PERANCANGAN SISTEM KONTROL DAN OPTIMASI RASIO UDARA DAN BAHAN BAKAR PADA BOILER DI PT. PETROKIMIA GRESIK BERBASIS JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIK (Kodar Sudiono, Hendra Cordova) Jurusan Teknik Fisika – Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih – Sukolilo, Surabaya 60111
ABSTRAK Rasio kontrol adalah sistem kontrol yang digunakan untuk menjaga komposisi dari suatu proses. Pada proses pembakaran pada boiler dibutuhkan sejumlah udara dan bahan bakar dengan komposisi atau rasio tertentu sehingga proses pembakaran bisa terjadi optimal. Optimal tidaknya proses pembakaran dilihat dari nilai parameter keluaran yaitu kadar oksigen pada udara sisa pembakaran. Oleh karena proses pembakaran adalah unit proses yang kompleks dan non-linear maka pemodelan dilakukan dengan Jaringan Syaraf Tiruan dengan struktur Multi Layer Perceptron (MLP). Struktur model yang diturunkan adalah struktur Nonlinear Auto Regressive with eXternal input (NARX). Pangaturan bobot jaringan syaraf tiruan dilakukan menggunakan algoritma Levenberg-Marquardt yang mampu memberikan hasil dengan RMSE cukup baik, yakni 3.4 x 10-3. Setelah didapatkan model dari proses pembakaran, dengan menggunakan algoritma genetik didapatkan rasio udara dan bahan bakar yang optimal sebesar 8.9659: 1. Selanjutnya dirancang sistem rasio kontrol dengan metode Direct Invers control berbasis Jaringan Syaraf Tiruan. Dari hasil simulasi menunjukkan sistem direct invers control berbasis Jaringan Syaraf Tiruan memiliki respon yang sangat baik. Pengendalian rasio mengikuti setpoin pada menit ke 2 ( pada set poin 6000) dengan maximum overshoot 2.23 %. Menit ke 0.9 (pada set poin 9000) dengan maximum overshoot 0.73 %, menit ke 1 (pada set poin 5000) menit ke 1 (pada set poin 5000) dengan maximum overshoot 1.78%. menit ke 0.9 (pada set poin 7000) dengan maximum overshoot 0.62 %. kata kunci : proses pembakaran, rasio control, jaringan syaraf tiruan, algoritma genetik mengalami fluktuasi. Hal ini mengindikasikan bahwa rasio udara dan bahan bakar serta sistem kontrol yang ada masih belum optimal. Oleh karena itu Pada penelitian tugas akhir ini akan di rancang suatu sistem kontrol rasio udara dan bahan bakar pada pembakaran boiler, serta mencari rasio dari udara dan bahan bakar yang optimal.
I. PENDAHULUAN 1.1
Latar Belakang Dalam proses di Industri, Boiler (Generator Uap) merupakan bagian penting yang berfungsi menghasilkan uap untuk digunakan oleh berbagai proses operasi. Pada PT. Petrokimia Gresik uap yang dihasilkan, digunakan sebagai penggerak turbin generator yang akan menghasilkan energi listrik dan sebagai bahan langsung dalam proses pembuatan pupuk. Proses yang terjadi pada boiler cukup kompleks, oleh karena itu diperlukan beberapa sistem pengendalian agar proses berlangsung seperti yang diharapkan. Terdapat banyak sekali sistem pengendalian pada boiler, salah satunya adalah sistem pengendalian pada sistem pembakaran (combustion control system). Salah satu combustion system control yang ada di boiler adalah Sistem rasio control. Sistem tersebut memiliki peranan yang sangat penting dalam meningkatkan efisiensi dari boiler serta berfungsi menjaga komposisi udara dan bahan bakar yang tepat sehingga tarjadi proses pembakaran sempurna. Pada kenyataannya pengaturan rasio udara dan bahan bakar yang ada di plant dilakukan secara manual oleh operator dengan mengamati kandungan kadar Oksigen (O2) pada oksigen analyzer serta dengan memperhatikan asap yang keluar dari stack (cerobong). Selain itu kadar O2 yang berfungsi sebagai indikator sempurna-tidaknya proses pembakaran
1.2 Permasalahan Permasalahan yang terdapat pada tugas akhir ini adalah : 1. Bagaimana mencari rasio udara dan bahan bakar yang optimal dengan menggunakan Algoritma genetika. 2. Bagaimana merancang sebuah rasio control udara dan bahan bakar pada boiler OWS B1102 di Petrokimia Gresik berbasis direct invers control. 1.3 Tujuan Tujuan dari tugas akhir ini adalah : 1. Mencari rasio udara dan bahan bakar yang optimal sehingga dapat memberikan rekomendasi berupa konstanta rasio udara dan bahan bakar kepada perusahaan. 2. Mengetahui performansi perancangan sistem rasio control udara dan bahan bakar pada boiler yang telah dirancang.
