PENGENDALIAN ADAPTIF FUZZY UNTUK SELF TUNING PI PADA KONTROL KECEPATAN MOTOR INDUKSI TIGA FASA TANPA SENSOR KECEPATAN DENGAN OBSERVER MRAS

PENGENDALIAN ADAPTIF FUZZY UNTUK SELF TUNING PI PADA KONTROL KECEPATAN MOTOR INDUKSI TIGA FASA TANPA SENSOR KECEPATAN DENGAN OBSERVER MRAS Ridwan Gunawan. Ane Prasetyowati R Universitas Indonesia Teknik Kontrol Industri [email protected] ABSTRAK Motor Induksi banyak digunakan namun perlu pengendalian putarannya agar dapat mengikuti perubahan beban yang ditanggungnya sehingga banyak penelitian mengenai pengendalian putaran motor induksi. Penelitian ini membahas bagaimana swatala dari konstanta proposional dan integral gain bila kecepatan acu diubah dengan menggunakan adaptif fuzzy. Perancangan sistem kendali adaptif fuzzy ini menggunakan Observer Model reference adaptif system (MRAS) untuk estimasi kecepatan motor induksi. Pemodelan motor induksi tiga phasa dan MRAS dilakukan dalam kerangka acuan sumbu directquadrature (dq), yang bertujuan mengurangi banyak transformasi , sehingga mengurangi kesalahan akibat transformasi, hal ini karena pengendali, fluks model, serta banyak besaran lainnya berada pada sumbu dq. Hasil simulasi dengan C-MEX S-function Matlab/Simulink 6.5 menunjukkan bahwa penggunaan kendali Adaptif Fuzzy untuk self tuning PI dapat menala proporsional dan integral gain dengan ketepatan 97%. Respon kecepatan rotor pada kecepatan acu 140 rad/det dengan menggunakan observer MRAS tidak mengalami overshoot dibanding dengan respos Observer full order,. Pada parameter motor yang sama, motor dengan nilai momen inersia besar memiliki putaran lebih stabil. Kata kunci: Observer, adapif fuzzy, MRAS I.

Latar Belakang Motor induksi jenis squirrel-cage banyak digunakan dalam aplikasi industri, namun mempunyai masalah pada pengaturan kecepatannya, sehingga untuk mencapai unjuk kerja yang baik, maka diperlukan suatu sistem pengendalian putaran motor agar bila terjadi perubahan beban, putaran dapat dipertahankan,. Penggunaan kontroler logika fuzzy adalah salah satu metoda untuk memperbaiki unjuk kerja kontroller PID pada pengaturan kecepatan, kontroler fuzzy yang digunakan untuk menala parameter PI. Pada penelitian ini dirancang suatu pengaturan kecepatan motor induksi tiga fasa rotor sangkar dengan menggunakan pengontrol adaptif fuzzy. Dengan adanya pengaturan kecepatan ini diharapkan kecepatan motor induksi dapat dikendalikan pada saat mengalami perubahan beban, sehingga menghasilkan performansi motor induksi yang tinggi . a.

Transformasi Clarke dan Park

Pengubahan sistem sumbu tiga phasa ke alpha beta dan dq memerlukan suatu bentuk

trasformasi yaitu transformasi Clark dan Park yang digunakan untuk menganalisa perhitungan arus, fluks, dan tegangan tiga phasa ke bentuk dua phasa pada sumbu dq Nilai io adalah arus urutan nol (zero squence current) yang bernilai nol pada keadaan setimbang dan ideal, hubungan arus pada sumbu dq dan arus phasa abc, ditunjukkan persamaan I.5: id    iq   i  0

  cos e  2  sin  e 3   1  2

2 2  ) cos(e  )  3 3  ia  2 2     sin(e  )  sin( e  ) ib  3 3   ic  1 1  2 2  cos( e 

(I.5) b.Model Motor Kerangka Acuan Sumbu dq Pemodelan motor induksi tiga phasa kerangka acuan dq dilakukan berdasarkan kerangka acuan stator dengan parameter model yang digunakan adalah dengan arus stator dan fluks rotor. Karena kerangka acuan yang digunakan adalah kerangka acuan stator, maka nilai kecepatan sinkron stator e  0 , sehingga

1

didapat model motor dalam kerangka acuan dq adalah[7]: R Lm L  d 1 (1   ) i sd  V sd  (  s  )i sd   rd  m r  rq   e i sq dt L s L s  r L s L r  r L s L r

(I.14) L2 L L d 1 1 isq  Vsq  (Rs  m )isq  m rq  m r rd eisd dt Ls  Ls r Lr  Lsr Lr  Ls Lr

(I.15) R R d  rd   r  rd  r L m i sd  ( e   r ) rq dt Lr Lr (I.16) d  dt

rq

 

Rr  Lr

rq



Rr L m i sq  ( e   r ) Lr

rd

(I.17) a.

