudian diikuti dengan langkah selanjutnya. A. Pemodelan Matematis Sistem
( ρAh) = ρFin − ρFout...........(2.1) dt dh ρA = ρFin − ρFout..............(2.2) dt
d
Dengan rho dianggap diabaikan, maka persamaan untuk Fout adalah, (2.3) Fout = kw h Dimana k adalah koefisien control valve (m3/2/jam) dan w adalah flow control valve (m) dan h adalah ketinggian air (m). Sehingga variabel yang dikontrol adalah flow (m3/jam). Nilai Fout dimasukkan pada persamaan 4.2, sehingga didapatkan persamaan sebagai berikut,
dh = Fin − kw h dt
(2.4)
Variabel h diturunkan, sehingga diperoleh,
Fin kw h h = − A A
S ( F , t ) = F − Fd Sedangkan turunan S adalah,
Dilakukan pemodelan secara matematis untuk plant. Menggunakan hukum kesetimbangan massa, dimana Penjumlahan Total Massa = Waktu Total Massa Yang Masuk – Total Massa Yang Keluar Waktu Waktu Persamaannya ditulis sebagai berikut,
A
d ~ S ( F , t ) = + λ F dt ~ S ( F , t ) = F
~ S ( F , t ) = F = F − Fd (2.7) Karena Fd = konstan, maka Fd =0. Dengan mensubstitusikan persamaan 2.5 ke 2.7, maka dihasilkan, •
•
•
S = F − Fd • 1 k Fin − kw h S= . .w.( ) 2 h A
Selanjutnya ditentukan nilai
(2.8)
(estimasi pengendali)
•
dengan nilai S = 0. Sehingga diperoleh
adalah,
Fin = (2.9) k h Berdasarkan control law yang memenuhi kondisi sliding sebagai berikut,
w = wˆ − K sgn( s )
(2.10) Maka dari persamaan 2.9 dan 2.10 didapatkan persamaan,
w=
Fin − K sgn(s ) k h
Dengan mensubstitusikan diperoleh,
(2.11) persamaan
2.11
dan
2.8,
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
3
S ( F , t ) = F
Agar sistem optimal, maka diambil K yang positif, sehingga didapatkan nilai K, yaitu
1 k Fin − kw h .w.( ) = . 2 h A
K = max
1 k Fin Fin k h Fin . − − K sgn( s ) = . − K . sgn( s ) . 2 h k h A k h A 1 k Fin k h . K sgn( s ) = . − K . sgn( s ) 2 h k h A Kemudian dirancang nilai K agar memenuhi kondisi sliding, • dengan persamaan S S ≤ −η S . •
S S ≤ −η S
Fin 2k h
+
Fin 2 2 Aη − 4k 2 h k2
Kemudian digunakan suatu Boundary Layer untuk meminimalkan chattering. Sebab Chattering merupakan osilasi keluaran pengendali dengan frekuensi tinggi yang disebabkan oleh switching yang sangat cepat untuk membentuk sliding mode, hal ini dapat menyebabkan ketidakstabilan pada sistem. Untuk mencegah ketidakstabilan akibat chattering, pada SMC diterapkan satu boundary layer (BL) pada permukaan sliding yang membuat smooth control input w dan membatasi bahwa sistem berada di dalam layer. Penggunaan BL di dalam ˆ − K sgn( s ) dilakukan dengan Control law pada w = w
mengganti fungsi sgn(S) dengan saturasi dan K adalah 1 k Fin k h . − K . sgn( s ) S . . K . sgn( s ) ≤ −η S konstanta positif. A 2 h k h s w = − K sat . ( ) k h 1 k .Fin 1 k θ .K . sgn( s ) K . sgn( s ) ≤ −η = − . 2 h A 2 k .h Fin s = − K sat . ( ) θ k h 1 Fin k h 1 k2 2 . .K . sgn( s ) − .K ≤ −η = . 2 h 2 A A Dengan demikian rancangan pengendali Sliding Mode 1 k 2 2 1 Fin k h Control (SMC) adalah sebagai berikut : . = . .K − . K sgn( s ) − η ≥ 0 2 A 2 h A Fin Fin Fin 2 2 Aη s w= − max + − 2 sat ( ) 2 θ k 4k h k h 2k h Untuk mendapatkan persamaan kuadrat agar nilai K dapat ditemukan, maka persamaan di atas dikalikan dengan x 2 A . k2
Sehingga didapatkan persamaan kuadrat sebagai berikut,
K2 −
Fin 2 Aη K sgn( s ) − 2 ≥ 0 k k h Dengan rumus abc, variabel persamaan dapat
diklasifikasi,
K1, 2
K1, 2
a = K,b = −
Fin 2 Aη K sgn( s ), c = − 2 k k h
− b ± b 2 − 4ac = 2a
C. Implementasi Model dengan Software Dari pemodelan matematis pada plant dan controller yang telah dibahas sebelumnya, langkah selanjutnya adalah membuat desain software berdasarkan model rumus yang telah didapatkan. 1.