1
kualitas pembakaran. Jumlah udara yang terlalu sedikit, akan menyebabkan terlalu sedikit oksigen yang digunakan untuk mengubah bahan bakar hidrokarbon menjadi karbon dioksida dan air. Jumlah udara terlalu sedikit juga berarti pemborosan bahan bakar, karena tidak semua bahan bakar yang digunakan terbakar dan menjadi energi. Selain itu jumlah udara yang terlalu banyak juga akan menyebabkan pembakaran tiak sempurna. Hal ini disebabkan karena Kelebihan oksigen dan nitrogen akan menyebabkan terserapnya energi dalam pembakaran dan sisa gas buang ini akan dibuang melewati stack, sehingga sebagian energi yang dihasilkan akan terbuang dan menyebabkan temperatur operasi menurun. Kondisi pembakaran dapat ditinjau dari sisa oksigen yang dihasilkan. Prosentase oksigen pada gas sisa untuk pembakaran yang optimal untuk bahan bakar gas alam berada di rentang 1.5% - 3 % [15]. 2.2 Jaringan Syaraf Tiruan Pembuatan struktur Jaringan Syaraf Tiruan diilhami oleh struktur jaringan biologi, khususnya jaringan otak manusia. Jaringan syaraf tiruan terdiri dari beberapa neuron, dan terdapat suatu hubungan antara neuronneuron tersebut. Neuron akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju ke neuron-neuron yang lain[9]. Sistem jaringan syaraf tiruan dicirikan dengan adanya proses pembelajaran (learning) yang berfungsi untuk mengadaptasi parameterparameter jaringannya. Kelebihan dari jaringan syaraf tiruan diantaranya : - Mampu melakukan proses pembelajaran - Mampu beradaptasi
1.4 Batasan Masalah Untuk mempertajam dan memfokuskan permasalahan dalam Tugas Akhir ini, beberapa batasan masalah yang diambil diantaranya adalah sebagai berikut : 1. Menggunakan metode Jaringan Syaraf Tiruan untuk memodelkan proses pembakaran. 2. Menggunakan metode algoritma genetik untuk mencari rasio udara dan bahan bakar. 3. Pemodelan sistem dilakukan berdasarkan data masukan dan keluaran yang diperoleh dari data operasional lapangan pada boiler OWS B1102 PT. Petrokimia Gresik. pada tanggal 1 Januari 2009. 4. Sistem disimulasikan secara offline dengan menggunakan perangkat lunak MATLAB R2006b.
II. TEORI PENUNJANG 2.1
Boiler Boiler Merupakan sebuah plant industri yang berfungsi merubah air dari fasa cairan ke fase uap. Pada PT. Petrokimia Gresik uap yang dihasilkan boiler digunakan untuk menggerakan turbin sebagai pembangkit listrik dan sebagai bahan langsung dalam proses pembuatan pupuk. Misalnya sebagai pembuatan H2 pada primary reformer di mana uap yang dihasilkan boiler akan direaksikan dengan gas alam[11].
x
1
x w x
w
1
A c t iv a t io n F u n c tio n
2
w
[15]
Gambar 2.1 Diagram blok boiler sederhana Secara umum boiler dapat gambarkan seperti Gambar 2.1. Pada sistem boiler ini bahan bakar dan udara diumpankan untuk dicampur dan dibakar. Hasil dari pembakaran bahan bakar ini adalah energi kalor yang digunakan ntuk memanaskan air. Gas sisa pembakaran dari proses ini biasanya disebut dengan asap cerobong (flue gas)[10]. Proses pembakaran yang terjadi di dalam tungku pembakaran adalah Salah satu proses yang ada pada boiler. Bahan bakar boiler bisa diklasifikasikan menjadi tiga, yaitu bahan bakar padat, bahan bakar cairan, dan bahan bakar gas. Boiler pada PT Petrokimia Gresik merupakan boiler dengan bahan bakar gas alam yang memiliki kandungan zat kimia yang beraneka ragam tetapi secara umum gas alam yang digunakan memiliki kandungan 80 % metana[11]. Perbandingan antara udara dan bahan bakar memerankan peranan yang penting dalam
= 1
0
2
w
x
0
o
d
d
Gambar 2.3 Struktur Jaringan Syaraf Tiruan[1] Algoritma pembelajaran dan struktur JST yang digunakan dalam penelitian ini adalah algoritma Levenberg Marquardt dan Multilayer Perceptron (MLP) . Algoritma Levenberg Marquardt memiliki kelebihan karakteristiknya lebih cepat konvergen (rapid convergence), Secara matematis pasangan data input dan output yang berhubungan dapat ditulis sebagai berikut:
Z N = {[u (t ), y (t )], T = 1,...., N }
…(2.1)
Tujuan dari pelatihan adalah untuk mendapatkan sebuah pemetaan dari pasangan data ke pasangan kandidat model.