Sistem Kendali Adaptif Fuzzy

Pada pengendalian kecepatan motor digunakan metoda kendali Adaptif fuzzy pada pengendali PI yang akan melakukan self tuning dalam menentukan nilai gain Proposional kp dan nilai gain Integral ki, ketika parameter motor mengalami perubahan secara automatik nilai kp dan ki akan menyesuaikan dengan aturan dari masukan nilai parameter motor, dan aturan penggunaan metode adaptif fuzzy harus dalam bentuk sebuah himpunan crisp. Himpunan Crisp A didefinisikan oleh elemen-elemen yang ada pada himpunan itu. Jika aA, maka nilai yang berhubungan dengan a adalah 1. Namun, jika a A, maka nilai yang berhubungan dengan a adalah 0. Notasi A = menunjukkan bahwa A berisi elemen x dengan P(x) benar. Jika XA merupakan fungsi karakteristik A dan properti P, maka dapat dikatakan bahwa P(x) benar, jika dan hanya jika XA(x) = 1. Himpunan fuzzy didasarkan pada gagasan untuk memperluas jangkauan fungsi karakteristik sedemikian hingga fungsi tersebut akan mencakup bilangan real pada interval [0,1]. Nilai keanggotaan menunjukkan bahwa suatu elemen dalam semesta pembicaraan tidak hanya berada pada 0 atau 1, namun juga nilai yang terletak diantaranya. Algoritma pembelajaran yang digunakan adalah gradient descent atau yang dikenal dengan error backpropagation. Sistem logika fuzzy yang akan digunakan yaitu fuzzyfikasi singleton, defuzzyfikasi rata-rata tengah (center average defuzzifier), dan fungsi keanggotaan gaussian, sehingga keluaran adaptif fuzzy dapat dinyatakan dalam bentuk pers. (I.8)[5]

 n   x  x l  2  l  y  ai exp   i l i      i   F(x) =   i1 l 1     n m   x  x l  2   ail exp   i l i       i   l 1  i 1    m

l

(I.18)

Parameter yang dapat diubah dari sistem logika fuzzy di atas yaitu:

ail

xl

Є (0,1),σil, yl Є V, i Є Ui, (I.19) dimana V adalah semesta pembicaraan pada keluaran sedangkan Ui adalah semesta pembicaraan pada masing-masing masukannya. M adalah banyaknya fungsi keanggotaan fuzzy dan N adalah banyaknya masukan sedangkan F(x) adalah sinyal keluaran jaringan fuzzy.

xl

i Variabel dan σil masing-masing adalah parameter titik tengah dan lebar fungsi keanggotaan masukan Gaussian, sedangkan titik titik tengah fungsi keanggotaan keluarannya

al

adalah yl. Diasumsikan i = 1 karena harga dari fungsi keanggotaan maksimum berharga 1. Struktur jaringan adaptif fuzzy seperti yang ditunjukkan pada Gambar I.1.

Gambar I.1. Struktur Jaringan Adaptif Fuzzy

b.

Algoritma adaptif fuzzy

Adaptif Fuzzy adalah penggabungan mekanisme fuzzy inference system yang digambarkan dalam arsitektur jaringan syaraf. Sistem inferensi fuzzy yang digunakan adalah sistem inferensi fuzzy model Tagaki-SugenoKang (TSK) orde satu dengan pertimbangan kesederhanaan dan kemudahan komputasi, mekanisme inferensi fuzzy TSK orde satu dengan dua masukan x dan y ditunjukkan pada gambar I.2. dengan dua aturan fuzzy if-then seperti dibawah ini :

2

Rule 1 : if x is A1 and y is B1 then f1 = p1x + q1y + r1 premis consequent Rule 2 : if x is A2 and y is B2 then f2 = p2x + q2y + r2 premis consequent Input : x dan y. Consequent-nya adalah f

Gambar I.3. Arsitektur Jaringan Syaraf Feedforward

Pada gambar I.3 terlihat sistem neuro-fuzzy terdiri atas lima lapisan dengan fungsi yang berbeda untuk tiap lapisannya. Lapisan 1. Semua simpul pada lapisan ini adalah simpul adaptif (parameter dapat berubah) dengan fungsi simpul :

O1,i   A ( x ), i  1, , atau

(I.22)

O1,i   B i2 ( y ), i  3,4

Gambar I.2 Sistem inferensi fuzzy TSK dua masukan dengan dua aturan f 

w1 f1  w 2 f 2 w1  w 2

 w1 f1  w 2 f 2

c.

