PERANCANGAN SISTEM PENGENDALIAN ANTISURGE KOMPRESOR DENGAN MENGGUNAKAN METODE ADAPTIVE NEURAL NETWORK DI KALTIM-1 PT. PUPUK KALIMANTAN TIMUR-BONTANG Ricki Prastya Pembimbing : Imam Abadi, ST, MT, Hendra Cordova, ST, MT. Jurusan Teknik Fisika – FTI – ITS Surabaya Kampus ITS Keputih Sukolilo Surabaya 60111 Telp : +6231-5947188 Fax : +6231-5923626 E-mail :
[email protected] ABSTRAK Salah satu bentuk kondisi operasi yang tidak stabil pada kompresor adalah kondisi yang disebut surge, dimana terjadi ketidakstabilan laju aliran udara yang dapat berakibat getaran pada kompresor. Oleh karena itu akan dirancang suatu pengendalian antisurge pada kompresor. Dengan menggunakan metode Artificial Neural Network (ANN) dimana memiliki kemampuan belajar terhadap berbagai perubahan kondisi yang tak terduga, maka dari itu artificial neural network digunakan untuk sistem pengendalian antisurge kompresor dengan algoritma pembelajaran Levenberg Marquardt. Menggunakan Direct Inverse Control (DIC) dan pengendali PI berbasis ANN. Penelitian dilakukan dengan memodelkan plant dan kontroler dengan ANN kemudian dari bobot yang dihasilkan disusunlah DIC dan pengendali PI berbasis ANN. Dari hasil simulasi DIC dan simulasi PI dengan gain kontrol Kp=4.5, dan Ti=0.02 diketahui bahwa respon sistem DIC lebih baik dan unggul dari pada respon sistem PI, yaitu pada uji setpoint 900(kg/mnt) dihasilkan Mp = 0%, ts = 18
sekon, dan Ess = 0.00055% untuk DIC, sedangkan pengendali PI dihasilkan Mp = 1.88%, ts = 24.5 sekon, dan Ess = 0.008 %. Kata kunci: Kompresor Sentrifugal, Pengendalian Antisurge Kompresor, Artificial Neural Network, DIC, PI. I. PENDAHULUAN Kompresor pada unit kaltim-1 PT. Pupuk Kalimantan Timur merupakan salah satu alat penunjang utama dalam suatu proses di industri, hampir selalu dijumpai kebutuhan terhadap udara bertekanan, yang mana tekanan dan kapasitas udara tersebut berbeda-beda. Merujuk pada Gbr. 1, maka untuk menghasilkan udara bertekan ini digunakan kompresor. Salah satu kendala pada pengoprasian kompresor ini adalah adanya kondisi operasi yang tidak stabil yang bisa mengakibatkan kompresor mengalami masalah yang serius, yang lebih dikenal dengan sebutan surge. Surge merupakan gejala gangguan pada operasi kompresor dimana terjadi getaran dalam frekuensi yang bervariasi. Gejala umumnya dapat diakibatkan oleh tersumbatnya aliran keluaran udara, ataupun laju aliran masuk yang kurang.