) Z N →θ
...(2.2)
sehingga didapatkan model yang menyediakan prediksi output ŷ(t) yang sama atau mendekati output y(t). Metode
2
yang paling sering digunakan untuk mengukur kemiripan antara model output dengan model sebenarnya adalah tipe kriteria mean square error. VN (θ , Z N ) =
1 N 1 N 2 ) [ y(t ) − y(t | θ )]2 = ∑ ∑ε (t,θ ) 2N t =1 2N t=1
...(2.3)
Multilayer Perceptron (MLP) adalah jaringan yang paling sering mempertimbangkan anggota dari keluarga jaringan syaraf tiruan. Alasan utamanya adalah kemampuannya untuk memodelkan secara sederhana dari hubungan fungsional yang kompleks. Rumus matematik yang mengekspresikan apa yang terjadi pada jaringan-MLP diambil dari[1]:
Gambar 3.2 Penyederhanaan Diagram Control Rasio 3.1 Algoritma Perancangan Sistem Optimasi Rasio udara dan Bahan bakar Secara umum tugas akhir ini terbagi menjadi dua kategori pembahasan, pembahasan pertama adalah mencarai rasio laju udara dan bahan bakar yang optimal. Pembahasan kedua yaitu tahap merancang sistem control rasio udara dan bahan bakar sehingga dapat menjaga rasio udara dan bahan bakar yang optimal. Tahap-tahap untuk menyelesaikan tugas akhir ini bisa dilihat pada Gambar 3.3.
nh nϕ ) yi (t) = gi[ϕ,θ] = Fi ∑Wi, j fi ∑wj,lϕl + wj,0 +Wi,0 ..(2.4) j=1 l =1 θ menunjukkan vektor parameter yang didalamnya terdapat semua parameter JST yang dapat diatur (bobot dan bias). III. PERANCANGAN DAN METODOLOGI Akan dibahas mengenai metodologi perancangan sistem rasio control dan optimasi rasio udara dan bahan bakar pada boiler di Petrokimia Gresik. Pada Gambar 3.1 dan Gambar 3.2 dapat dilihat bahwa sistem control rasio udara dan bahan bakar udara pada boiler hanya mengatur besarnya aliran bahan bakar gas yang masuk ke dalam proses pembakaran. Sedangkan aliran udara untuk proses pembakaran di atur oleh control master yang dipengaruhi oleh besarnya beban yang diberikan kepada boiler. Pada kasus ini aliran udara yang masuk kedalam proses pembakaran dianggap sebagai setpoin dari aliran bahan bakar gas setelah dibagai dengan konstanta K atau konstanta rasio udara dan bahan bakar. Konstanta rasio K ini dicari dengan metode optimasi sehingga didapat nilai K yang paling optimal.
Gambar 3.3 Flowchart Penelitian Tugas Akhir 3.2 Pengoptimalan Rasio Laju Udara Dan Bahan Bakar Dalam mengoptimalkan rasio laju udara dan bahan-bakar, yang perlu dilakukan adalah mencari fungsi yang merepresentasikan proses pembakaran yang didalamnya terdapat hubungan laju udara dan laju bahan bakar serta kandungan kadar Oksigen (O2). Metode algoritma genetika banyak dipakai untuk tujuan optimasi numerik dengan merepresentasikan masalah kedalam persamaan matematis. Dengan demikian mutlak diperlukan adanya suatu model untuk merepresentasikan proses. Namun pengembangan model yang nonlinear dan multivariabel dengan persamaan matematis menjadi kendala tersendiri berkaitan dengan jumlah persamaan yang dibutuhkan serta waktu penyelesaian yang lama [6]. Menurut [7][8], pemodelan dapat dilakukan dengan memanfaatkan kelebihan yang dimiliki jaringan syaraf
Gambar 3.1 Diagram Proses Pembakaran Pada Boiler
3
tiruan (JST) dalam mem-bangun hubungan nonlinear antara input-output sehingga memiliki karakteristik yang sama dengan proses yang ditinjau. Untuk mendapatkan fungsi terebut dapat dicari dengan pemodelan JST. Fungsi tersebut yang nantinya dijadikan fungsi fitness untuk mengoptimalkan rasio laju udara dan bahan bakar pada proses pembakaran. Pada pemodelan proses pembakaran data input yang digunakan adalah laju aliran udara(fa) dan laju bahan bakar gas(fg). Sedangkan data output yang digunakan adalah kadar oksigen (% O2) yang di dapat pada analyzer indicator. Pada Gambar 3.4 dapat kita lihat bahwa sistem merupakan tipe banyak input dan satu output dengan input fa(t), fg(t), %O2(t), dan output %O2 (t+1). Variabel fa(t) dan fg (t) merupakan input pada proses pembakaran boiler yang merupakan aliran udara dan aliran bahan bakar gas. Sedangkan %O2 (t) merupakan keluaran proses pada waktu t, sedangkan %O2 (t+1) merupakan output proses pada waktu t+1.