(I.20)

Fungsi keanggotaan masukan

Fungsi keanggotaan fuzzy masukan (premis) yang digunakan adalah fungsi Generalized-Bell pada persamaan I.21 dibawah ini : 1 (I.21) gbell ( x, a, b, c )  2b xc 1 a Fungsi Generalized-Bell dipakai sebagai fungsi keanggotaan dari masukan, untuk menentukan parameter awal a, b, c dan jumlah himpunan fuzzy masukan . Parameter premis a,b,c akan diubah dengan cara pembelajaran. Struktur adaptif fuzzy yang menggambarkan sistem fuzzy TSK seperti yang digambarkan pada Gambar I.2. dapat terlihat pada diagram blok atau arsitektur jaringan syaraf feedforward pada gambar I.3:

dengan x dan y adalah masukan pada simpul i, Ai (atau Bi-2) adalah fungsi keanggotaan masing-masing simpul. Simpul O1,i berfungsi untuk menyatakan derajat keanggotaan tiap masukan terhadap himpunan fuzzy A dan B. Fungsi keanggotaan yang dipakai adalah jenis generalized bell (gbell). Parameter a, b, c, pada fungsi keanggotaan gbell dinamakan parameter premis yang adaptif. Lapisan 2. Semua simpul pada lapisan ini adalah nonadaptif (parameter tetap). Fungsi simpul ini adalah mengalikan setiap sinyal masukan yang datang. Fungsi simpul :

O2i  wi   A ( x)  Bi ( y ), i  1, 2 (I.23) Tiap keluaran simpul menyatakan derajat pengaktifan (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 Setiap simpul pada lapisan ini adalah simpul nonadaptif yang menampilkan fungsi derajat pengaktifan ternomalisasi (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

(I.24) Apabila dibentuk lebih dari dua aturan, fungsi dapat diperluas dengan membagi wi dengan jumlah total w untuk semua aturan. Lapisan 4. Setiap simpul pada lapisan ini adalah simpul adaptif dengan fungsi simpul :

O4,i  wi f i  wi ( pi x  qi y  ri ) (I.25) dengan adalah derajat perngaktifan ternormalisasi dari lapisan 3 dan parameter p, q, r menyatakan parameter konsekuen yang adaptif.

3

Lapisan 5. Pada lapisan ini hanya ada satu simpul tetap yang fungsinya untuk menjumlahkan semua masukan. Fungsi simpul : O 5 ,i 

w

i

fi 

w f w i

i

(I.26) Jaringan adaptif dengan lima lapisan tersebut ekivalen dengan sistem inferensi fuzzy TSK. i

i

d. Perancangan kendali adaptif fuzzy untuk self tuning PI pada kontrol kecepatan Metode pengendalian yang digunakan adalah berdasarkan arus stator dan fluks rotor, di mana penelitian ini menggunakan pengendali vektor Rotor Fluks Oriented Control atau RFOC, seperti terlihat pada gambar II.1. ia

ib

r

ic

 Te

i qs* dq

i*s

ia*

ib

* c

ic

i r*

i *s

iqs*

ia

* b

i

d

;

;

; (II.2)

Dari persamaan II.1 dan II.2, didapat rotor fluk vector, seperti pada persamaan II.3 dibawah ini : (II.3) Dengan :

f.

Perancangan Pengendali fuzzy logic Pengendali Logika fuzzy untuk self tuning PI pada penelitian ini, menggunakan dua buah fuzzy, yang digunakan untuk menala konstanta gain proporsional dan gain integral. Inputan kedua fuzzy beruba nilai variable e dan e dari nilai konstanta P dan I yang diset disesuaikan dengan parameter motor karena keluaran fuzzy berupa nilai K p dan K i yang akan ditambahkan pada nilai konstanta P dan I yang telah diset. Berikut gambar II.3. bagan dari cara kerja FLC untuk menala nilai konstanta P dan I. r

Gambar II.1. Diagram blok RFOC dengan

 r*

Te*

er

Kontrol Kecepatan

e.

