JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) 1-6
1
Pengaturan Akselarasi di Simulator Parallel Hybrid Electric Vehicle Menggunakan Metode ANFIS Yoga Septefa Nuris dan Rusdhianto Effendi A.K. Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 E-mail:
[email protected] Abstrak— Hybrid Electric Vehicle (HEV) merupakan kendaraan yang menggabungkan kerja Internal Combustion Engine (ICE) dan motor listrik dengan konfigurasi series atau parallel. Pada konfigurasi parallel, penggabungan ini dilakukan dengan menghubungkan poros ICE dan poros motor DC secara parallel dengan sistem roda gerirgi. Pada tugas akhir ini, digunakan simulator Parallel HEV (PHEV) untuk merepresentasikan kerja PHEV, simulator akan menggunakan ICE 2 Tak dan motor DC. Dengan konfigurasi parallel, ketika ICE melakukan proses akselarasi dengan keadaan motor DC tidak bekerja akan menyebabkan respon Internal Combustion Engine (ICE) menjadi lambat karena motor DC akan menjadi beban. Oleh karena itu, dibutuhkan suatu pengaturan untuk membuat motor DC bekerja saat keadaan akselarasi. Pengaturan motor DC bertujuan agar motor DC bekerja berdasarkan selisih model referensi PHEV dan model ICE. Kontroler Adaptive Neuro Fuzzy Inference System (ANFIS) akan digunakan untuk mengatur kecepatan motor DC pada keadaan akselarasi. Dengan nilai learning rate sebesar 0,5 dan jumlah maksimal epoh sebesar 5. Pada pengujian simulasi didapatkan respon kecepatan PHEV dapat mencapai model referensi pada t = 0,626 s, dan lebih cepat daripada respon ICE yang dapat mencapai model referensi pada t = 1,93 s. Sedangkan pada pengujian implementasi respon PHEV akan mendahui ICE sebesar t = 0.05 s. Dari hasil pengujian, sehingga disimpulkan bahwa kontoler ANFIS dapat digunakan untuk pengaturan akselarasi PHEV. Kata Kunci—akselerasi, ANFIS , HEV, motor DC
I. PENDAHULUAN Dengan meningkatnya jumlah kendaraan konvensional yang digunakan, menyebabkan kebutuhan bahan bakar minyak akan meningkat. Hal itu menyebabkan potensi krisis energi akan mengancam di masa depan. Untuk menanggulanginya diperlukan kendaraan alternatif yang dapat mengurangi kebutuhan bahan bakar minyak. Antara lain dengan melakukan pengembangan kendaraan yang memiliki efisiensi tinggi yaitu HEV. HEV merupakan kombinasi antara dua sumber energi yaitu ICE dan motor listrik. ICE dan motor listrik dapat bekerja secara bersama-sama atau bekerja bergantian menurut kebutuhan dari HEV. Kombinasi ini ditujukan untuk mengurangi konsumsi bahan bakar tanpa mengurangi tenaga yang dikeluarkan [1]. Masalah umum pada HEV adalah pada keadaan akselarasi ICE akan membutuhkan bantuan kerja dari motor listrik agar ICE tidak terbebani dengan motor listrik yang tidak aktif. Hal ini disebabkan karena ICE terhubung dengan motor listrik. Dengan arsitektur HEV yang lebih rumit dari kendaraan konvensional, diperlukan strategi kontrol yang
dapat menghasilkan efisiensi yang tinggi pada HEV terutama pada keadaan akselarasi. Pada masa ini metode kontrol cerdas telah dikembangkan untuk mengatur kecepatan dari Motor DC Brushless, dengan menggunakan logika fuzzy dalam suatu kontroler cerdas, masih terjadi osilasi pada keadaan steady state. Selain itu, untuk menentukan range fungsi keanggotaan juga sangat sulit [2].Dengan menggunakan kontroler ANFIS, daerah fungsi keanggotaan dapat ditentukan secara otomatis. Jumlah dan fungsi keanggotaan akan sangat menentukan kualitas dari kontroler. Respon kecepatan dari