📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 3 dokumenPERANCANGAN GAIN-SCHEDULED MODEL PREDICTIVE CONTROL (MPC) BERBASIS DISCRETE KALMAN FILTER DAN KEMBARAN DIGITAL PADA MINIPLANT PASTEURISASI ARMFIELD PCT23MKII
Dalam industri pengolahan susu, pasteurisasi dengan metode High Temperature Short Time (HTST) merupakan proses kritis yang mensyaratkan pengontrolan temperatur presisi, yaitu sekitar 72°C selama 15 detik untuk menjamin keamanan susu tanpa merusak kandungan gizi. Namun, pengontrolan pada miniplant Armfield PCT23MKII menghadapi tantangan berupa waktu tunda yang signifikan serta sifat nonlinearitas sistem yang kuat. Penggunaan pengontrol Model Predictive Control (MPC) linear tunggal ditemukan tidak efektif karena mengalami kegagalan stabilitas dan memiliki steady-state error (SSE) yang besar saat beroperasi di atas suhu 40°C, sehingga diperlukan pendekatan kontrol yang lebih adaptif untuk mencakup seluruh rentang operasional. Penelitian ini mengusulkan perancangan sistem kembaran digital (digital twin) yang mengintegrasikan Gain-Scheduled Model Predictive Control dengan state estimator berbasis Discrete Kalman Filter (DKF) pada miniplant pasteurisasi Armfield. Strategi Gain-Scheduling diterapkan dengan membagi rentang operasi menjadi dua daerah kerja, yaitu 27°C–40°C dan 40°C–54°C, berdasarkan model First-Order Plus Time Delay (FOPTD) dan Second-Order Plus Time Delay (SOPTD), sehingga karakteristik nonlinear proses dapat direpresentasikan dengan lebih akurat. Kembaran digital dirancang sebagai representasi virtual proses fisik yang terhubung secara real-time melalui jaringan komunikasi industri, sehingga memungkinkan pemantauan, evaluasi performa pengontrol, serta pengendalian jarak jauh melalui antarmuka berbasis web. Sementara itu, Discrete Kalman Filter digunakan untuk mereduksi derau pengukuran dan fluktuasi temperatur akibat variasi laju alir produk, sehingga menghasilkan sinyal umpan balik yang lebih bersih dan meningkatkan stabilitas proses optimasi pada MPC. Hasil pengujian menunjukkan bahwa integrasi Gain-Scheduled Model Predictive Control dengan dan DKF mampu meningkatkan performa sistem dengan rata-rata perbaikan sebesar 5,52% pada metrik steady-state error (SSE), maximum overshoot, dan root mean square error (RMSE), serta berhasil mempertahankan kemampuan penjejakan setpoint dan penolakan gangguan secara andal pada operasi waktu nyata. Validasi kembaran digital juga menunjukkan tingkat kesesuaian yang baik terhadap plant aktual dengan nilai RMSE sebesar 4,73°C sepanjang durasi pengujian.
PERANCANGAN PENGONTROL ROBAS MODEL PREDICTIVE CONTROL (MPC) UNTUK MEMPERTAHANKAN KESEIMBANGAN DAYA DAN KESTABILAN JARINGAN PADA LAPISAN KONTROL SEKUNDER SISTEM MIKROGRID ARUS SEARAH
Sistem manajemen energi merupakan salah satu topik penelitian yang belakangan ini sedang mengalami peningkatan popularitas. Hal ini dikarenakan pemanfaatan Renewable Energy Source (RES) juga sedang digencarkan untuk mencapai solusi energi yang berkelanjutan. Mikrogrid atau microgrid (MG) merupakan salah satu ide manajemen energi yang brilian karena kemampuannya yang dapat mengintegrasikan sumber energi terbarukan, penyimpanan energi, serta beban secara optimal. Namun, terdapat beberapa tantangan dalam merancang sebuah sistem MG, salah satunya adalah bagaimana cara untuk memastikan daya yang mengalir pada mikrogrid ini stabil dan berkualitas. Oleh karena itu, penelitian ini bertujuan untuk merancang algoritma pengontrol Robas Model Predictive Control (MPC) yang dapat mempertahankan keseimbangan daya dan kestabilan jaringan pada sistem MG arus searah atau direct current (DC) dalam kondisi adanya ketidakpastian. Perancangan pengontrol dimulai dengan membuat model dinamik dari sistem MG DC yang disusun berdasarkan prinsip keseimbangan energi (atau daya). Model tersebut kemudian dibentuk menjadi persamaan ruang keadaan yang dapat dipahami oleh MPC. Kemudian, agar dapat beralih ke Robas MPC, pendekatan Robust Counterpart (RC) digunakan, yang mengadopsi prinsip kasus terburuk. Pendekatan ini membuat masalah optimisasi ketidakpastian menjadi deterministik. Algoritma Robas MPC ini kemudian digunakan pada lapisan kontrol sekunder, yang dapat mengatur aliran daya MG DC. Seluruh proses perancangan dan validasi dilakukan menggunakan perangkat lunak MATLAB. Pengontrol Robas MPC kemudian dibandingkan dengan MPC Klasik pada beberapa skenario uji. Hasil simulasi menunjukkan bahwa Robas MPC dapat mempertahankan keseimbangan daya dan kestabilan jaringan pada kondisi adanya ketidakpastian, sedangkan MPC Klasik gagal melakukan hal tersebut. Selain itu, algoritma Robas MPC yang dirancang memiliki waktu naik 28,82 detik, waktu tunak 68,41 detik, overshoot 0,63%, dan kesalahan tunak 8,94×10^(-6) kWh, yang merupakan hasil yang baik untuk lapisan kontrol sekunder. Jika dibandingkan dengan MPC Klasik, penggunaan Robas MPC juga dapat mengurangi nilai kesalahan penjejakan dan tunak, serta memiliki nilai overshoot yang 57,43% lebih kecil.