Pengendali Kecepatan Untuk pengendali kecepatan digunakan juga pengendali PI. Konstanta proporsionalnya dan konstanta Integral diset menggunakan trial error, disesuaikan dengan parameter motor, adaptif fuzzy diharapkan dapat menala nilai konstanta yang diset bila kecepatan motor dan momen inersia motor diubah dengan beberapa variabel. Diagram bloknya adalah sebagai berikut:

Gambar II.2. Diagram blok pengendali kecepatan

Keluaran dari pengendali kecepatan ini torsi elektromagnetik , Sudut dan mengekspresikan perubahan ke sumbu d, vektor fluks rotor pada sumbu d didapat dari substitusi persamaan II.1 dan II.2, dapat dilihat seperti berikut :

er

KP

FLC er

K I

Gambar II.3. Fuzzy Self Tuning PI untuk control kecepatan

Pengendali Logika Fuzzy yang digunakan pada penelitian ini menggunakan metode MAMDANI dan operator yang digunakan adalah operator AND saja karena untuk mendapatkan hasil minimum aturan dari aplikasi operator AND tersebut. Pada tahap defuzzifikasi akan dipilih suatu nilai dari suatu variable solusi yang merupakan konsekuen dari daerah fuzzy. Metode yang digunakan adalah metode centroid, karena metode ini memiliki tingkat daerah yang sensitive yang sangat tinggi, maka diharapkan proses tuning mendapatkan hasil dengan error yang sangat kecil. FIS pada program MATLAB dari pengendali logika fuzzy dapat terlihat pada gambar 3.7 dibawah ini :

(II.1)

4

Langkah-langkah untuk menala gain proporsional dari nilai set point menggunakan Adaptif fuzzy : 1. Pendefinisian karakteristik model 2. Dekomposisi variabel model menjadi himpunan fuzzy. 3. Pembuatan aturan fuzzy. 4. Penentuan metode defuzzy untuk tiaptiap variabel solusi. 5. Pelaksanaan simulasi sistem. g. Pendefinisian karakteristik model Pada pendefinisian karakteristik model ditentukan batas max dan min batas e dan

e yang telah ditentukan, diharapkan batas max dan min dapat menala gain P dan I dengan batasan error yang diharapkan kecil ( > 0.06). Dengan menentukan batasan error > 0.06 maka didapat variable-variabel untuk semesta pembicaran seperti tabel II.1 dibawah ini :

fungsi keanggotaannya, atau berupa pergeseran pusat dari setiap himpunan keanggotaan. Tujuan dari adaptasi ini adalah untuk memepercepat adaptasi penyesuaian nilai Kp dan Ki pada parameter motor yang berbeda.Tanggapan pada keadaan transiennya menuju ke keadaaan steady state, juga diharapkan untuk memperbaiki kinerja sistem fuzi proporsional dan fuzi integral. Pergeseran atau adaptasi dilakukan dengan algoritma fuzi pula dengan komponen masukan yaitu galat dan selisih perubahan galat error. i. Observer Model Reference Adaptif System (MRAS) Algoritma MRAS yang pada penelitian ini untuk menentukan estimasi kecepatan, model MRAS yang digunakan menggunakan rotor fluks space vector, error antara output kedua sistem yaitu model reference dan model adjustable untuk menala estimasi kecepatan, algoritma dari MRAS dapat terlihat pada gambar 3.13 dibawah ini :

Tabel II.1 Variabel karakteristik model PI

Fungsi

Input Output

error

Semesta Pembicaraa n [(0,0.01)]

delta error

[(0,0.06)]

delta Kp & delta Ki

[(0,0.06)]

Nama Variabel

Keterangan nilai error rata-rata error rata-rata nilai Kp

Fungsi keanggotaan pada penelitian ini, untuk fungsi keanggotaan K p menggunakan

Gambar II.4 Model reference adaptive control untuk kontrol kecepatan

tiga triangular dan K i menggunakan lima

Dari gambar II.4 terlihat reference model dan adjustable model mendapat masukan berupa Vs dari RFOC, persamaan untuk reference model dibawah ini:

triangular, maka rules untuk K p menggunakan 15 rules, sedangkan K i menggunakan 25 rules, fungsi keanggotaan akan menala dengan trial error dengan menggunakan strategi yang telah dibuat dalam rules, sehingga diharapkan mendapatkan nilai yang memiliki tingkat error yang sangat kecil. h. Perancangan Adaptasi ( Proses Pembelajaran) Adaptasi yang dilakukan pada fungsi keanggotaan masukan yaitu dengan melakukan pengakuratan tanggapan sistem dengan masukan yang diharapkan. Caranya dengan melipatkan batas keanggotaan menjadi 2 kali lipat batas keanggotaan sebelumnya sehingga resolusi menurun dan lebih akurat dua kalinya. Adaptasi terhadap fungsi keanggotaan keluaran dilakukan dengan penalaan terhadap

  r  L r   v s   R s   L s F F      0   s  L m   v  s  

 i s     R s   L s F  i  s   0

(II.4) L d d   r  r v s  ( R s i  s ) dan dt Lm dt L d d  s  r v s  ( R s i s ) dt Lm dt

dan adjustable model pada persamaan II.5  F  

r s

  1 / Tt     r 

  r     1 / T t  

d 1   s   (   s   dt Tr

r r

 L r  i s    i  L m  s  

(II.5) Lr i s dan s )  Lm

5

dengan menggunakan control PI seperti terlihat pada persamaan II.6. ^ (II.6)  r  K p   K i  dt