motor DC brushless menggunakan kontroler ANFIS menunjukkan respon terbaik menggunakan fungsi bell dengan lima fungsi keanggotaan [3] Untuk suatu metode kontrol cerdas yang mampu mengatasi variasi beban dari sebuah kemampuan mesin, ANFIS sangat berguna untuk diimplementasikan karena menggabungkan keuntungan dari jaringan Artificial Intelligent dan Fuzzy Inference System [4]. Oleh karena itu,dalam tugas akhir kali ini akan dilakukan perancangan dengan metode ANFIS dalam pengendalian kecepatan motor listrik untuk membantu ICE mencapai referensi ketika terjadi percepatan pada HEV. Dengan menggunakan metode ini diharapkan akan membuat kecepatan HEV akan mencapai kecepatan referensi dalam waktu yang lebih singkat. Pada tugas akhir ini, digunakan simulator PHEV untuk merepresentasikan PHEV sebenarnya,dengan kombinasi ICE dua tak dan motor DC yang berfungsi sebagai motor listrik pada HEV. Simulator yang digunakan merupakan simulator yang dibuat pada penelitian sebelumnya [5], dengan kombinasi ICE dua tak dan motor DC sebagai motor listrik sebagai penggerak utama. Pada perancangan sistem di Tugas Akhir ini digunakan pemodelan simulator HEV yang telah dilakukan di penelitian sebelumnya [6][7]. Makalah ini akan membahas dasar teori tentang sistem pada Bab II, sedangkan pada Bab III akan dibahas tentang perancangan sistem. Pengujian dan analisa sistem yang telah dibuat dipaparkan pada Bab IV. Dari pengujian dan analisa sistem yang dilakukan akan ditarik kesimpulan pada Bab V II. DESKRIPSI SISTEM A. Simulator Parallel Hybrid Electric Vehicle (HEV) Simulator PHEV yang digunakan pada Tugas Akhir ini merupakan representasi sistem PHEV. Komponen yang membangun sistem ini antara lain : ICE 2 Tak sebagai penggerak utama, motor DC sebagai penggerak tambahan,
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) 1-6
2
rem elektromagnetik digunakan sebagai beban PHEV sementara sistem roda gerigi akan digunakan untuk menggabungkan kerja dari ICE dan motor DC. Sedangkan tachogenerator sebagai sensor kecepatan pada sistem. Komponen-komponen tersebut terangkai menjadi sebuah simulator PHEV yang ditunjukkan pada Gambar 1. Gambar 3 Skema pengendalian Kecepatan Motor DC Dari Gambar 3 ditunjukkan bahwa sumber tegangan untuk membangkitkan energi mekanis motor DC diperoleh dari tegangan tiga fasa yang disearahkan menjadi tegangan DC. Untuk mengendalikan kecepatan diperlukan feedback berupa tegangan sedangkan untuk mengendalikan torsi diperlukan feedback berupa arus. Gambar 1. Simulator HEV [7]
B. Motor DC [8] Motor DC merupakan salah satu mesin listrik yang menghasilkan energi gerak. Motor DC dibagi menjadi beberapa jenis antara lain : motor DC penguat terpisah, motor DC shunt, motor DC magnet permanen, motor DC series dan motor DC kompon. Pemisahan ini berdasarkan struktur rangkaian listrik dari kumparan jangkar dan kumparan medan[5]. Motor DC memiliki bagian yang bergerak(rotor) dan tidak bergerak (stator). Klasifikasi motor DC jika dipandang dari kumparan medan maka akan dibagi menjadi penguatan terpisah dan penguatan sendiri. Penguatan sendiri adalah ketika lilitan pada rotor tersambung langsung dengan terminal sumber tergangan. Sedangkan penguatan terpisah adalah ketika lilitan pada rotor terhubung pada sumber tegangan terpisah. [7] Prinsip kerja motor DC adalah ketika ada arus yang melewati suatu konduktor dan diletakkan pada suatu medan magnet maka akan menghasilkan suatu gaya yang akan memutar rotor.
