SISTEM KENDALI BISING AKTIF DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS FUNGSI RADIAL BERULANG PADA TMS320C6713 DSK Artiko Wibowo / 132 03 029 Program Studi Teknik Elektro Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung Abstrak Active Noise Control (ANC) merupakan suatu cara meredam bising dengan menciptakan sinyal antibising yang berlawanan fasa dengan sinyal bising. Peredaman yang dilakukan berupa proses superposisi dari sinyal bising dan antibising yang dihasilkan. ANC sangat efektif untuk meredam bising pada frekuensi rendah dan sangat tepat untuk melengkapi sistem peredaman pasif. Dalam peredaman pasif terdapat hubungan yang berbanding terbalik antara frekuensi dengan ketebalan bahan peredam yang akan berakibat pada biaya. Dalam Tugas Akhir ini akan diimplementasikan ANC untuk meredam bising blower pada udara terbuka dengan menggunakan Recurrent Radial Basis Function Network (RRBFN) yang merupakan kombinasi antara Recurrent Neural Network (RNN) dan Radial Basis Function Network (RBFN). Untuk algoritma kendali RRBFN dimodifikasi menjadi FX-RRBFN untuk mengatasi delay antara pengendali dan model jalur sekunder. Kegiatan dalam Akhir ini meliputi simulasi algoritma dengan MATLAB, identifikasi sinyal blower (frekuensi dan amplitudo), identifikasi model sekunder ANC satu kanal dan kendali satu kanal. Dalam percobaan digunakan dua sinyal bising, yaitu sinyal yang dibangkitkan pada frekuensi dominan blower dan bising dari blower itu sendiri. Hasil yang diperoleh yaitu diperoleh peredaman bising yang bagus pada sinyal yang dibangkitkan dan
peredaman yang kurang bagus pada sinyal bising blower. Kata kunci: ANC, Active Noise Control, Kendali Bising Aktif, JST, RBF, RRBFN, FX-RRBFN, Blower. 1. Pendahuluan Bising dapat diartikan sebagai suara yang dapat menganggu kenyamanan pendengaran kita. Suara bising selain mengganggu konsentrasi kerja kita, juga dapat menimbulkan efek psikologis seperti perasaan tertekan dan kejenuhan. Suara bising yang terlalu keras atau yang didengar secara terus menerus dapat menyebabkan ketulian. Bising dapat terjadi dimana saja, kabin mobil, pesawat, kapal laut, pabrik yang menggunakan kipas angin (fan) besar, terowongan (duct) udara, kompresor atau pompa akan sangat berpotensi menimbulkan suara bising. Bahkan peralatan rumah tangga seperti penghisap debu, pompa air dan penyejuk ruangan dapat juga menimbulkan suara bising. Baik di dalam ruangan atau di luar ruangan banyak sumber-sumber bising yang sangat mengganggu, sehingga suara bising tak dapat terhindarkan lagi oleh pendengaran kita. Bising banyak memberikan efek negatif pada manusia, oleh karena itu efek bising harus dapat diminimalkan dengan cara meredamnya. Pengendalian bising secara konvensional sudah dilakukan dengan memakai bahan-bahan peredam bising seperti kapuk, serat optik (fiberglass), serat polyester (Dacron), serta spon
(acoustic foam). Peredaman bising seperti itu disebut pengendalian bising pasif. Biasanya bahan-bahan peredam bising ditempatkan di sekitar sumber bising atau ditempelkan di dinding. Pengendalian bising secara pasif sangat efektif untuk frekuensi tinggi, sedangkan untuk frekuensi rendah bahan peredam yang dibutuhkan akan semakin tebal dan berat. Hal ini akan membuat biaya yang diperlukan semakin banyak. Sistem kendali bising secara aktif (Active Noise Control, selanjutnya disingkat ANC) dapat digunakan untuk membantu peredaman bising secara pasif untuk mengatasi frekuensi rendah karena memang ANC efektif pada bising frekuensi rendah. Dalam tugas akhir yang sebelumnya juga telah dilakukan ANC