PERANCANGAN DAN IMPLEMENTASI MODEL PREDICTIVE CONTROL BERBASIS MODEL ARX UNTUK KENDALI GLIDE DAN YAW PADA GANESHBLUE UNDERWATER GLIDER
Penggunaan teknologi yang semakin maju menjadi pendorong kegiatan eksplorasi perairan, salah satunya melalui penggunaan peralatan pendukung seperti Autonomous Underwater Glider (AUG). AUG merupakan sebuah robot otonom bawah air yang bergerak naik dan turun dengan memanfaatkan gaya apung. Pergerakan tersebut diatur oleh sebuah Buoyancy Engine (BE) melalui mekanisme pemindahan fluida yang memengaruhi berat dari GAUG. Sehingga tercipta kendali terhadap gaya apung yang membuatnya dapat mengapung dan tenggelam. Tetapi, penggunaannya memiliki berbagai macam tantangan terkhusus dalam sektor kendali. Sehingga dapat memengaruhi performa, respon sistem dan efisiensi penggunaan energi. Penelitian ini berfokus kepada perancangan suatu kendali menggunakan metode Model Predictive Control (MPC). Metode ini menggunakan suatu model diskrit sebagai model utama untuk mebangun prediksi dengan pendekatan AutoRegressive eXogenous input (ARX). Dimana kendali MPC-ARX diterapkan kepada sebuah Ganeshblue AUG (GAUG). Sistem kendali MPC-ARX dirancang untuk mengendalikan sudut pitch, depth rate dan yaw rate pada sistem GAUG. Dengan menggunakan model ARX yang dibangun melalui proses identifikasi sistem dengan pemilihan orde berdasarkan metode Bayesian Information Criterion (BIC). Dalam perancangan kendali MPC, digunakan Trapezoidal Motion Profile (TMP) pada depth rate dan yaw rate untuk membatasi kecepatan perubahan serta memberikan referensi yang halus terhadap depth ataupun yaw. Berdasarkan hasil BIC, diperoleh model ARX untuk gerak glide dengan orde keluaran 2 dan orde masukan 1, sementara untuk gerak yaw diperoleh orde keluaran 2 dan orde masukan 3. Parameter MPC yang digunakan meliputi horizon prediksi sebesar 10 dan horizon kendali sebesar 3 Simulasi dilakukan dengan menambahkan gangguan sinusoidal sebagai representasi gelombang perairan guna mengevaluasi kinerja kendali yang diusulkan. Gangguan sinusoidal yang diterapkan berfrekuensi 0,2 Hz untuk masing-masing gerak, serta amplituda gangguan untuk masing-masing gerak adalah 2. Hasil simulasi menunjukkan bahwa pada masing-masing jenis gerak, penggunaan bobot adaptif memiliki keunggulan efisiensi energi dibandingkan bobobt tetap. Keunggulan ini terlihat dari penggunaan aktuator pada simulasi. Pada ii kendali gerak glide dengan bobot adaptif, total penggunaan aktuator adalah 1901,64 mL untuk BE dan 418,57 g untuk MM. Sementara itu, pada kendali gerak glide dengan bobot tetap, total penggunaan aktuator adalah 1967,52 mL untuk BE dan 449,61 g untuk MM. Tetapi, gerak glide dengan bobot adaptif memiliki performa penjejakan pitch yang sedikit lebih buruk, meskipun lebih baik pada penjejakan depth rate. Hal ini terlihat dari rata-rata galat pitch sebesar 1,785 derajat pada bobot adaptif, sedangkan pada bobot tetap sebesar 1,700 derajat. Sementara itu, galat depth rate pada bobot adaptif adalah 1,342 mm/detik, sedangkan pada bobot tetap sebesar 1,366 mm/detik. Pada gerak yaw, bobot adaptif menggunakan aktuator sebanyak 4,89 masukan thruster, sedangkan bobot tetap menggunakan 5,60 masukan thruster. sehingga, pada gerak yaw bobot adaptif unggul dalam efisiensi penggunaan aktuator. Tetapi, performa penjejakan yaw rate pada bobot adaptif lebih buruk dibandingkan bobot tetap. Rata-rata galat yaw rate pada bobot adaptif adalah 1,448 rad/detik, sedangkan pada bobot tetap sebesar 0,960 rad/detik. Hasil implementasi menunjukkan bahwa kendali MPC–ARX berkinerja baik pada gerak glide maupun yaw, dan mampu menjejaki referensi yang diberikan. Tetapi, ketidakpastian model menyebabkan MPC-ARX membatasi penggunaan aktuator. Kondisi ini terjadi karena data latih yang digunakan tidak sepenuhnya merepresentasikan dinamika sesungguhnya. Untuk mencegah pelanggaran batasan pada sistem nyata, MPC-ARX memilih solusi yang lebih konservatif dengan memanfaatkan aktuator di bawah kapasitas maksimum. Akibatnya, respon sistem menjadi lebih lambat. Perbandingan antara MPC-ARX dan PID menunjukkan bahwa MPC-ARX unggul dalam meredam overshoot, mengurangi galat serta lebih efisein terhadap penggunaan aktuator. Pada gerak yaw, MPC-ARX menghasilkan overshoot sebesar 0,11% dan galat sebesar 1,85%. MPC-ARX unggul 3,6 % efisien dalam penggunaan aktuator dibandingkan dengan PID. Sementara, PID unggul dalam kecepatan respons sistem, dengan rise time selama 2 detik.