Gambar 2. Rangkaian Ekivalen Motor DC Dari Gambar 2 rangkaian kita dapat merumuskan tegangan pada motor ini adalah pada Persamaan (1) E_A=K ∅ ω (1) Di mana E_Aadalah tegangan pada rotor, K menunjukkan konstanta, ∅ menunjukkan konstanta motor, dan ω merupakan kecepatan sudut. Dari persamaan ini kita dat mengetahui bahwa hubungan antara tegangan di rotor proporsional dengan kecepatan sudut. Oleh karena itu skema dalam pengendalian motor DC akan ditunjukkan pada Gambar 3
III. PERANCANGAN SISTEM A. Diagram Blok Sistem Perancangan yang dibuat merupakan pengaturan kecepatan motor DC pada keadaan akselerasi yang ditunjukkan pada diagram blok sistem pada Gambar 4 Input (autotrafo)
Rem elektromagnetik
Input (pedal) ICE Invers Model
Model referensi
+
-
+
-
+
+
Output PHEV
+ -
ANFIS
DRIVER
Motor DC
de dt
Output Motor DC
observer
tachogenerator
Output ICE
Gambar 4 Diagram Blok Sistem Dari Gambar 4 , dapat diuraikan bahwa kerja motor DC yang ingin dicapai adalah dari model referensi yang dibuat dikurangi dengan respon ICE. Model referensi dibuat memiliki rise time lebih cepat dari rise time respon ICE. Kontroler akan memberikan sinyal ke driver yang digunakan untuk menggerakkan motor DC yang akan membantu kerja ICE. B. Pemodelan Sistem [6][7] Pemodelan pada sistem ini dibagi menjadi pemodelan ICE dan motor DC. Adapun pemodelan yang digunakan adalah mengacu pada pemodelan yang telah dibuat pada penelitan sebelumnya[2]. Dari penelitian sebelumnya, diperoleh pemodelan motor DC pada Persamaan (2) 𝐺(𝑠) =
(s 2
11,01 + 4,5s + 11,056)
(2)
Pemodelan ini didapatkan dengan menggunakan pendekatan analitik. Sedangkan pemodelan ICE didapat dengan memberikan beban minimal,nominal dan maksimal pada ICE. Hasil respon ICE tersebut diidentifkasi dengan metode Strejc. Hasil pemodelan yang diperoleh [7] adalah pada Persamaan (3).
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) 1-6 1 𝐺(𝑠) = (0.1848𝑠 + 1)2
3
(3)
C. Model Referensi [6] Model referensi dibuat sebagai model target yang harus dicapai oleh plant. Dalam pengaturan akselarasi, model referensi dibuat dengan rise time yang lebih cepat daripada rise time ICE, sesuai dengan tujaun perancangan yaitu kerja motor DC untuk membantu akselarasi PHEV. Model target juga dibuat tidak memiliki error steady state. Dari hasil identifikasi yang telah dilakukan penelitian sebelumnya [1], didapatkan rise time motor bakar sebesar 1 s dan nilai time constant sebesar 0,3726 s. Model referensi dibuat memiliki rise time lebih cepat dengan time constant yang lebih kecil sehingga dibuat model referensi dengan fungsi alih berikut : 1 𝐺(𝑠) = 0,2 𝑠 + 1
(4)