dengan JST dengan algoritma fungsi berbasis radial dengan perulangan linear (RBFLR:Radial Basis Function with Linear Recurrent Network) pada plant ruang terbuka. Berbeda dengan tugas akhir yang sebelumnya, algoritma yang digunakan adalah fungsi berbasis radial berulang (RRBFN:Recurrent Radial Basis Function Network). RRBFN membalikan keluaranya untuk dijadikan masukkan seperti halnya masukkan baru yang diterima sehingga seluruh neuron akan menerima balikan keluarannya, sedangkan algoritma RBFLR pembalikkannya terjadi hanya pada neuron yang bersangkutan. Dalam Tugas Akhir ini ANC akan digunakan untuk meredam bising blower dengan menggunakan JST RRBF pada ruangan terbuka dengan struktur feedforward. Pengolahan sinyal dilakukan dengan DSP TMS320C6713 DSK. 2. Tinjauan Umum ANC ANC merupakan cara meredam suara bising dengan menggunakan sumber suara yang dapat dikendalikan untuk melawan sumber bising yang tidak dikehendaki. Pada prinsipnya ANC membangkitkan suatu sinyal dengan amplitudo yang sama dengan sumber
bising tetapi memilik fasa yang berlawanan. Sehingga apabila sinyal suara tersebut dijumlahkan dengan sinyal bising maka akan saling menghilangkan. ANC akan sangat efektif untuk bising dengan frekuensi rendah. ANC juga bersifat adaptif karena pada kenyataannya karakteristik bising dan lingkungan berubah terhadap waktu sehingga mengakitbatkan frekuensi, amplitudo, fasa, dan kecepatan bising tidak stasioner. Oleh karena itu sistem kendali bising aktif harus memiliki sifat adaptif sehingga stabilitas dan kinerja yang diharapkan terjamin terhadap variasi tersebut. Cara kerja ANC melibatkan sistem elektroakustik atau elektromekanik yang meniadakan bising primer (yang tidak diinginkan) berdasarkan prinsip superposisi destruktif, suatu sinyal antibising dengan amplitudo yang sama dan fasa yang berlawanan dibangkitkan dan ‘dikombinasikan’ dengan bising primer, yang lalu menghasilkan efek saling menghilangkan untuk kedua sinyal tersebut.
Gambar 2.1 Konsep fisik dari peredaman bising aktif ANC dibagi menjadi 2 struktur yaitu feedforward dan feedback. Pada tugas akhir ini diimplementasikan ANC jenis feedforward yang diagramnya dapat dilihat pada gambar 2.2.
Gambar 2.2 Diagram ANC umpan maju kanal tunggal. Untuk memaksimalkan ANC maka kita juga harus memperhatikan hal-hal seperti konfigurasi penempatan perangkat ANC, korelasi dan koherensi mikrofon, karakteristik sumber bising dan lain-lain. Penempatan speaker antibising juga diatur sedemikian rupa agar mendapatkan redaman yang bagus. Berikut ini diperlihatkan peredaman sebagai fungsi jarak, r, dimana r adalah jarak speaker antibising ke sumber bising.
Neuron-neuron tersebut terhubung satu sama lain membentuk suatu kelompok neuron yang dapat memproses informasi yang mereka peroleh dengan melakukan sejumlah kalkulasi menggunakan model matematis. Jaringan Syaraf Tiruan biasanya digunakan untuk aplikasi pengenalan, sistem adaptif dan prediksi (peramalan). Radial Basis Function Network (RBFN/Jaringan Berbasis Radial) merupakan salah satu tipe dari Jaringan Syaraf Tiruan. Jaringan Syaraf Tiruan jenis ini memiliki 1 hidden layer dalam strukturnya. Radial Basis Function yang digunakan untuk Jaringan Syaraf Tiruan adalah Fungsi Gaussian.
Gambar 3.1 Fungsi Gaussian
⎛
ϕ (u ; t k ) = exp⎜⎜ −
1
⎝ σk
2
2⎞ u − t k ⎟⎟ ⎠
(3.1)
Keterangan:
tk
σk u − tk Gambar 2.3 Peredaman maksimum pada sound power untuk sumber single monopole 3. RRBFN Jaringan Syaraf Tiruan merupakan bagian dari kecerdasan buatan yang membuat tiruan dari jaringan syaraf manusia. Jaringan syaraf memiliki komponen berupa neuron.