L d   s  (  s    s )  r i  s dt Lm Output dari reference model dan adjustable model berupa is dan i  s akan ditranspose dan dijumlahkan yang akan menghasilkan



  dan

(II.7) Dengan nilai error seperti persamaan II.6 dan II.7 dibawah ini ; ^ ^ dan                (II.8)

  yang telah ditranspose, lalu menjadi inputan pada mekanisme adaptif bersama output dari adjustable model berupa  r dan   s , keluaran dari mekanisme adaptasi akan menala ke adjustable model menjadi adaptif.

Persamaan estimasi kecepatan rotor Diagram Blok Sistem Pada perancangan ini sistem akan bekerja sesuai dengan diagram blok yang ditunjukkan pada gambar II.5.di bawah ini: j.

vsmax

Field Weakening Control

i*sd



i

PI sd



vcd



Dekopling

 rref



Speed contr

PI





*  isq isq

PI

vcq



vd*

vq*

dq

2



dq



Fuzzy

MRAS

 res t e

IM

e

isd i*sd isq*

PWM

3



Flux Model

3 2

ia ib ic

RFOC

v sd , v sq

Gambar II.5 Diagram blok sistem

Sistem diberi masukan kecepatan rotor ref r

referensi  pada blok pengendali kecepatan, sebelum nilai referensi dikirim ke blok pengendali kecepatan nilai variabel proposional dan integral melalui proses pembelajaran oleh fuzzy sebagai self tuning PI, diharapkan nilai konstanta PI berubah secara otomatis melalui pembelajaran ketika parameter motor mengalami perubahan rpm, dan keluaran adalah nilai referensi arus stator sumbu q merupakan masukan blok RFOC. Nilai referensi arus stator sumbu d akan diberikan oleh kendali ”Filed Weakening” yang akan mengendalikan tegangan stator agar berada di nilai referensi yang diberikan, yaitu tegangan maksimum dari DC link voltage. Blok kendali ”Field Weakening” membatasi nilai arus sumbu q yang diijinkan II. Simulasi dan analisa

agar tetap dalam daerah batas arus. Nilai kedua arus referensi dq, dikendalikan oleh PI yang akan mendapat umpan balik dari nilai arus stator aktual sumbu d dan q. Keluaran dari blok pengendali vektor arus akan ditambahkan oleh dekopling menjadi nilai referensi tegangan stator sumbu d dan q. Pada RFOC terdapat fluks model yang akan melakukan estimasi frekuensi sinkron ( e ) motor. Nilai frekuensi sinkron akan diberikan kesetiap blok yang melakukan transformasi alfabeta ke direct-qudrature (dq), salah satunya blok observer Model reference adaptif system (MRAS) yang akan mengestimasikan nilai dari arus, fluks, dan kecepatan motor. Nilai dari kecepatan estimasi akan menjadi nilai umpan balik bagi pengendali kecepatan.

Pengujian dilakukan dengan menggunakan motor induksi tiga fasa dengan daya 1, 10 dan 50 hp, dengan nilai parameter sebagai berikut :

Tabel III.1 Parameter Motor 1, 10 dan 50 hp

6

Daya hp

1

10

50 P

Jumlah Pasang Kutub (Np)

2

2

2

Resistansi Stator (Rs)- ohm

2.76

0.6

0.087

Resistansi Rotor (Rr)-ohm

2.90

0.4

0.228

Induktansi Stator (Ls)-H

0.2349

0.123

0.0355

Induktansi Rotor (Lr)-H

0.2349

0.1274

0.0355

0.2279

0.12

0.0347

Momen Inersia (J)-Kgm

0.0436

0.05

1.622

Koeffisien Gesekan (f)- Nms

0.0005

0.005

0.1

Induktansi magnetik (Lm)-H 2

a.

Simulasi self tuning PI untuk motor induksi tiga fasa Pengujian rancangan self tuning pengendali PI kontrol kecepatan motor induksi tiga fasa, dilakukan simulasi menggunakan program SIMULINK MATLAB dengan variasi beban dan kecepatan, dan tiga buah motor induksi tiga berdaya 1, 10 dan 50 hp untuk melihat kinerja kerja dari adaptif fuzzy dalam menala gain proporsional dan integral.