D. Perancangan Kontroler ANFIS [9][10] Kontroler ANFIS digunakan untuk mengatur kecepatan motor pada simulator PHEV. Kontroler ANFIS akan menggunakan keluaran dari inverse model pada plant sebagai data target output keluaran plant. Struktur ANFIS yang digunakan mengacu pada struktur yang dipaparkan oleh Jang [3]. Dengan menggunakan mekanisme inferensi fuzzy fungsi Sugeno orde 1 dan fungsi Bell untuk membangkitkan fungsi keanggotaan maka diperlukan penghitungan parameterparameter pada kontroler ANFIS yang akan dibagi menjadi dua tahap, yaitu tahap forward pass dan back pass. Pada perhitungan ini akan terjadi pembelajaran untuk perubahan nilai parameter. Pembelajaran arah maju atau forward pass parameter premis dianggap tetap untuk memperbaiki parameter konsekuen, sedangkan pada arah mundur atau back pass parameter premis akan dianggap tetap untuk memperbaiki parameter konsekuen. Pembelajaran yang dipaparkan sebelumnya [9] menggunakan metode RLSE pada arah maju dan gradient descent pada , namun pada perancangan ini digunakan algoritma gradient descent pada kedua arah pembelajaran. Kombinasi ini digunakan ketika semua parameter dianggap linier.. Gambar Struktur ANFIS ditunjukkan dalam Gambar 5
Dari Gambar 5, struktur ANFIS terdiri dari lima lapisan. Perhitungan ANFIS pada tahap maju atau forward pass artinya perhitungan akan merambat maju dari lapisan ke 1 menuju ke lapisan 5. Skema pembelajaran ANFIS didapat dengan inverse learning [9]. Sinyal informasi untuk masukan kontroler adalah error antara model yang diinginkan dengan keluaran motor bakar seperti gambar 4. Persamaan keluaran inverse model adalah sebagai berikut [6] : 𝑢(𝑘) =
1
𝑏0
��
𝜏
𝜏+𝑇𝑠
− 𝑎1 � 𝑦(𝑘) + 𝑎2 𝑦(𝑘 − 1) −
𝑏1 𝑢(𝑘 − 1) +
𝑇𝑠 𝑦 (𝑘 𝜏+𝑇𝑠 𝑟
Dengan nilai 𝜏 didapat dari y model.
+ 1)�
(5)
a. Lapisan 1 (3.11) Pada lapisan ini, neuron memiliki sifat adaptif. Keluaran tiap tiap neuron adalah fungsi keanggotaan input. Pada struktur di Gambar 5, output lapisan 1 adalah µ𝐴1 , µ𝐴2 , µ𝐴3, µ𝐵1, µ𝐵2, µ𝐵3 .Fungsi keanggotaan yang dipakai adalah fungsi Generalized Bell yang diberikan sebagai berikut: 1 µ(𝑥) = (6) 𝑥−𝑐 𝑏 1+ � � 𝑎
Di mana {a,b,c} adalah parameter yang awalnya ditentukan secara acak, untuk mempermudah perhitungan nilai b dianggap = 1. Sedangkan parameter a dan b akan diperbaiki pada tahap back pass. Saat nilai parameter ini berubah maka kurva fungsi keanggotaan akan berubah. Akan dibentuk sejumlah i aturan yang dibentuk dari klasifikasi fungsi keanggotaan. Aturan yang dibuat pada kontroler ANFIS ini direpresentasikan dalam Tabel 1. Tabel 1 Basis Aturan Kontroler ANFIS A1
error (e)= 𝑿𝟏 A2
A3
𝝎𝟏
𝝎𝟒
𝝎𝟕
𝝎𝟑
𝝎𝟔
𝝎𝟗
Gaya (u) B1 delta error (∆𝒆)= 𝑿𝟐
B2 B3
𝝎𝟐
𝝎𝟓
𝝎𝟖
Maka dengan setiap masukan akan membentuk 3 fungsi keanggotaan, yang akan menghasilkan sejumlah i = 9 aturan pada Lapisan 2. b. Lapisan 2 Neuron pada lapisan ini adalah hasil dari perkalian dari masukan neuron sebelumnya. Fungsi yang digunakan pada neuron ini adalah operator AND. Dengan i = 1,2…..n, maka : (7) 𝐿2 = 𝑤𝑖 = µ𝐴(𝑥1 )µ𝐵(𝑥2 )
Gambar 5 Struktur ANFIS
c. Lapisan 3 Setiap neuron pada lapisan ini adalah node tetap yang berupa hasil normalisasi, dicari dengan 𝑤𝑖 𝐿3 = ���� 𝑤𝚤 = (8) 𝑤𝑖 +𝑤𝑖+1 +⋯.+𝑤𝑛
(3.11
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) 1-6