: pusat, : lebar, dan : jarak ruang euclid antara
u dan t k . Struktur RBFN dapat digambarkan dalam gambar 3.2 sebagai berikut:
digunakan pendekatan gradien stokhastik dan untuk perbaikan titik-titik pusat RRBFN digunakan algoritma k-means. Pendekatan gradien stokhastik memperkecil error/kriteria sesaat ξ (n) dengan menurunkan persamaane( n ) . persamaan error RRBFN Persamaan kriteria sesaat adalah sebagai berikut:
ξ (n) = 12 e(n)
Recurrent Neural Network(RNN) merupakan salah satu tipe Jaringan Syaraf Tiruan yang output dari hidden layer dikembalikan sebagai umpan balik ke input untuk diproses lagi. Recurrent Radial Basis Function Network (RRBFN) merupakan kombinasi antara Radial Basis Function Network (RBFN)dan Recurrent Neural Network(RNN). Struktur diagram RRBFN ditunjukkan pada gambar 3.3.
m0
(u; t2 )
m1 m2 s(n)
u(n) Z-1
Keluaran JST
Masukan JST
wk (n + 1) = wk (n) + μ w e(n)ϕ (u (n); t k (n)) (3.3) Langkah-langkah algoritma penentuan pusat RRBFN dengan algoritma k-means adalah sebagai berikut: a. Inisialisasi nilai pusat secara acak. b. Ambil input u dengan probabilitas tertentu. c. Mencari pusat pemenang saat iterasi ke n, dengan kriteria jarak Euklid yang minimum. d. Memperbaharui posisi pusat.
1
(u ; t1 )
Z-1
(3.2)
Apabila diturunkan lebih lanjut maka diperoleh perbaikan bobot sebagai berikut:
Gambar 3.2 struktur RBFN
Z-1
2
mK
Z-1
(u;tK ) Layer Tersembunyi node basis( kernel)
Gambar 3.3 struktur RRBFN Pembelajaran dalam RRBFN dilakukan dalam perbaikan bobot dan titik pusatnya.Untuk memperbaiki bobot
4. ANC menggunakan RRBFN Untuk mengimplementasikan ANC RRBFN diperlukan 2 kali proses yaitu identifikasi model jalur sekunder secara offline dan proses kendali itu sendiri. Model jalur sekunder diperlukan dalam penghitungan perbaikan bobot RRBFN. Secara umum proses feedforward ANC RRBFN terlihat seperti diagram berikut ini:
Jalur Akustik Primer
Sumber Bising
+ Jalur Sekunder
Mikrofon referensi
Speaker Antibising
Pengendali RRBFN Z-1
+
Dengan konfigurasi perangkat seperti berikut ini:
Mikrofon error
Model Jalur Sekunder RRBFN Z-1
1
∑
Sinyal Residu
1
m0
w0
m1
w1 Z-1
Z-1
m2
w2
Z-1
Z-1
mk
wp Z-1
Z-1
p
Algoritma Filtered-X TMS320C6713 DSK
Gambar 4.1 Diagram blok feedforward ANC RRBFN Dapat dilihat pada Gambar 4.1 bahwa JST RRBF digunakan sebagai model jalur sekunder dan sebagai pengendali. Untuk mengatasi delay selama melewati model jalur sekunder maka digunakan algoritma FilteredX RRBFN yang merupakan generalisasi dari algoritma Filetered-X LMS. Algoritma Filterd-X memperkecil gradient sesaat ΔW p
Gambar 5.1 Konfigurasi perangkat percobaan. 6. Simulasi dan Percobaan Pada bagian ini akan ditunjukkan hasil-hasil yang didapatkan pada simulasi dan percobaan. Percobaan dilakukan dalam 3 geometri yang berbeda, tetapi hanya akan ditunjukkan salah satu data saja. a. Simulasi MATLAB
pada delay ke-i.
1 L ∂e 2 (n ) (4.1) ΔW p = ∑ 2 i =0 ∂W p (n − i )
Apabila diturunkan lebih lanjut maka diperoleh perbaikan bobotnya akan berbeda dari perbaikan bobot yang menggunakan pendekatan gradien stokhastik. 5. Perangkat percobaan Perangkat sistem ANC lengkap adalah: - 2 mikrofon (error dan referensi) - blower - speaker (antibising) - TMS320C6713 DSK - power-amp & pre-amp - komputer host - osiloskop, Sound Level Meter (SLM)
Gambar 6.1 Plot error hasil simulasi identifikasi RRBFN Dari hasil simulasi identifikasi RRBFN dengan MATLAB terlihat bahwa error identifikasi sudah bisa diperkecil
dengan algoritma RRBFN, algoritma ini dapat digunakan.
sehingga
Gambar 6.2 Plot residu hasil simulasi kendali RRBFN
ditunjukkan ketika frekuensi dominan yang muncul adalah 125 Hz.