7

Fc

Fc Vdc

1E 4

Ia

Memory

Vdc

PWMa

PWM

0.5*0.9*311

Imr

Wr

S-Function 3 TL

Ia

Act

RFOC

Wr

imr _ac t Act

fluks_q

theta_e Ib

Demux

Id_ref

Ic

Ic

RFOC

Id

Dem ux

Id

Demux

Scope

Scope

Iq_ref

Iq _ref iq_re f

TL

Ia

Demuxtheta_r_act

fluks _d

Te

Id _ref

SPD_CTL

S-Function 1 Iq

Display 1

iq_ref

S-Func tion 1 Iq

vd

S-F unc tion

vd

S-Function

theta_e_act

S-Function 3

Imr

fluks_q

the ta _e

Te_act

IM

PWMc

imr_act

Ib

SPD _CTL

Ic

Vc

0.5*0.9*311

fluks _ d

Te

Dem ux

Ib

PWMb

Demux

S-Function 2

Vs_max

Demuxtheta _ r_act

IM

PWMc

PWMa

PWM

Vb

theta _ e_act

Dem ux

S-Func tion 2 Vc

Va

Te_ act

PWMb

Vb

Vs_m ax

Ia

Memory

311

Ic Va

1E4

Ib

311

vq

vq we

Kp

we

0.375

Subtract

Demux z

Vdq

Ki

Vs

z-1

Vs |vd | Add 1

Difference

Kp

Fuzzy Logic Controller

0.375

Im

|vd |

Vdq

Ki 0.95

0.95 Add Subtract 1

VdVq

VdVq

Demux z-1

Wr

z Difference 1

Fuzzy Logic Controller 1

Wr

Sp_ref

Rotor Speed

Sp_ref Ro tor Sp eed

Memory 1

Memory 1

Dis play

Gambar III.1 Diagram MATLAB-Simulink adaptif fuzzy dan Diagram MATLAB-Simulink tanpa adaptif fuzzy tanpa observer MRAS

b. Hasil simulasi unjuk kerja adaptif fuzzy pada Motor 1 HP, 10 HP dan 50 HP. Dengan nilai konstanta pengendali kecepatannya yaitu Kp = 0.375 dan Ki = 0.95.

(a)

Motor 1 HPdgn adaptif fuzzy

(b)

tanpa observer MRAS

(c)

Motor 10 HPdgn adaptif fuzzy tanpa observer MRAS

(e)

Motor 50 HPdgn adaptif fuzzy tanpa observer MRAS

Motor 1HP tanpa adaptif fuzzy tanpa observer MRAS

(d)

Motor 1HP tanpa adaptif fuzzy tanpa observer MRAS

(f) Motor 50 HP tanpa adaptif fuzzy tanpa observer MRAS

Gambar III.3 Respon kecepatan dari Motor 1HP, 10HP dan 50 HP tanpa perubahan beban

8

c.

perubahan kecepatan dan dibandingkan dengan tidak menggunakan adaptif fuzzy dengan kondisi yang sama dengan beban maksimum 7 Nm. Hasil simulasi dengan Motor 1 HP, 10 HP dan 50 HP sebagai berikut:

Hasil simulasi unjuk kerja adaptif fuzzy pada Motor 1 HP, 10 HP dan 50 HP dengan perubahan kecepatan dan Beban Dari simulasi akan dilihat kecepatan rotor



( r ), pada simulasi ini akan dilihat blok adaptif fuzzy dapat menala gain PI ketika terjadi

Nilai konstanta pengendali kecepatannya yaitu Kp = 0.375 dan Ki = 0.95.

(a)

Motor 1 HPdgn adaptif fuzzy

(b)

tanpa observer MRAS

(c)

Motor 10 HPdgn adaptif fuzzy

(d)

tanpa observer MRAS

(e)

Motor 1HP tanpa adaptif fuzzy tanpa observer MRAS

Motor 50 HPdgn adaptif fuzzy tanpa observer MRAS

Motor 1HP tanpa adaptif fuzzy tanpa observer MRAS

(f) Motor 50 HP tanpa adaptif fuzzy tanpa observer MRAS

Gambar III.4 Respon dari Motor 1HP, 10HP dan 50 HP dengan perubahan beban dan kecepatan

Dari hasil simulasi uji kinerja dari adaptif fuzzy pada gambar II.3(a) – II.4(f), terlihat bahwa hasil respon menggunakan adaptif fuzzy dengan nilai konstanta kontrol kecepatan motor gain kp dan ki yang sama dengan daya motor yang berbeda menunjukkan performansi yang baik, dapat dilihat kecepatan motor dapat mencapai waktu mantap walaupun dengan waktu yang berbeda, tetapi bila sistem diberikan beban

pada daya 50 HP, sampai pada t = 20 detik, kecepatan motor belum dapat mencapai waktu mantap, ini dikarenakan proses pembelajaran adaptif fuzzy pada s-function memerlukan waktu yang lama. Berikut tabel hasil respon dari adaptif fuzzy dalam menala gain P dan I, dapat dilihat waktu yang dibutuhkan oleh sistem untuk respon mencapai waktu mantap.