Gambar 3.5 adalah diagram alir Algoritma Genetik didalam menyelesaikan permasalaan. Permasalahannya adalah menentukan flow udara(fa) dan flow gas(fg) yang baik. 3.3 Merancang Sistem Rasio Kontrol Berbasis JST Dalam Tugas akhir ini dalam merancang sistem pengendalian berbasis JST diperlukan suatu model dari control valve serta model dari controller. Dari pemodelan control valve dan pemodelan controller tersebut akan dicari bobot-bobot dari model control valve dan controller yang nantinya dibutuhkan dalam simulasi sistem pengendalian. 3.3.1 Pemodelan control valve ( FV 640 ) dengan JST Pada pemodelan control valve dengan menggunakan JST data input yang digunakan adalah bukaan valve (% OP). Sedangkan data output yang digunakan adalah flow bahan bakar gas (fg).
Gambar 3.6 Blok Diagram Pemodelan Control Valve JST
Gambar 3.4 Blok Diagram Pemodelan Proses Pembakaran dengan JST[1]
Dari Gambar 3.6 % OP (t) merupakan data input plant, sedangkan fg(t) merupakan data output plant. Selanjutnya data tersebut dilatih dengan JST sehingga menghasilkan data output JST yang berupa fg(t+1). Kemudian data output JST fg(t+1) dibandingkan dengan data output Plant fg(t) sehingga menghasilkan error (e). Dari nilai error inilah yang akan dipakai untuk meng-update nilai bobot JST secara terus menerus atau yang biasa dikenal dengan istilah iterasi. Pada pemodelan control valve pada Gambar 3.7 dapat diketahui bahwa pemodelan control valve ini melalui dua tahapan yaitu, training dan validasi.
Persamaan 2.4 digunakan sebagai fitness function untuk mencari rasio laju udara dan bahan bakar yang paling optimal sehingga dapat mengestimasi kadar oksigen(O2) sebagai keluaran dari proses pembakaran
Gambar 3.5 Diagram alir algoritma genetika[14]
Gambar 3.7 Alur Pemodelan Control Valve dengan JST
4
Tujuan dari proses training adalah untuk mendapatkan bobot yang menghasilkan output paling baik. Kriteria yang digunakan untuk menilai output adalah Root Mean Square Error (RMSE). RMSE adalah akar rata-rata total kuadrat error yang terjadi antara output model dan output proses. Semakin kecil nilai RMSE (mendekati nilai nol) maka makin besar tingkat keberhasilan training, sebaliknya semakin besar nilai RMSE maka makin kecil tingkat keberhasilan training. Persamaan nilai RMSE dapat dituliskan sebagai berikut: N
∑ ( y − yˆ )
2
i
RMSE =
i =1
N
i
... (3.2)
dengan : yi = output proses ŷi = output model N = jumlah data
Gambar 3.9 Alur Pemodelan controller dengan JST 3.4 Simulasi Direct Inverse Control Berbasis JST Direct Inverse Control merupakan konsep yang paling dasar dari kontrol yang berdasarkan jaringan syaraf yang menggunakan inverse model sebagai kontrol proses, seperti yang ditunjukkan pada gambar 3.10.
Apabila output model telah memenuhi nilai RMSE yang paling baik maka bobot yang dihasilkan dari proses training yakni w1f (bobot dari input layer ke hidden layer) dan w2f (bobot dari hidden layer ke output layer), hidden node serta history length disimpan sebagai forward . 3.3.2 Pemodelan Controller ( FIC 640) Dengan JST Untuk model controller data input yang digunakan adalah flow bahan bakar gas (fg), sedangkan data output yang digunakan adalah bukaan valve ( % OP ). Gambar 3.8 menunjukkan blok diagram pemodelan controller dengan JST. Dari gambar tersebut dapat diketahui bahwa pada pemodelan controller JST menghasilkan output yang berupa fg(t+1). Kemudian nilai output model controller fg(t+1) dibandingkan dengan nilai input sistem controller fg(t) sehingga menghasilkan error (e) yang akan digunakan untuk meng-update nilai bobot pada pemodelan controller JST.