Gambar 6.4 Plot time domain dan PSD blower c. Identifikasi ANC satu kanal
Gambar 6.3 Plot PSD hasil simulasi RRBFN
Gambar 6.5 Plot sinyal error identifikasi, Geometri 1
Dengan melihat Gambar 6.2 dan Gambar 6.3 dapat diketahui bahwa pada simulasi kendali terjadi peredaman, sehingga algoritma kendali RRBFN dapat digunakan untuk ANC.
Pengukuran keberhasilan identifikasi menggunakan Signal to Noise Ratio (SNR): SNR = 10 log(var(d (n))) − 10 log(var(e(n)))
b. Pengukuran karakteristik blower Gambar 6.4 menunjukkan salah satu dari plot hasil pengukuran karakteristik blower. Frekuensi dominan blower yang didapatkan adalah 62.5 Hz dan 125 Hz. Kedua frekuensi ini dapat muncul bergantian, atau bersamaan dalam satu waktu. Pada Gambar 6.4
d(n) : sinyal jalur sekunder e(n) : sinyal error SNR yang didapatkan pada geometri 1 adalah 3.2453 dB dengan struktur RRBFN menggunakan 5 neuron input, 25 neuron layer dan μm 0.2. Berikut ini juga diberikan plot hasil perbandingan d(n) dan
y(n). Apabila keduanya semakin mirip maka semakin bagus identifikasinya.
: sinyal keluaran jalur sekunder : sinyal keluaran RRBFN Gambar 6.6 Perbandingan sinyal jalur sekunder dan keluaran RRBFN, Geometri 1 d. Kendali ANC satu kanal, bising sinus 125 Hz
: tanpa ANC : dengan ANC Gambar 6.7 Plot sinyal residu, Geometri 1, bising dibangkitkan 125 Hz Tampak pada Gambar bahwa sinyal residu semakin mengecil, hal ini berarti bahwa redaman yang diperoleh cukup bagus.Berikut dapat dilihat juga peredaman pada frekuensi 125 Hz pada Gambar 6.8.
Gambar 6.8 Peredaman pada frekuensi 125 Hz, NLC 50, Geometri 1 Dapat dilihat pada gambar bahwa redaman pada frekuensi 125 Hz sekitar 50 dB. e. Kendali ANC satu kanal, bising blower
: tanpa ANC : dengan ANC Gambar 6.9 Plot sinyal residu, Geometri 1, bising blower Dapat dilihat pada hasil plot residu, bahwa peredaman pada blower kurang bagus. Jika dihitung dengan MATLAB redaman totalnya adalah 0.2967 dB. Pada plot PSD pun didapatkan hasil yang kurang bagus.
Gambar 6.10 Plot PSD sinyal tanpa ANC dan dengan ANC, Geometri 2 Frekuensi rendah yang teredam pada percobaan dengan blower ini adalah sekitar 250 Hz – 290 Hz. Dari data-data yang diperoleh dapat kita lihat bahwa peredaman dapat dikatakan berhasil pada bising 125 Hz yang dibangkitkan, dan kurang berhasil pada bising blower. Penyebab ketidakberhasilan peredaman bising pada blower diperkirakan sebagai berikut : 1) Perhitungan korelasi dan koherensi mikrofon error dan mikrofon referensi tidak dilakukan. Dua hal tersebut sangat mempengaruhi delay dari sinyal yang diterima mikrofon error dan referensi. Pada percobaan, peletakan mikrofon dilakukan dengan cara trialerror. 2) Tidak menggunakan Pre-amp yang benar. Pada percobaan, pre-amp diganti dengan power-amp dan GAIN pada software. tidak dilakukan secara 3) ANC multikanal.