Model Software untuk Plant Dari Model matematis plant yang telah diperoleh
1 kw Fin kw h , yaitu F out = − − 2 h
A
A
maka desain software pada plant adalah,
Fin Fin 2 8. Aη − 2 sgn( s ) ± k 2h k k h = 2
K1, 2 = K1 =
Fin Fin 2 2 Aη sgn( s ) + − 2 4k 2 h k 2k h
Fin Fin 2 2 Aη sgn( s ) + − 2 4k 2 h k 2k h
Fin Fin 2 2 Aη K2 = sgn( s ) − − 2 4k 2 h k 2k h
Gambar 2. Model Software untuk plant
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 2.
Model Software untuk pengendali Sliding Mode Control Berdasarkan rancangan pengendali yang telah didapatkan yaitu
Fin 2 2 Aη s w= − max + − 2 sat ( ) 2 θ k 4k h k h 2k h Fin
Fin
4 • validasi Kemudian baru dijalankan. Tampilan yang akan didapatkan berupa nntraintool. Yang menjelaskan jumlah layer, performansi yang diperoleh, dan plot grafik hasil simulasi. Seperti pada gambar di bawah ini,
Maka desain software pada pengendali adalah,
Gambar 5. Tampilan neural network training tool III. HASIL DAN PEMBAHASAN Gambar 3. Model Software untuk pengendali SMC Kemudian untuk menjalankan simulasi dari model software di atas, dibutuhkan parameter plant sesuai dengan data yang ada di lapangan, yang dimasukkan ke dalam Mfile, sebagai fungsi nilai dari variabel yang dibuat pada software.
Gambar 4. Parameter Sistem D. Pengujian validasi dengan Neural Network Untuk membuat program validasi Neural Network. Menggunakan fungsi neural network toolbox yang ada pada software. Fungsi ini dipakai untuk membuat listing program. Kemudian data yang dimasukkan ada dua jenis, yaitu bobot dan data flow. Bobot adalah data bukaan valve, antara waktu dan flowrate yang telah diambil di lapangan. Selanjutnya, dua jenis data tersebut di import pada listing yang sudah dibuat. Sedangkan data flow adalah target value, yaitu set point yang diinginkan. Kemudian untuk layer atau lapis yang digunakan berjumlah 3 layer. Dengan parameter berikut, -Data Training : 100 -Parameter Epochs : 7000000 -Parameter Goals : 0,00001 -Target Value : 79 Langkah-langkah pada listing program adalah sebagai berikut, • data training • perintah eksekusi • membuat Neural Network • training selanjutnya • bobot untuk Neural Network
A. Uji Plant tanpa controller Untuk simulasi yang pertama, dilakukan uji plant tanpa controller, untuk mengetahui respon dari plant apabila tidak dikendalikan dengan SMC.
Gambar 6. Diagram blok software untuk uji plant tanpa controller Respon yang didapatkan, ketika model di atas dijalankan, akan diperoleh grafik sebagai berikut,
Gambar 7. Grafik Flowrate tanpa controller Grafik di atas memperlihatkan bahwa flowrate mulai naik pada titik 10 m3/jam dan berlanjut hingga mencapai set point pada waktu 7 jam, namun setelah itu nilai flow semakin meningkat melebihi set point yang ditentukan mencapai nilai 86,29 m3/jam, sehingga nilai output flow pada plant tanpa menggunakan controller tidak memenuhi syarat flowrate yang diinginkan.
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
5
B. Uji Pengendali Sliding Mode Control (SMC) Setelah diperoleh respon uji plant tanpa Controller, selanjutnya adalah uji untuk Sistem Pengendali Sliding Mode Control (SMC), yang digambarkan dengan diagram blok software dibawah ini,
Gambar 8. Diagram blok software untuk pengendali SMC Hasil yang didapatkan dari simulasi pengendali SMC ini ditampilkan pada grafik berikut, Gambar 11. Grafik respon simulasi pengendali SMC dengan transmitter dan control valve Berdasarkan hasil simulasi di atas, menunjukkan bahwa nilai Fout mencapai set point dan stabil pada nilai 78,99 m3/s dalam waktu kurang dari 0,1 jam. Kemudian berlanjut stabi pada waktu berikutnya. Dapat dinyatakan bahwa Model pengendali SMC yang dirancang sudah dapat mengendalikankan nilai Fout dalam mencapai set point yang ditentukan.
Gambar 9. Grafik Respon simulasi pengendali SMC. Berdasarkan hasil simulasi di atas, menunjukkan bahwa nilai Fout mencapai set point dan stabil pada nilai 78,99 m3/s dalam waktu kurang dari 0,1 jam. Kemudian berlanjut stabi pada waktu berikutnya. Dapat dinyatakan bahwa Model pengendali SMC yang dirancang sudah dapat mengendalikankan nilai Fout dalam mencapai set point yang ditentukan. C. Simulasi sistem pengendali SMC dengan trasmitter dan control valve Sesuai dengan diagram blok untuk sistem pengendalian flow, maka simulasi selanjutnya adalah melibatkan keseluruhan elemen dari sistem pengendalian ini. Dengan memasukkan nilai untuk transmitter dan control valve yang digunakan.