9

Tabel III.2 Respon Kecepatan motor pada Adaptif fuzzy Waktu respon sistem mencapai steady state Adaptif fuzzy tanpa Adaptif fuzzy perubahan beban beban nol perubahan beban non 15 non non 18 non non > 20 non

Daya beban nol 2 2 15

1 HP 10 HP 50 HP

dilakukan dengan menggunakan motor induksi tiga fasa yang memiliki daya kecil (1 HP), daya sedang (10 HP) dan daya besar (50 HP) untuk melihat kinerja kerja dari observer MRAS dengan membandingkan kinerja dari full order observer.

d. Simulasi observer MRAS pada pengendalian motor induksi tiga fasa Untuk menguji hasil rancangan observer MRAS pada pengendalian motor induksi tiga fasa mengunakan program SIMULINK MATLAB dengan variasi beban dan kecepatan. Pengujian Fc Vdc

Ia

Memory

1E4

Ib

311

Ic Va

PWM

Te_act

PWMb

Vb

Vs_max

PWMa

theta_e_act

S-Function 2 Demux

IM 2

PWMc

Vc

Wr

0.5*0.9* 311

S-Function 3

Imr

TL

Ib

Demux

Act

fluks_q

theta_e

Kp

imr_act fluks _d

Te Ia

0.7

Demuxtheta_r_act

Id_ref

Ic

Ki

RFOC

1

Id

Demux

Scope

Iq_ref

SPD_CTL

iq_ref

S-Function 1 Iq

Im

vd

S-Function Sp_ ref

vq we Vs

Te1

|vd |

Vdq

fluks _d_ref

Iq

fluks _rd

vd

VdVq

vq we

MRAS1

Demuxfluk _q_ref

S-Function 4

fluks _rq

wr_est Rotor Speed

wr

Memory 1

Gambar III.5. Diagram MATLAB-Simulink dengan observer MRAS

Pada perancangan simulasi sistem ini, blok motor diasumsikan sebagai motor induksi tiga fasa yang sebenarnya. Masukannya berupa tegangan tiga fasa yang dikeluarkan oleh sumber tegangan inverter (seperti yang telah dibahas pada BagianII). Arus stator keluaran dari motor dan nilai tegangan dari inverter akan diumpanbalikkan ke blok observer MRAS. Maka dalam implementasi sistem sebenarnya diperlukan sensor arus. Umpan balik tersebut memerlukan memori sebelum masuk ke blok observer MRAS. Hal ini dimaksudkan agar tidak terjadi algebraic loop karena algebraic loop terjadi apabila masukan suatu blok dipengaruhi oleh keluaran pada blok yang secara tidak

langsung ikut mempengaruhi karena menjadi masukan blok lainnya yang berhubungan dengan blok tersebut. Waktu sampling yang digunakan pada sistem yaitu 10-4s. e. Perbandingan Simulasi Observer MRAS dan Full order Observer Berikut ini akan diperlihatkan Gambar III.6 yang memperlihatkan perbandingan kinerja dari kedua observer, perbandingan ditunjukkan dengan membandingkan respon dari kecepatan rotor ( (

q

 r ), fluk sumbu d ( d ) , fluks sumbu q

) dan Torsi (Te) untuk kedua observer.

Kecepatan Motor 1 HP.