Gambar 3.10 Direct Inverse Control[1] Karena model inverse sistem memegang peranan yang penting dalam teori kontrolnya, sehingga pencapaian dalam bentuk analitis cukup berat. Untuk mengatasi hal tersebut maka sistem dinamis dapat digambarkan dalam bentuk persamaan differential sebagai berikut : y(t + 1) = f [ y (t ),..., y (t − n + 1), u (t ),..., u (t − m + 1)] ..(2.5) dimana output sistem y(t+1) bergantung pada nilai noutput dan m-input yang terdahulu, model inverse sistem secara umum dapat disajikan dalam bentuk berikut : u(t ) = f −1[r(t +1), y(t ),..., y(t − n +1), u(t ),...,u(t − m + 1)] ...(2.6) Nilai y(t+1) disini merupakan unknown value (nilai yang tidak dikenal), dan oleh karena itu dapat disubtitusikan pada nilai kuantitas keluaran (output) yang diinginkan r(t+1). Sebelum sistem kontrol aktual bekerja maka model inverse harus dilatih. Metode pembelajaran untuk Direct Inverse Control berbasis jaringan syaraf tiruan dapat dibedakan menjadi 2 metode, yaitu: 1. Generalized Training Pada metode ini jaringan syaraf tiruan ditraining secara offline untuk meminimalisasi Mean Square Error (MSE) di sinyal kontrol yang akan diterapkan pada
Gambar 3.8 Blok Diagram Pemodelan Controller Dengan JST Nilai bobot w1i (bobot dari input layer ke hidden layer) dan w2i (bobot dari hidden layer ke output layer), history length dan hidden node hasil training disimpan sebagai inverse.
5
2.
proses melalui percobaan sinyal kontrol yang dihasilkan dari jaringan. Specialized Training Metode ini berfungsi untuk meminimalisasi nilai Mean Square Error (MSE) antara sinyal referensi dan output dari proses. Metode ini telah berjalan dengan baik secara online dengan menggunakan recursive training algoritma.
Gambar 4.1 Menunjukkan struktur Jaringan Syaraf Tiruan yang paling baik digunakan untuk pemodelan proses pembakaran. Setelah dilakukan eksperiment diperoleh hasil yang paling baik adalah dengan 1 history length dan 2 hidden node. Fungsi aktivasi yang digunakan pada hidden layer dan output layer adalah fungsi aktivasi linear ,dengan struktur tersebut dihasilkan RMSE sebesar 0.0034. Gambar 4.2 menunjukkan grafik input flow udara dan flow bahan bakar gas, Gambar 4.3 menunjukkan grafik output % kadar oksigen (O2) sedangkan Gambar 4.4 menunjukkan perbandingan antara output real plant dengan output dari JST serta penunjukan error yang terjadi pada setiap pasangan data
Nantinya nilai bobot (forward dan inverse), jumlah history length dan hidden node yang didapat pada hasil pemodelan plant JST dan pemodelan controller JST digunakan dalam simulasi Direct Inverse Control.
Gambar 3.11 Alur Simulasi Direct Inverse Control Berbasis JST Gambar 3.11 diatas menunjukkan alur simulasi Direct Inverse Control berbasis JST. Untuk mengetahui tingkat keberhasilan hasil simulasi Direct Inverse Control berbasis JST ini dilakukan uji tracking setpoint dengan beberapa nilai parameter yang telah ditentukan.
Gambar 4.2 Grafik Data Input Proses Pembakaran
IV. Analisa dan Pembahasan Pada bab ini akan dijelaskan mengenai hasil simulasi dari sistem rasio control yang dirancang serta hasil simulasi untuk mencari rasio udara dan bahan bakar yang optimal,. Data – data proses variabel yang digunakan dalam perancangan sistem rasio control ini didapat dari data simpanan proses yang ada pada DCS PT. Petrokimia Gresik. Data yang digunakan adalah data per-menit pada tanggal 1 januari 2009 yang berjumlah 1000 data.
Gambar 4.3 Grafik Data Ouput Proses Pembakaran
4.1 Pengoptimalan Rasio Laju Udara Dan Bahan Bakar Setelah dilakukan pelatihan JST, didapatkan struktur JST untuk pemodelan proses pembakaran. Seperti terlihat pada gambar 4.1.