Gambar 1 Plant Kompresor
Plant di industri pada umumnya dikarakteristikkan sebagai sistem yang tidak linier, multivariabel, dan saling berinteraksi. Untuk mempermudah mendapatkan model proses dari sistem yang sangat tidak linier dan multivariabel hanya melalui hubungan data input-output serta sebagian kecil pengetahuan proses dapat menggunakan jaringan saraf tiruan sebagai salah satu artificial intelligent. Jaringan syaraf tiruan selain dapat digunakan sebagai kontroller, dapat pula digunakan untuk pemodelan. Pada tugas akhir ini jaringan syaraf tiruan digunakan untuk menentukan model proses pada sistem antisurge kompresor. Hal ini dikarenakan jaringan syaraf tiruan dapat memodelkan fungsi nonlinier dari sistem yang kompleks. Keberhasilan jaringan syaraf tiruan sangatlah bergantung pada struktur dari jaringan syaraf tiruan tersebut. Algoritma yang digunakan pada permodelan ini adalah algoritma levenberg marquardt dengan struktur multi layer perceptron (MLP). Tinjauan Pustaka Kompresor adalah mesin yang berfungsi memampatkan udara atau gas yang masuk melalui suction bertekanan rendah, keluar melalui discharge bertekanan tinggi. Secara umum berdasarkan prinsip operasinya kompresor dibedakan dalam empat kategori, yaitu kompresor sentrifugal, kompresor
1
axial, rotary dan reciprocating. Pada PT. Pupuk Kalimantan Timur kompresor yang digunakan khususnya di KALTIM-1 menggunakan jenis kompresor sentrifugal. Kompresor sentrifugal merupakan tipe dinamik. Kompresor tipe dinamik adalah kompresor dimana udara atau gas ditekan oleh aksi dinamik dari putaran sudu-sudu atau impeller sehingga memberikan kenaikan kecepatan dan kenaikan tekana pada aliran gas. Putaran sudu-sudu ini diperoleh dari pesawat penggerak berupa turbin atau motor. Kompresor tipe positive displacement adalah kompresor dimana udara atau gas dikurung dalam suatu ruang tertutup (chamber). Tekanan akan naik dengan menurunnya volume gas yang terkurung dalam chamber. Kondisi surge pada kompresor Secara umum ada 2 jenis surge yang terjadi pada kompresor yaitu “mild surge” dan “violent surgeI” [16]. 1. Mild surge Merupakan surge yang terjadi karena adanya osilasi aliran dengan frekuensi tinggi dalam batas aliran sempit yang terjadi pada tekanan yangrelatif konstan. 2. Violent surge Surge ini terjadi diseluruh unit, ditandai dengan jatuhnya laju aliran secara tiba-tiba sehingga menimbulkan vibrasi yang tinggi, bunyi bisisng dan temperature yang tinggi yang kemudian memungkinkan terjadinya kondisi trip pada kompresor. Sistem pengendalian antisurge Seperti yang dibahas sebelumnya, kombinasi tekanan discharge yang tinggi dan laju aliran yang rendah akan menghasilkan surge. Pengendalian antisurge hamper selalu didasarkan pada pemanipulasian recycle valve. Bukaan valve menggeser operasi kompresor dari kondisi surge ke kondisi yang aman. Pada gambar 2 terlihat bahwa dalam kondisi normal secara ideal control valve V1 harus selalu dalam keadaan tertutup penuh untuk mendapatkan efesiensi yang maksimal. Valve V1 akan membuka apabila gejala surging mulai terjadi. Dengan terbukanya valve V1, maka laju aliran suction yang kurang dapat di backup oleh adanya sirkulasi discharge. Untuk mengendalikan bukaan valve ini diperlukan suatu sistem kontrol automatik.
Perancangan antisurge kontrol berpedoman pada kurva operasi karakteristik kompresor dengan mendapatkan garis batas surge (surge limit line) terlebih dahulu. Dari batas surge limit line tersebut maka dapat dibuat aturan kontrol untuk menentukan garis kontrol surge (surge control line) pada pengendalian antisurge.
(a)
(b) Gambar 3 Garis batas kontrol dan batas surge[15] Merujuk Gbr. 3 surge limit line dibuat berdasarkan performansi kompresor. Titik A merupakan titik operasi normal pada kompresor. Pada gambar menunjukkan suatu keadaan surge limit line. Kondisi operasi yang diperkenankan adalah pada daerah di sebelah kanan garis batas surge. Kondisi surging akan terjadi jika operasi berada pada kondisi di sebelah kiri garis batas surge yang berwarna merah. Berdasarkan pada Gbr. 3 dapat diperoleh hubungan antara h dan ΔP, yaitu jika h adalah differensial pressure melalui orifice, dapat dihitung bahwa laju aliran masa, W (dalam kg/dt) dengan rumus,
Gambar 2 Sistem pengendalian antisurge saluran recycle[15]
2
Dengan anggapan aliran steady state, laju aliran masa (W) pada suction dan discharge adalah sama atau Ws = Wd maka,
Gambar di bawah ini menunjukkan diagram dari model serial-parallel atau NNARX.