4
d. Lapisan 4 Neuron-neuron di lapisan ini merupakan node adaptif terhadap output, dimana : 𝐿4 = 𝑤𝑖 𝑦𝑖 = ����(𝑐 𝑤𝚤 𝑖1 𝑥1 + 𝑐𝑖2 𝑥2 + 𝑐𝑖0 ) (9) dimana 𝑦𝑖 adalah bobot. Bobot ini akan direvisi untuk epoh > 1, dengan menggunakan Gradien Descent maka : 𝑦𝑖 = 𝑦𝑖 + 𝜂𝜀𝑜𝑢𝑡 ���� 𝑤𝚤 (10) dimana 𝜂 = nilai laju pembelajaran yang bernilai antara 0-1 dan 𝜀𝑜𝑢𝑡 = error antara output target dengan output jaringan. e. Lapisan 5 Lapisan ke lima adalah berisi neuron yang merupakan penjumlahan neuron-neuron pada lapisan ke 4. Fungsi pada lapisan ini adalah 𝐿5 = ∑𝑖 ����𝑦 𝑤𝚤 𝑖 (11) Pada tahap back pass pembelajaran dilakukan dengan mempropagasikan balik error antara keluaran jaringan ANFIS dan keluaran target. Pada tahap ini parameter konsekuen dianggap tetap untuk memperbaiki parameter premis menggunakan gradient descent . Dengan struktur ANFIS pada gambar 3.3 yang memiliki 5 lapisan dengan jumlah N(L) neuron pada lapisan ke-L, dengan fungsi 𝑁(𝐿)
Ep = � (𝑑𝑘 − 𝑋𝐿,𝑘 )2
(12)
𝑘=1
informasi error pada L1 atau 𝜀1 akan digunakan untuk memperbaiki parameter premis , dengan perhitungan umum sebagai berikut :
𝜀𝑎 = (𝜀1 ) 𝜀𝑐 = (𝜀1 )
2(𝑥𝑖 𝑐𝑖 )2
2
𝑥 𝑐 𝑎𝑖 3 �1+ � 𝑖− 𝑖 �� 𝑎𝑖
2(𝑥𝑖 𝑐𝑖 )2
2
𝑥 𝑐 𝑎𝑖 2 �1+ � 𝑖− 𝑖 �� 𝑎𝑖
(13)
(14)
Setelah didapatkan error parameter, maka perubahan nilai parameter premis dirumuskan sebagai berikut : 𝛥𝑎𝑖 = 𝜂𝜀𝑎 𝑥𝑖 (15) 𝛥𝑐𝑖 = 𝜂𝜀𝑐 𝑥𝑖 (16) Dimana 𝜂 adalah nilai laju pembelajaran yang bernilai antara 0-1. Untuk menentukan nilai parameter premis yang baru menjadi 𝑎𝑖 = 𝑎𝑖 + 𝛥𝑎𝑖 (17) 𝑐𝑖 = 𝑐𝑖 + 𝛥𝑐𝑖 (18) IV. PENGUJIAN DAN ANALISIS SISTEM
Pengujian dan analisis sistem dilakukan melalui simulasi pada software Matlab dan pengujian dengan implementasi. A. Pengujian Simulasi ICE Berbeban Nominal Tanpa Bantuan Motor DC Pengujian simulasi ini dilakukan dengan memberikan set point kecepatan PHEV sebesar 1095 rpm dengan berbeban nominal. Hasil simulasi ditunjukkan pada Gambar
Gambar 6. Respon PHEV Tanpa Bantuan Motor DC terhadap sinyal step Dari Gambar 6 ditunjukkan bahwa ICE akan mencapai set point pada t = 1,93 s dengan rise time sebesar 𝑡𝑟 = 1.67143 s. Selanjutnya adalah pengujian ICE dengan perubahan amplitudo, pengujian ini merepresentasikan perubahan set point pada proses akselarasi PHEV. Hasil dari simulasi ditunjukkan pada Gambar 7
(3.11
Gambar 7. Respon ICE Berbeban Nominal Tanpa Bantuan Motor DC dengan perubahan amplitudo Dari Gambar 7, ditunjukkan bahwa ICE akan memilik irise time pada set point pertama dengan 372,3 rpm sebesar 𝑡𝑟 = 1.60825 detik, sedangkan pada set point kedua sebesar 538,7 rpm, rise time ICE sebesar 𝑡𝑟 = 1.45179 detik. Pada set point ketiga sebesar 799,4 rpm dengan 𝑡𝑟 = 1,384435 detik . Dan dengan set point keempat sebesar 1095 rpm dengan 𝑡𝑟 = 1.36819 detik B. Pengujian Efek Perubahan Learning Rate Kontroler ANFIS Terhadap Sinyal Kontrol Pengujian ini dilakukan untuk mengetahui efek dari perubahan learning rate pada kontroler