Gambar 4.4 Grafik Perbandingan Antara Output Real Plant Dengan Output Dari Jst Dan Error Berdasarkan dari nilai RMSE yang telah didapat dan relatif baik maka dapat disimpulkan bahwa pemodelan dari
Gambar 4.1 Struktur JST Untuk pemodelan Proses Pembakaran
6
proses pembakaran bisa dianggap mewakili proses sebenarnya. Sehingga dalam training pasangan data tersebut didapatkan bobot-bobot terbaik sebagai berikut: Table 4.1 Matrik bobot dari lapis input ke lapis tersembunyi 1.0141
0.1198
-2124
0.2768
-0.4065 -0.4026 0.06 0.0316 Table 4.2 Matrik bobot dari lapisan tersembunyi ke lapisan output 0.736
-0.1649
Gambar 4.5 Hasil Simulasi Pencarian Rasio Udara Dan Bahan Bakar Yang Terbaik Dengan menggunakan algoritma genetik seperti nampak pada Gambar 4.5 didapatkan nilai fa dan fg paling optimum yaitu flow udara: 85721.6542 m3/h dan flow bahan bakar gas: 10299.6831 m3/h. Dari kedua nilai bisa didapatkan rasio udara dan bahan bakar yang paling optimum sebesar 8.3227:1. Besar rasio ini akan diterapkan sebagai faktor pembagi pada perancangan rasio control.
-0.0122
Berdasarkan Persamaan 2.4 serta matrik bobot-bobot pada Tabel 4.1 Dan 4.2 tersebut didapatkan formula seperti dibawah ini:
..(4.1) dari Persamaan 4.1 maka optimasi rasio dilakukan dengan cara menentukan nilai fa dan fg yang paling optimum. Nilai optimum dari masing-masing variabel dicari dengan menggunakan metode algoritma genetik. Pada algoritma genetik. Persamaan 4.1 digunakan sebagai fungsi fitness dimana individu yang memiliki fitnes nol atau yang paling mendekati merupakan individu terbaik. Sedangkan constrain-nya adalah proses variabel yang masuk pada proses pembakaran dalam hal ini Flow udara dan flow bahan bakar. Agar proses pembakaran dapat berlangsung secara optimal maka besar kadar oksigen pada flue gas dijaga tetap sekitar 2 %.
Gambar 4.6 Grafik rasio udara dan bahan bakar aktual dan bahan bakar Gambar 4.6 adalah grafik rasio udara dan bahan bakar pada data boiler PT Petrokimia Gresik dan simulasi yang diperoleh dengan metode Algoritma genetik. Pada grafik tersebut dapat dilihat bahwa rasio udara dan bahan bakar pada boiler di PT. Petrokimia Gresik masih tidak konstan dan fluktuatif. Hal ini mengakibatkan pembakaran menjadi tidak efisien. Pada simulasi rasio conrol besarnya rasio udara dan bahan bakar terjaga konstan disekitar 8.3227.
Berdasarkan pada Persamaan 4.2 dimana
….4.2 dengan konstanta K = 0.9 untuk bahan bakar gas, dengan kadar oksigen 2 %, maka kelebihan udara didapatkan adalah 9.47. dari nilai tersebut dapat diketahui bahwa proses pembakaran di boiler berlangsung secara optimal karena berdasarkan [10] besarnya kelebihan udara yang optimal agar diperoleh pembakaran yang optimal adalah berkisar antara 0% - 20 %. Selain itu, jumlah udara sisa pada flue gas berpengaruh langsung terhadap efisiensi boiler. Apabila jumlah presentasi udara sisa meningkat temperatur api pembakaran akan berkurang dan tranfer kalor boiler juga semakin berkurang
4.2 Perancangan Rasio Control Udara Dan Bahan Bakar Dengan Menggunakan Jaringan Syaraf Tiruan Tahap pertama didalam perancangan rasio control ini adalah dengan memodelkan control valve yang dalam hal ini plant yang akan di control. Tahap selanjutnya adalah tahap pemodelan controller. Serta selanjutnya akan dirancang simulasi direct invers control berbasis Jaringan Syaraf Tiruan. Untuk Pemodelan control valve ( FV 640) dihasilkan RMSE sebesar 0.0010. Gambar 4.7 menunjukkan struktur Jaringan Syaraf Tiruan pada control valve
7
Sedangkan untuk pemodelan controller (FIC 640) dihasilkan RMSE sebesar 0.00026. Gambar 4.11 Menunjukkan struktur JST untuk struktur JST untuk controller (FIC 640). Gambar 4.12 menunjukkan grafik input dari controller (FIC 640) yaitu flow bahan bakar (fg). Gambar 4.13 menunjukkan output dari controller (FIC 640) yaitu % OP.valve. Sedangkan Gambar 4.14 menunjukkan perbandingan antara output real plant dengan output dari JST serta penunjukan error yang terjadi pada setiap pasangan data input dan output pada controller (FIC 640).