Untuk mendesain pengendali antisurge dengan elemen pengukur laju aliran pada saluran discharge digunakan persamaan berikut, hd = C . ΔP
(3)
dimana : hs = differensial pressure orifice suction Ps = tekanan suction Ts = suhu suction hd = differensial pressure orifice discharge Pd = tekanan discharge ΔP = perbedaan tekanan Cn = (C1,C2) konstanta pengali 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 neuron-neuron tersebut. Neuron akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju ke neuron-neuron yang lain. Sistem jaringan syaraf tiruan dicirikan dengan adanya proses pembelajaran (learning) yang berfungsi untuk mengadaptasi parameter-parameter jaringannya. Kelebihan dari jaringan syaraf tiruan diantaranya : - Mampu melakukan proses pembelajaran - Mampu beradaptasi Sesuai dengan karakteristik yang dimiliki oleh JST, maka model yang dihasilkan oleh JST merupakan empirical model serta non-parametric model. Fokus utama dari sistem identifikasi dengan JST hanya untuk sistem non-linier yang dinyatakan sebagai berikut: (4) yt f xt
xt
u t 1 ...u t nu
y t 1 ... y t n y
T
(5)
dimana: f = fungsi nonlinier x(t) = regressor y(t) = output sistem u(t) = input sistem nu = history length untuk input sistem ny = history length untuk output system Sistem identifikasi nonlinear dengan menggunakan metode Series-Parallel / NNARX (Nonlinier Auto Regresive with eXternal input) Model.
Gambar 4 Series-Parallel/NNARX Model 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). 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:
yi (t ) gi [ , ] Fi
nh j 1
Wi, j fi
n l 1
w j ,l
w j ,0
l
Wi,0
(6) θ menunjukkan vektor parameter yang didalamnya terdapat semua parameter JST yang dapat diatur (bobot dan bias). Kriteria Performansi Pemodelan JST Kriteria yang digunakan untuk menilai pemodelan JST menggunakan Root Mean Square Error (RMSE) dan Variance Accounted For (VAF). RMSE adalah akar rata-rata total kuadrat error yang terjadi antara keluaran model dan keluaran 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
RMSE
i 1
yi N
yˆi
2
(7)
dengan : yi = output proses ŷi = output model N = jumlah data VAF juga dinyatakan dalam VAF (Variance Accounted For) dalam persen. Dengan
3
ketentuan bahwa semakin besar nilai VAF (mendekati nilai 100) maka makin besar tingkat keberhasilan training. Persamaan VAF dapat dituliskan sebagai berikut:
VAF
1
var y(t ) yˆ (t ) x100% var y(t )
(8)
Direct Inverse Control 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 Gbr. 3.
Pemakaian pengendali baik P, PI, maupun PID disesuaikan dengan kebutuhan dan karakteristik dari proses yang dikendalikan. Pengendali P digunakan apabila adanya offset masih dapat ditolerir oleh proses. Apabila tidak, maka pengendali PI dapat digunakan untuk memperbaiki performasi sistem dan sedangkan pengendali PID seringkali digunakan pada sistem pengendalian yang memiliki karakteristik pengendalian yang lambat seperti pengendalian temperatur. Untuk mendapatkan performasi yang optimal pada algoritma pengendali PID pada berbagai perubahan daerah operasi, disturbance dan sesuai dengan kebutuhan proses maka perlu dilakukan penalaan terhadap nilai parameter pengendali PID (Kp, Ti, Td). Dalam kombinasi PID, diagram bloknya menjadi seperti pada gambar 6.
Gambar 6 Diagram Blok pengendali PID
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 : (9) y t 1 f y t ,..., y t n 1 , u t ,..., u t m 1 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 : (10) u t f 1 r t 1 , y t ,..., y t n 1 , u t ,..., u t m 1 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. Pengendali PID Untuk menutupi kekurangan dari masing – masing pengendali, ketiga pengendali tersebut dapat saling dikombinasikan menjadi pengendali PI, PD atau PID. Keluaran Pengendali PID merupakan jumlahan dari keluaran Pengendali proporsional, keluaran Pengendali integral dan keluaran Pengendali diferensial. Gambar menunjukkan hubungan masukan dan keluaran pada pengendalian PID.