ANFIS. Pengujian ini akan mengubah variasi nilai learning rate pada 0,05 ; 0,5 ; 0,9 0,05 .Dari pengujian simulasi, learning rate sebesar menunjukkan kemampuan adaptasi kontroler ANFIS saat t = 0,248 s, learning rate sebesar 0,5 menunjukkan kemampuan adaptasi kontroler ANFIS saat t = 0,084 s, sedangkan learning rate sebesar 0,9 menunjukkan kemampuan adaptasi kontroler ANFIS saat t = 0,064 s. Dari respon yang didapat, dapat diketahui jika semakin besar learning rate, maka semakin cepat kontroler ANFIS akan beradaptasi dengan sinyal target. Namun dengan rentang learning rate yang semakin besar, maka akan menyebabkan ketidakstabilan di nilai tertentu, hal ini dikarenakan dalam proses adaptasi rentang yang digunakan terlalu jauh dari nilai target sehingga adaptasi menjadi kurang sempurna. Dengan pengujian yang telah dilakukan, maka learning rate yang dipilih sebesar 0,5 dengan respon pada Gambar 8
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) 1-6
5
Gambar 10 Sinyal Error Output Motor DC Gambar 8 Respon Kontroler Terhadap Sinyal Target dengan Learning Rate Sebesar 0,5 C. Pengujian Efek Perubahan Maksimum Epoh Kontroler ANFIS Terhadap Sinyal Kontrol Dalam pengujian ini dilakukan untuk mengetahui efek perubahan jumlah epoh dalam ANFIS terhadap kemampuan adapatsi. Pengujian akan dilakukan dengan mengubah Maksimum Epoh dengan nilai 5;10;20;50;100. diketahui bahwa ketika epoh kontroler sama dengan 5 maka sinyal kontrol akan mampu berdaptasi secara tepat pada t = 0,088 s. Jika kita menaikkan epoh menjadi 10, maka sinyal kontrol akan menjadi mampu beradaptasi secara tepat pada t = 0,064 s. Ketika epoh dinaikkan menjadi 20, maka sinyal kontrol akan menjadi mampu beradaptasi secara tepat pada t = 0,048 s. Sedangkan saat dinaikkan lagi menjadi epoh 50, maka didapat sinyal kontrol akan mampu beradaptasi secara tepat pada t = 0,024 s. Saat epoh diperbesar 100, maka kontroler ANFIS akan mampu beradapatasi secara tepat dari t = 0 s. Dari hasil pengujian simulasi yang didapat, maka dapat disimpulkan bahwa semakin besar jumlah epoh kontroler ANFIS maka sinyal kontrol yang didapat akan semakin mendekati sinyal target. D. Pengujian Simulasi PHEV Berbeban Nominal dengan Bantuan Motor DC Pengujian ini dilakukan untuk mengetahui hasil perancangan sistem kontroler motor DC pada PHEV dengan metode ANFIS. Pengujian ini terdiri dari dua bagian yaitu pengujian dengan memberikan sinyal step dengan referensi kecepatan maksimal dan yang kedua adalah memberikan sinyal step dengan perubahan referensi secara bertahap pada PHEV. Pada Gambar ditunjukkan hasil pengujian sinyal step denga referensi kecepatan maksimal. Sedangkan Gambar ditunjukkan hasil pengujian dengan perubahan sinyal referensi bertahap. Motor DC pada sistem ini bertujuan untuk membantu motor bakar mencapai referensi pada saat, maka model referensi motor DC adalah selisih antara model referensi dengan respon motor bakar.