10

(a) dengan observer MRAS

(b)

observer full order

Kecepatan Motor 10 HP

(c) dengan observer MRAS

(d) dengan observer full order

Kecepatan Motor 50HP

(e) dengan observer MRAS

(f) dengan observer full order

Gambar III.6. Perbandingan kecepatan motor dengan observer MRAS dan observer full order

Dari hasil simulasi pada gambar III.6 dapat terlihat kinerja dari observer MRAS, respon kecepatan motor untuk daya motor 1 HP, pada t = 3 dan t = 13 terlihat tidak terjadi overshoot, seperti yang terjadi pada observer full order, untuk daya motor 10 HP performansi dari respon kecepatan motor sama seperti pada performansi daya motor 1 HP, pada daya motor 50 HP

terlihat jelas perbedaan respon kecepatan motor, dimana pada observer full order terlihat ripple yang lebih banyak sebelum sistem mencapai waktu mantap, walaupun respon untuk mencapai waktu mantap hampir sama, untuk observer MRAS pada t = 13 dan untuk observer full order t = 15.

f.

kemudian pada saat t=10 detik, momen inersianya dibuat menjadi 0.2 kgm2, dan pada saat t=15 detik diubah menjadi 1 kgm2, kemudian untuk t=20 detik momen inersianya disesuaikan dengan parameter motor induksi yaitu 0.0436 kgm2. Berikut gambar III.7 yang memperlihatkan respon motor 1 HP, 10 HP dan 50 HP dengan perubahan momen inersia

Simulasi Perubahan Parameter Momen Inersia Pada simulasi ini dilakukan perubahan parameter motor momen inersia pada motor 1 HP, 10 HP dan 50 HP dalam periode waktu tertentu yaitu pada saat t=0 momen inersia dibuat 0.005 kgm2 , pada saat t=5 detik nilai momen inersia dibuat menjadi 0.01 kgm2,

11

(a)

Respon motor 1 HP

(b) Respon motor 10 HP

(c)

Respon motor 50 HP

Gambar III.7. Respon motor dengan perubahan momen inersia

Dari Gambar III.7 terlihat bahwa ketika momen inersia motor dibuat lebih kecil dari nilai parameter aslinya, maka putaran motor terjadi fluktuasi. Dimana nilai kecepatan motor sangat dipengaruhi oleh nilai konstanta momen inersia motor (J). Sehingga penentuan nilai momen inersia yang tidak tepat akan mempengaruhi keluaran model motor induksi yang digunakan. III. KESIMPULAN Berdasarkan perancangan dan simulasi sistem kendali Adaptif Fuzzy untuk motor induksi tanpa sensor kecepatan, ditarik kesimpulan sebagai berikut: 1. Sistem menggunakan adaptif fuzzy dapat menala gain proporsional dan gain integral pada nilai konstanta gain kp = 0.375 dan ki = 0.95 untuk daya 1 HP, 10 HP dan 50 HP. 2. Kinerja Observer MRAS pada motor 1 hp tidak terjadi overshoot pada t = 3 detik seperti pada respon yang ditunjukkan dengan penggunaan observer full order. Pada motor 50 hp, respon kecepatan motor menggunakan observer MRAS tidak menunjukkan banyaknya ripple sebelum mencapai keadaan tunak pada t =13 detik, seperti yang terjadi pada observer full order. 3. Dengan parameter motor yang sama, motor dengan nilai momen inersia besar memiliki putaran lebih stabil dibanding dengan motor dengan nilai momen inersia kecil. Dalam percobaan dengan motor 1, 10 dan 50 hp, nilai momen inersia terbaik berturut-turut adalah 1 kgm2, 2 dan 5 kgm2 . Daftar Pustaka 1. Yusivar, Fery dan S. Wakao, Minimum Requirements of Motor Vector Control Modeling and Simulation Utilizing C MEX S-function in MATLAB/SIMULINK, IEEE journal, 2001. 2. Albertos P. dan A. Sala, Multivariable

Control Systems : An Engineering Approach, Springer-Verlag London Limited, Valencia, 2004. 3. Krishnan, R., Electric Motor Drives, Prentice Hall, USA, 2001. 4. N. Mohan, T.M. Undeland, W.P. Robbins, Power Electronics, Wiley, 2003. 5. Ogata, Katsuhiko, Modern Control Engineering, edisi 4, Prentice Hall, University of Minnesota, 2002. 6. S.-H. Kim, S.-K. Sul, Voltage Control Strategy for Maximum Torque Operation of an Induction Machine in the Field Weakening region, IEEE Trans. Ind. Electron, vol. 44, hal. 512-518, Aug. 1997. 7. Vas, Peter, Electric Machine and Drives: A Space Vector Theory Approach, Oxford University, New York, 2003. 8. J-S R Iang,C-T Sun and E Mizutani,Neuro-Fuzzy and Soft Computing,Prentice-Hall International,Inc,1997. 9. Truc Pham-Dinh, Effects Of Iron Loss On Adaptive Speed Control In Rotor Flux Oriented Control Of Induction Motor,Vietnam National University ,2007. 10. Youssef Agrebi, Moncef Triki,Rotor speed estimation for indirect stator flux oriented induction motor drive based on MRAS scheme, J. Electrical Systems 3-3,2007.

2