Gambar 4.7 JST Untuk pemodelan Control Valve (FV 640) Gambar 4.8 menunjukkan grafik input dari control valve (FV 640) yaitu % OP.valve, Gambar 4.9 menunjukkan grafik output control valve (FV 640) yaitu flow bahan bakar (fg), sedangkan Gambar 4.10 menunjukkan perbandingan antara output real plant dengan output dari JST serta penunjukan error yang terjadi pada setiap pasangan data input dan output pada control valve (FV 640).
Gambar 4.8 Grafik Data Input control valve ( FV 640 ) Gambar 4.11 Struktur JST Untuk pemodelan Controller (FIC 640)
Gambar 4.9 Grafik data output control valve (FV 640) Gambar 4.12 Grafik Data Input Controller (FIC 640)
Gambar 4.10 Grafik perbandingan antara output real plant dengan output dari JST dan error dari control valve (FV 640)
Gambar 4.13 Grafik Data Output Controller (FIC 640)
8
terjadi perubahan set poin. Terdapat empat waktu perubahan setpoin yaitu pada menit ke 1, 248, 498, 748. Hal ini disebabkan karena pada waktu-waktu tersebut pengendalian rasio berbasis JST masih melakukan pembelajaran atau training. V. KESIMPULAN DAN SARAN 5.1 Kesimpulan Dari hasil simulasi dan analisa data pada penelitian Tugas Akhir ini, dapat ditarik beberapa kesimpulan antara lain : 1. Peningkatan efisiensi boiler dapat dilakukan dengan optimisasi rasio udara dan bahan bakar pada proses pembakaran boiler, yaitu dengan cara mengatur perbandingan aliran udara dan bahan bakar yang akan memasuki tungku pembakaran boiler. 2. Pemodelan proses pembakaran dengan JST berstruktur NARX dan menggunakan algoritma belajar Levenberg-Mar-quardt dengan RMSE pemodelan terbaik diperoleh sebesar 0.0034 pada history length 1 dan jumlah hidden node 2 3. Optimisasi rasio udara dan bahan bakar pada proses pembakaran boiler dapat dilakukan dengan metode algoritma genetik dan nilai rasio optimal yang didapat 8.9699:1 4. Pemodelan control valve ( FV 640 ) dengan JST berstruktur NARX dan menggunakan algoritma belajar Levenberg-Mar-quardt dengan RMSE pemodelan terbaik diper-oleh sebesar 0.0010 pada history length 1 dan jumlah hidden node 2 5. Pemodelan Controller (FIC 640) dengan JST berstruktur NARX dan menggunakan algoritma belajar Levenberg-Mar-quardt dengan RMSE pemodelan terbaik diper-oleh sebesar 0.000269 pada history length 1 dan jumlah hidden node 16 6. Pengendalian rasio ini cukup bagus. dapat diketahui bahwa pengendalian mengikuti setpoin pada menit ke 2 ( pada set poin 6000) dengan maximum overshoot 2.23 %. Menit ke 0.9 (pada set poin 9000) dengan maximum overshoot 0.73 %, menit ke 1 (pada set poin 5000) dengan maximum overshoot 1.78%. menit ke 0.9 (pada set poin 7000) dengan maximum overshoot 0.62 %.
Gambar 4.14 Grafik hasil pemodelan controller (FIC 640) 4.2 Simulasi Direct Invers Control Berbasis JST Setelah melakukan pemodelan control valve dan pemodelan controller dengan JST maka didapatkan bobot dari pemodelan control valve yaitu W1f dan W2f yang disimpan dalam file forward dan bobot dari pemodelan controller yaitu W1i dan W2i yang disimpan dalam file inverse. Bobot tersebut digunakan untuk melakukan simulasi direct inverse control.
Gambar 4.15 Grafik Respon Simulasi Direct Invers Control Berbasis JST Dari grafik respon diatas didapatkan hasil respon pengendalian pada 1000 data, Pengendalian rasio ini cukup bagus didalam mengikuti setpoin. Dapat diketahui bahwa pengendalian mengikuti setpoin pada menit ke 2 ( pada set poin 6000) dengan maximum overshoot 2.23 %. Menit ke 0.9 (pada set poin 9000) dengan maximum overshoot 0.73 %, menit ke 1 (pada set poin 5000) dengan maximum overshoot 1.78 %, menit ke 0.9 (pada set poin 7000) dengan maximum overshoot 0.62 %.