Gambar 11 Respon PHEV dengan Perubahan Sinyal Referensi Bertahap Dari Gambar 9, diketahui bahwa ketika PHEV bekerja dengan bantuan motor DC yang dikontrol dengan metode ANFIS terdapat delay sekitar 0,023 detik. Hal ini terjadi karena karakteristik kontroler yang memerlukan adaptasi untuk mengikuti sinyal target. PHEV akan mencapai model referensi pada t = 0,626 s . Pada Gambar 10 ditunjukkan sinyal error output motor DC setelah diberi kontroler menunujukkan error antara model referensi dengan output target motor DC pada sekitar t = 0,98 s bernilai 0. Sedangkan pada Gambar 11, merupakan hasil pengujian perubahan sinyal referensi. Dengan perubahan 372,3 rpm ; 538,8 rpm;799,35 rpm;1095rpm. Maka PHEV dapat mencapai model referensi ketika t=0,624s ; t=3,03s ; 5,74s ; t=8,4s. E. Pengujian Implementasi PHEV Berbeban Nominal Tanpa Bantuan Motor DC Dalam pengujian ini, PHEV diberi beban nominal sebesar 60 volt. Pengujian akan dilakukan tanpa bantuan motor DC dengan cara memutuskan hubungan tegangan sumber ke motor DC. Dari pengujian tersebut, diperoleh hasil respon PHEV dalam Gambar 12
Gambar 12 Respon PHEV Berbeban Nominal Tanpa Bantuan Motor DC
Gambar 9 Respon PHEV Dengan Bantuan Motor DC
Dari Gambar 12 , dapat kita ketahui jika PHEV tanpa bantuan motor DC memiliki respon lebih lambat jika dibandingkan dengan model referensi. Respon PHEV akan memiliki delay t = 0,18 s dari model referensi.
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) 1-6 F. Pengujian Implementasi PHEV Berbeban Nominal Dengan Bantuan Motor DC Dalam pengujian ini, PHEV diberi beban nominal sebesar 60 volt. Pengujian ini dilakukan dengan bantuan motor DC yang dikontrol oleh kontroler ANFIS. Dari pengujian tersebut, diperoleh hasil respon PHEV dalam Gambar 13.