7. Kesimpulan dan Saran Dari serangkaian percobaan yang dilakukan kita dapat menarik beberapa kesimpulan sebagai berikut :
1) Berdasarkan pada data pengukuran karakteristik blower, diketahui bahwa blower yang digunakan memiliki frekuensi dominan yaitu 125 Hz. 2) Identifikasi menggunakan JST RRBF cukup berhasil karena sinyal yang dihasilkan oleh JST RRBF hampir sesuai dengan sinyal keluaran pada jalur sekunder dengan SNR berkisar antara 2 dB sampai dengan 3 dB 3) Jaringan Saraf Tiruan Berbasis radial berulang dapat digunakan sebagai model dan pengendali dalam sistem ANC. Untuk sinyal yang dibangkitkan dapat diredam dengan peredaman berkisar dari 9 dB sampai dengan 20 dB dengan beberapa geometri yang berbeda. Sedangkan untuk sinyal dari blower masih memperoleh redaman yang kurang bagus dan diperkirakan dipengaruhi oleh beberapa hal seperti belum dilakukannya perhitungan korelasi dan koherensi, sistem tidak memakai pre-amp yang sebenarnya dan belum dilakukannya ANC secara multikanal. Kemudian untuk pengembangan selanjutnya diberikan saran-saran sebagai berikut: 1) Perhitungan korelasi dan koherensi lebih baik dilakukan untuk mengetahui peletakan yang benar dari mikrofon error dan mikrofon referensi, daripada menggunakan cara trial-error. 2) Menambahkan peredaman pasif pada sistem, karena pada ruang terbuka pantulan sinyal tidak dapat dihindari. 3) Percobaan Multikanal diharapkan memberikan hasil yang lebih bagus.
4) Pengambilan data kendali diharapkan juga menggunakan SLM dengan koneksi serial dengan komputer host sehingga lebih terlihat peredamannya. 5) Penggunaan mikrofon kondenser elektret yang memiliki respon flat, sehingga masukan sinyalnya lebih bagus.
8. Daftar Pustaka [1] Kuo, Sen M. dan Dennis R. Morgan, Active Noise Control Systems: Algorithms and DSP Implementations, New York: John Wiley & Sons, Inc., 1996. [2] Bouchard, M., Bruno Paillard, dan Chon Tan Le Dinh, “Improved Training of Neural Networks for the Nonlinear Active Control of Sound and Vibration,” IEEE Transactions on Neural Networks, Vol. 10, No. 2, hal. 391-401, Maret 1999. [3] ____________, TMS320C6713 Evaluation Module User’s Guide, Dallas: Texas Instruments, Desember 1998. [4] ____________, TMS320C6000 Code Composer Studio Tutorial, Dallas: Texas Instruments, Mei 1999. [5] ____________, TMS320C6713 Floating Point Digital Signal Processor Advance Information, Texas Instruments, edisi revisi Maret 1999. [6] ____________, TMS320C6713 Design of Active Noise ControlSystems With the TMS320 Family, Texas Instruments, Juni 1996. [7] Anggono, Lazuardi, Desain dan Implementasi Sistem Kendali Derau Aktif Menggunakan Jaringan Saraf Tiruan Berbasis Radial, Tugas Akhir, Institut Teknologi Bandung, 2000.
[8]
[9]
[10]
[11]
[12]
[13]
[14]
[15]
Hadiyanti, Dini, Desain dan Implementasi Sistem Kendali Derau Aktif Menggunakan Jaringan Saraf Tiruan Berbasis Radial pada Ruang Terbuka, Tugas Akhir, Institut Teknologi Bandung, 2002. Sutopo, Daniel, Penggunaan Algoritma Filter LMS Untuk Kendali Gelombang Instabilitas Aktif pada Model Sayap, Thesis, Institut Teknologi Bandung, 2007. Russel, S., dan Norvig, P. Artificial Intelligence : Modern Aproach (2nd edition), NJ: Prentice Hall, 2003. J. of the Braz. Soc. of Mech. Sci. & Eng., Application of TimeDelay Neural and Recurrent Neural Networks for the Identification of a Hingeless Helicopter Blade Flapping and Torsion Motions, School of São Carlos – USP, Brazil, 2005, Vol. XXVII, No.2 / 97. Hansen, Colin, Understanding Active Noise Cancellation, Routledge, 2001. Chassaing, Rulph, Digital Signal Processing and Applications with the C6713 and C6416 DSK, wiley, 2005. Todorovic, Branimir. Stankovic, Miomir. Moraga, Claudio, “Modelling non-stationary dynamic systems using recurrent radial basis function networks”, IEEE 6th Seminar on Neural Network Applications in Electrical Engineering, (27-32), 2002. Si, Jennie. Pang, Liguang, “Recurrent Neural Networks for Dynamic System Modelling”, IEEE Symposium on Interlligent Control, (364-369), 1993.
[16]
[17]
Cheung, Yiung-Ming, “A New Recurrent Radial Basic Functions Networks”, Hongkong Baptist University, Hongkong. Proakis, John G, Manolakis, Dimitri G. ,”Digital Signal Processing”, New Jersey : Prentice Hall,1996.