D. Pengujian dengan Neural Network. Nilai keluaran Fout pada hasil pengendali SMC di atas, selanjutnya digunakan untuk nilai target pada data Neural Network. Hasil yang didapatkan pada tampilan Neural Network Training tool menunjukkan Layer yang telah dibuat berjumlah 3 diantara input dan output. Training yang digunakan adalah jenis Backpropagation, dan beberapa keterangan variabel yang telah dicapai. Dari gambar tersebut dapat dilihat bahwa performance Neural Network/ MSE diperoleh saat mencapai 479 iterasi sebesar 9.83e-06 atau 0,00000983. Hasil plot grafik dari performance Training Neural Network di atas adalah sebagai berikut,
Gambar 12 Grafik performance Neural Network Training
Gambar 10. Diagram blok software untuk sistem pengendali flow dengan transmitter dan control valve.
Grafik tersebut menjelaskan performa dari neural network. Dengan ditunjukkan tentang bagaimana proses sistem menuju goal yang diinginkan pada saat training.Terlihat bahwa Training untuk Neural Network mencapai titik pertemuan antara nilai best dan goal pada iterasi ke 479. Selanjutnya dalam neural network training, terdapat training state yang didalamnya menggambarkan gradien dari sistem dan nilai kegagalan validasinya. Ditunjukkan pada gambar dibawah ini,
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
6 waktu kurang dari 0,01 jam Fout sudah mencapai nilai yang stabil dan sesuai dengan spesifikasi set Point yaitu 79 m3/jam. 3. Nilai yang dicapai oleh pengujian validasi dengan Training Neural Networks menghasilkan nilai target set point yaitu sebesar 79m3/Jam pada performance Neural Network/ Mean Squared Error (MSE) diperoleh saat mencapai iterasi ke 479 yaitu sebesar 9.83e-06 atau 0,00000983.
(a)
DAFTAR PUSTAKA [1]. [2]. [3].
(b) Gambar 4.13. Tampilan grafik training state pada neural network; (a). Grafik nilai gradient yang diperoleh pada epoch ke 479, (b). Grafik kegagalan validasi Dapat disimpulkan dari gambar di atas bahwa nilai gradient sebesar 0.0012541 dan kegagalan validasi untuk trainingnya adalah sebesar 0 pada iterasi ke 479 dari parameter sebesar 7000000 epochs. Sehingga validasi dapat berjalan mencapai hasil tanpa ada kegagalan/ fail. Kemudian proses training menuju target value/ set point ditunjukkan pada plot grafik regresi berikut, dimana diperlihatkan antara data referensi yang dimasukkan dengan target yang ingin dperoleh telah tercapai.
Gambar 14 Tampilan hasil Regresi Neural Network Regresi di atas menunjukkan hasil antara target dan output pada Training untuk Neural Network ini telah mencapai target value yaitu, sebesar 79. Dengan demikian dapat dinyatakan bahwa, pengujian validasi Neural Network untuk sistem pengendalian SMC sudah dapat memenuhi target set point yang telah ditentukan. IV. KESIMPULAN/RINGKASAN Setelah dilakukan analisis serta pembahasan maka didapatkan beberapa kesimpulan pada penelitian ini yaitu: 1. Sistem pengendalian flow pada Backloading dberhasil dilakukan penerapan metode Sliding Mode Control dengan performa yang lebih akurat sesuai set point dengan selisih error 0.064 m3/jam atau 64 liter/jam. 2. Dari hasil simulasi pengendali flow menggunakan SMC, menunjukkan bahwa hasil simulasi Fout stabil pada nilai antara 78.935-78.999 m3/jam dicapai dalam waktu 0,01 jam. Artinya dalam
[4].
[5].
[6].
[7]. [8].
Gunterus, Frans.. Falsafah Dasar Sistem Pengendalian Proses”. Jakarta : Elex Media Komputindo;1997 Iyas, Muharram.. System Control Edisi VI. LAPI-ITB;1990 FMC Technologies Positive Displacement Meter Liquid Flowmeter Smith Meter. sation Internationale De Metrologie Legale (OIML) R117.. Measuring System for Liquid Other Than Water International Recommendation Edition 1997 (E). OIML Paris. France.1997 Mohd Azlan Hussain, Pei Yee Ho. Adaptive sliding mode control with neural network based hybrid models. Department of Chemical Engineering, University of Malaya ;2003. Nur Hadi. Perancangan Model Pengendalian Tegangan Alternator Pada Sistem Pengisian Baterai Menggunakan Metode Sliding Mode Control. Jurusan Matematika FMIPA-ITS ; 2011. Nørgaard, Magnus.. Neural Network Based Control System Design TOOLKIT For Use with MATLAB, Version 2. Denmark: Department of Automation. Department of Mathematical Modelling-Technical University of Denmark; 2000 Ogata, Katsuhiko. Teknik Kontrol Automatik. Jakarta : Erlangga; 1993. Perruquetti, W. dan Barbot, J.P. Sliding Mode Control in Engineering. New York: Marcel Dekker, Inc.;2002.