6 Pada pengujian implementasi, respon PHEV menggunakan kontroler ANFIS hanya akan mendahului PHEV tanpa kontroler sebesar t = 0,05 s. Hal ini dikarenakan implementasi sinyal kontrol dibatasi pada 0-5 volt atau 01200 rpm yang menyebabkan PHEV dengan kontroler ANFIS memiliki keterbatasan dalam membantu kerja ICE. DAFTAR PUSTAKA
Gambar 13 Respon PHEV Berbeban Nominal dengan Bantuan Motor DC
Gambar 14 Respon PHEV dengan Bantuan Motor DC dan Tanpa Bantuan Motor DC Dari Gambar 13, ditunjukkan bahwa motor DC telah membuat PHEV bekerja lebih cepat dari model ICE dengan respon PHEV bekerja pada t = 0, 138 s. Dari Gambar 14, ditunjukkan perbandingan antara Respon PHEV tanpa bantuan motor DC dan menggunakan bantuan motor DC. Dengan menggunakan bantuan motor DC, respon PHEV yang ditunjukkan warna merah pada Gambar 14 akan selalu berusaha mendahului respon PHEV tanpa bantuan motor DC dengan selisih awal saat penyalaan sekitar t = 0,05 s. Namun PHEV belum mampu mencapai hasil simulasi karena sinyal target kontrol motor DC dibatasi. Pada proses implementasi dibutuhkan nilai saturasi untuk menjaga agar motor DC tidak rusak. V. KESIMPULAN Dalam kondisi tanpa bantuan motor DC, PHEV akan mencapai set point pada t = 1, 93 s, sedangkan PHEV dengan kontroler ANFIS dapat membantu respon PHEV mencapai model referensi pada t = 0,574 s. Oleh karena itu, kontroler ANFIS dapat digunakan pada proses akselerasi PHEV seperti yang diharapkan. Namun dengan karakteristik kontoler ANFIS yang memerlukan pembelajaran maka terdapat delay sekitar t = 0,023 detik sebelum kontroler akan memberikan sinyal kontrol kepada motor DC.
[1] Momoh, Omonowo D., Omoigui, Michael O. “An Overview of Hybrid Electric Vehicle Technology”, IEEE, 978-1-4244-2601, September, 2009. [2] Hidayat, Munawar, I, ”Design and Implementation the Speed Control of Brushless DC Machine Using Fuzzy Logic”, Thesis Magister Program of Electrical Departement ITB, Bandung, 2000. [3] Hidayat, PH.Sasongko, Sarjiya & Suharyanto, “ Performance Analysis of Adaptive Neuro Fuzzy Inference Systems (ANFIS) for Speed Control of Brushless DC Motor”, Proc. ICEEI 2011,17-19 July 2011. [4] Joycer Osorio,Arturo Molina,Pedro Ponce and David Romero, “A Supervised Adaptive Neuro-Fuzzy Inference System Controller for a Hybrid Electric Vehicle’s Power Train System”, Proc. IEEE Conf. on Control and Automation (ICCA),Santhiago,Chile,2011. [5] Sriwidodo, Wahyu. “Perancangan dan Implementasi Pengendalian Traksi Berbasis Neuro Fuzzy untuk Simulator Kendaraan Hybrid pada Mode Akselerasi”, Tugas Akhir, Jurusan Teknik Elektro, Institut Teknologi Sepuluh Nopember, Surabaya, 2010. [6] Wibowo, Bayu Prasetyo, “Traction Control pada Parallel Hybrid Electric Vehicle (HEV) dengan Menggunakan Metode Kontrol Neouro-Fuzzy Prediktif,”, Tugas Akhir, 2014, Jurusan Teknik Elektro, Institut Teknologi Sepuluh Nopember, Surabaya. [7] Resmi, Ilmiyah Elrosa Citra, “Traction Control pada Parallel Hybrid Electric Vehicle dengan Metode Generalized Predictive Control”, Tugas Akhir, 2014, Jurusan Teknik Elektro, Institut Teknologi Sepuluh Nopember, Surabaya. [8] Austin Hughes and Bill Drury, Electric Motors And Drives, Fundamentals, Types, And Applications Fourth Edition, Oxford, 2013. [9] Jang, Jyh-Shing Roger, Neuro-Fuzzy and Soft Computing, Prentice Hall, 1997. [10] Kusumadewi,Sri., Neuro-Fuzzy Edisi , Graha Ilmu , 2010, Yogyakarta.