5.2 Saran Beberapa saran yang perlu disampaikan dalam laporan ini dalam rangka pengembangan penelitian ini antara lain : 1. Efisiensi boiler dapat dilakukan dengan meninjau sistem pada boiler selain rasio udara dan bahan bakar. 2. Untuk mengembangan penelitian ini maka perlu dilakukan pemakaian metode kontrol yang lain seperti optimal control serta perlu digunakan cara lain dalam pemodelan sistem seperti penggunaan simulink pada Matlab.
Gambar 4.16 Grafik sinyal control simulasi Direct Invers Pada gambar Gambar 4.16 dapat dilihat bahwa sinyal control mulai stabil ketika setelah melewati waktu dimana
9
[13] K. Sri,. Artificial Inteligence. Yogyakarta : Graha Ilmu 2003. [14] http://dennyhermawanto.webhop.org [15] Santoso M.H, Handi., Nazaruddin,Yul Y., Muchtadi, Farida I,Martin 2007. Boiler Performance Optimization Using Fuzzy Logic Controller. Department of Engineering Physics, Institut Teknologi Bandung [16] Suyanto,. Algoritma Genetic Dalam Matlab. Yogyakarta : penerbit ANDI 2005.
DAFTAR PUSTAKA [1]
Nørgaard, Magnus. Ravn, O. Poulsen, N.K. dan Hansen, L.K. 2000. Neural Network for Modelling and Control of Dynamic Systems. London: Verlag Springer. [2] Nørgaard, Magnus. 2000. 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. [3] Koivo, Heikki N. 2006. Basics using MATLAB Neural Network Toolbox. London: Verlag Springer. [4] Katsuhiko, Ogata. 1996. Teknik Kontrol Automatik, Jilid 1 Edisi Kedua. Jakarta: Erlangga. [5] Gunterus, Frans. 1994. Falsafah Dasar: Sistem Pengendalian Proses. Jakarta: Elex Media Komputindo. [6] Biyanto, TR. 2007. Algoritma Genetika untuk Mengoptimasi Konsumsi Energi pada Proses Kolom Distilasi Metanol-Air. Surabaya: Tugas Akhir Jurusan Teknik Fisika-ITS. [7] Biyanto, TR., Handogo, R., Suhartanto, T., .Modeling a binary distillation column using a Neural Network., Chemical Technology for Indonesian Natural Resources Process Seminar, Yogyakarta UPN Veteran University, Yogya-karta, 2004. [8] Biyanto, TR., Santosa, HH, .Modeling of methanolwater binary distillation column using a Neural Network., Journal Instrumentasi Vol 28 No1, Instrumentation Society of Indonesia, Jakarta. Januari .June 2004. [9] Hersa, Widhi.,Ya’umar.2005. Perancangan Sistem Pengendalian Temperatur pada Dryer Furnace dengan Jaringan Syaraf Tiruan di Cement Retarder PT. Petrokimia Gresik. Surabaya: Jurusan Teknik Fisika-ITS. [10] Sudibjo, Wisnu.2008. Optimisasi Pengontrol Rasio Udara-Bahan Bakar pada Boiler PT. Pertamina Up IV Cilacap Menggunakan Pengontrol Prediktif Jaringan Syaraf Tiruan. Bandung : Tugas Akhir Program Studi Teknik Fisika - Institut Teknologi Bandung. [11] Setiadi, Agus Chris 2008. Perancangan Sistem Kontrol Tegar h∞ untuk Optimisasi Pembakaran pada Boiler PT. Petrokimia Gresik. Bandung : Tugas Akhir Program Studi Teknik Fisika - Institut Teknologi Bandung. [12] Aribowo,Arnold., Lukas,Samuel.,Gunawan,Martin 2008. Penerapan Algoritma Genetika pada Penentuan Komposisi Pakan Ayam Petelur. seminar nasional aplikasi teknologi informasi,Yogyakarta 2004.
BIODATA PENULIS
Nama : Kodar Sudiono NRP : 2405 100 063 TTL : Probolinggo, 23 Nopember 1986 Alamat : Jln. Ronggojalu No 10 Leces-Probolinggo Riwayat Pendidikan • 2005 – sekarang : Teknik Fisika ITS, Surabaya • 2002 – 2005 : SMA Taruna Dra Zulaeha • 1999 – 2002 : SMP Taruna Dra Zulaeha • 1993 – 1999 : SD Taruna Dra Zulaeha
10