Karakteristik Pengendali PID sangat dipengaruhi oleh kontribusi besar dari ketiga parameter P, I dan D. Penyetelan konstanta Kp, Ti, dan Td akan mengakibatkan penonjolan sifat dari masing-masing elemen. Satu atau dua dari ketiga konstanta tersebut dapat disetel lebih menonjol dibanding yang lain. Konstanta yang menonjol itulah akan memberikan kontribusi pengaruh pada respon sistem secara keseluruhan [Gunterus, 1994]. Skema Perancangan Sistem Pengendalian Antisurge Kompresor Berbasis JST Perancangan ulang sistem pengendalian antisurge kompresor berikut diagram blok dengan merujuk pada Gbr.2 ditunjukkan oleh Gbr. 7 dibawah ini: Driver
Gambar 5 Direct Inverse Control
F2
Kompresor
FT
F1 JST
Gambar 7 Sistem Pengendalian antisurge Kompresor Berbasis JST Metodologi penelitian seperti terlihat pada Gbr. 6 diawali dengan pengambilan data Plant berupa
4
data flow input-output pada kompresor, kemudian dengan merujuk pada Gbr. 4 maka dibuat blok diagram pemodelan untuk Plant maupun pengendali dimana harus dibuat dengan mencari nilai RMSE dan VAF terbaik. Dimana (u) adalah data flow suction gas CO2, dan (y) adalah data flow discharge gas CO2. Kemudian data-data tersebut dilatih untuk mendapatkan model dengan sistem pemodelan seperti terlihat pada Gbr. 9 dan 10 dengan merujuk pada persamaan (5). sehingga nantinya didapat model struktur dengan jumlah node pada input layer, hidden layer, dan output layer yang dapat terdefinisikan. Untuk selanjutnya model tersebut akan digunakan dalam simulasi kontrol DIC maupun PI dimana kemudian hasil dari simulasi akan dianalisa dan dibahas untuk mencapai suatu kesimpulan.
u(t)
e
u(t-1)
+
yˆ
Model Plant dengan JST y(t-1)
Gambar 10 Blok Diagram Pemodelan Pengendali JST
LOAD
Fref
+ -
Start
y(t)
Plant
Error Kontroler JST
Actuator
CV
Kompresor
Fout
Data - PFD plant - Data flow input dan output
Flow Transmiter
Pembuatan Model dengan JST Sesuai
Tidak Sesuai
- RMSE <10e-5 - VAF > 90%
Gambar 11 Gambar Diagram Blok Perancangan Sistem Pengendalian Antisurge Kompresor Berbasis JST
Tidak Sesuai
Dari Gbr. 12 dapat dilihat bahwa data input Plant didapat bahwa input flow suction gas CO2 tidak stabil atau terlalu banyak terjadi fluktuasi data akibat tidak adanya sistem pengendali pada Plant tersebut. Akibatnya terlihat pada output dari Plant yaitu flow discharge gas CO2.
Validasi Model dengan JST
Sesuai
- RMSE <10e-5 - VAF > 90%
Simpan Bobot, History Length dan Node
Simulasi DIC
Simulasi PI
Analisa dan Pembahasan
Kesimpulan
Stop
Gambar 8 Metodologi Penelitian Tugas Akhir u(t)
+ PLANT
Gambar 12 Grafik Input Flow suction
y(t)
+
+
u(t-1) y(t-1)
Model Plant dengan JST
ŷ
Gambar 13 Grafik Output Kompresor Gambar 9 Blok Diagram Pemodelan Plant JST
Training dan Validasi
5
Training dan validasi adalah proses pembelajaran model JST untuk dapat belajar memodelkan real Plant dalam bentuk model JST. Yaitu dengan mengubah struktur jaringan model agar mampu menghasilkan model yang mirip dengan real Plant yang hasilnya bisa dilihat pada Gbr. 13.
training. Dimana warna merah mengikuti pola dari warna biru dan didapatkan selisih antara data Plant dan data training pada grafik prediksi error (y-yhat). Dari prediksi error tersebut didapatkan RMSE 2.4287e-004 serta VAF 99.6131 dengan struktur model 2 node input layer, 18 node hidden layer, dan 2 node output layer. Hasil dari training pemodelan plant dan pengendali ini berupa bobot-bobot yang tersimpan dalam file inverse yang nantinya digunakan pada pengendalian direct inverse control. Simulasi DIC dan PI Sebelum dilakukannya pemodelan kontrol DIC dan PI perlu dilakukan terlebih dahulu uji open loop seperti gambar 16,
Gambar 14 Hasil Training Model Plant
Gambar 16 Uji Open Loop
Dari gambar 16 dapat dilihat bahwa tanpa pengendali, maka output sistem tidak sesuai set poin yang diinginkan. Oleh karena itu maka diperlukannya suatu pengendali dalam proses tersebut agar output proses mampu mencapai set point yang ddinginkan
Gambar 15 Hasil Training Model Pengendali Pada gambar 14 merupakan hasil training pemodelan Plant berdasarkan hubungan masukan flow suction dan menghasilkan keluaran flow discharge yang didapat dari 700 data yang melalui proses training. Dari prediksi error tersebut didapatkan RMSE training 7.3126e-005 dan VAF training 99.9783 dengan struktur pemodelan terdiri dari 2 node input layer, 2 node hidden layer, dan 1 node output layer. Kemudian pada gambar 15 adalah hasil training pengendali berdasarkan hubungan masukan flow discharge menghasilkan keluaran flow suction yang didapat dari 700 data yang melalui proses training. Dari gambar. 14 dan gambar 15 diatas dapat dilihat warna biru yang menandakan data plant dan pengendali, sedangkan warna merah adalah data hasil
Dari hasil pemodelan plant dan pemodelan pengendali didapatkan nilai bobot, jumlah history length dan hidden node yang terintegrasi dalam file forward hasil training pemodelan Plant dan file inverse yang hasil pemodelan pengendali. Dimana keduanya akan digunakan untuk melakukan simulasi direct inverse control dan PID control. Berikut adalah hasil dari simulasi DIC yang bisa dilihat pada Gbr. 17 dan 18 serta pada Tabel 1 dan 2.
6
overshoot dari respon kontrol daripada DIC. Kedua pengendali cukup berimbang dalam memberikan respon kontrol karena tanggapan keduanya masih berada dalam range standar error steady state yaitu berkisar antara 2-5%. V. KESIMPULAN
Gambar 17 simulasi DIC pada set point 950 kg/mnt Sedangkan berikut ini adalah hasil dari simulasi PI,
5.1 Kesimpulan Dari hasil simulasi dan analisa data pada penelitian Tugas Akhir ini, dapat ditarik beberapa kesimpulan antara lain : Didapatkan arsitektur JST untuk pemodelan plant dan pengendali. Dihasilkan pemodelan plant dengan RMSE flow discharge kompresor 7.3160e-005 dan pemodelan pengendali dengan RMSE flow suction kompresor 2.4241e-004. Berdasarkan parameter kualitatif telah didapatkan sistem pengendalian hasil perancangan dengan performansi pengendalian antisurge kompresor sebagai berikut; pengendali DIC menghasilkan Mp = 0 %, ts = 19 sekon, Ess = 0.002% dan pengendali PI menghasilkan Mp = 9.7%, ts = 45.17 sekon, Ess = 0.0031 % pada setpoint flow 950 kg/mnt. Sedangkan untuk pengendali PI menghasilkan Mp = 0.41%, ts = 2.11 sekon, Ess = 0.0031 pada set point 950 kg/mnt. Bila dilihat dari uji perbandingan performansi pengendali PI dan DIC menunjukkan DIC lebih unggul dalam pencapaian setpoint dengan waktu yang lebih sedikit dibandingkan pengendali PI serta maximal overshoot yang lebih kecil, dan error steady state (ess) lebih baik. DAFTAR PUSTAKA
Gambar 18 (a) simulasi PI, (b) simulasi pada set point 950 kg/mnt
[1]
Tabel 1 Tanggapan transient DIC dan PI Tanggapan Transient Max. overshoot (%) Settling Time (detik) Ess
Setpoint DIC PI 900 kg/mnt
DIC PI 1000kg/mnt
DIC PI 800kg/mnt
0
1.88
0
0.41
0
18
24.5
19.4
40.05
19
0.00055
0.008
0.00000103
0.0041
0.002
[2]
2.11 45.1 7 0.00 31
Dari hasil yang telah didapat seperti pada Gbr. 16 dan 17 serta Tabel 1 dan 2, maka dapat dilihat bahwa baik pengendali DIC maupun PI mampu memberikan respon terhadap sinyal kontrol. Namun bagaimanapun terdapat perbedaan tanggapan dari kedua pengendali terhadap sinyal kontrol. Dimana kontrol DIC jauh lebih unggul dalam mencapai keadaan steady dibanding kontrol PI. Akan tetapi kontrol PI jauh lebih unggul dalam mengurangi
[3] [4]
[5]
Cornelin Lazar, Sorin Carari, Draguna Vrabie, Marius Kloetzer. “Neuro-predictive Control Based Self-tuning of PID Controller”. ESANN'2004 proceedings - European Symposium on Artificial Neural Networks Bruges (Belgium). Dias, M. Fernando., Mota, M. Alexandre., 2000.”Direct Inverse Control Of a Kiln”. Proceeding Departamento de Engenharia Electrotécnica,Campus do IPS, stefanilha, 2914-508 Setúbal, Portugal. CONTROLO 2000. Gunterus, Frans. 1994. Falsafah Dasar: Sistem Pengendalian Proses. Jakarta: Elex Media Komputindo. Hendra Cordova. 2005. “The Neural Network Controller Design For Nonlinear pH Neutralization Process” Proceeding Engineering Physics, ITS. Hendra Cordova. 2005. “Self-tuning PID Neural Network Controller to Control
7
[6] [7] [8] [9]
[10]
[11]
[12]
[13] [14] [15] [16]
Nonlinear pH Neutralization in Waste Water Treatment”. Proceeding IPTEK. Katsuhiko, Ogata. 1996. Teknik Kontrol Automatik, Jilid 1 Edisi Kedua. Jakarta: Erlangga. K. Sri,. Artificial Inteligence. Yogyakarta : Graha Ilmu 2003. Koivo, Heikki N. 2006. Basics using MATLAB Neural Network Toolbox. London: Verlag Springer. Nørgaard, Magnus. Ravn, O. Poulsen, N.K. dan Hansen, L.K. 2000. Neural Network for Modelling and Control of Dynamic Systems. London: Verlag Springer. 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. Sistem Rachma A.A,.”Perancangan Pengendalian Level pada Absorber PV-1110 Berbasis Jaringan Syaraf Tiruan di Sulfur Recovery Unit JOB Pertamina-Petrochina East Java.”, Tugas Akhir, Jurusan Teknik Fisika, 2009. Woo-yong Han, Jin-wook Han, Chang-goo Lee. “Development of a Self-tuning PID Controller based on Neural Network for Nonlinear Systems”. Proceedings of the 7th Mediterranean Conference on Control and Automation (MED99) Haifa, Israel - June 28-30, 1999. Paul C. Hanlon. “Compressor Handbook”, United States, 2001. MM. Gupta, DH.Rao.,1994,Neuro Control System Theory and Application, IEEE Press Inc : New York Jaidi Abdiansyah. ”Sistem Kontrol Antisurge Pada Kompresor CO2 di POPKA”. Bontang,2009. Virginia, “Surge As a Problem”, Virginia Indonesia Company, 1989.
Biodata Penulis : Nama : Ricki Prastya Ttl : Bontang, 15 Oktober 1986 Alamat : Jl. Cendrawasih blok.S no.3 BTN PKT Bontang Riwayat Pendidikan : SD YPK SLTP YPK SMA YPK Teknik Fisika – ITS
1993 1999 2002 2005
-
1999 2002 2005 Sekarang
8
