📚 Eksplorasi & Komparasi Topik Dokumen

PERANCANGAN KONTROL REFERENSI HIBRIDA BERBASIS REINFORCEMENT LEARNING TD3 UNTUK PERBAIKAN KINERJA PENGONTROL PID PADA SISTEM TIGA TANGKI TERKOPEL DENGAN IMPLEMENTASI STANDAR IEC 61499

Sistem kontrol level fluida pada proses industri umumnya menggunakan pengontrol PID yang performanya dapat menurun akibat non linearitas plant dan saturasi aktuator. Penelitian ini mengembangkan pengontrol supervisori berbasis Twin Delayed Deep Deterministic Policy Gradient (TD3) dengan pendekatan Hybrid Reference Control (HRC) untuk memperbaiki kinerja PID pada sistem tiga tangki terkopel. Agen TD3 menghasilkan sinyal koreksi referensi secara adaptif tanpa mengubah struktur pengontrol PID yang sudah ada. Parameter model sistem diidentifikasi menggunakan Particle Swarm Optimization (PSO) dengan RMSE total 2,555 cm. Pengontrol PID dirancang menggunakan metode pembentukan kalang dengan phase margin 69° dan gain margin 44,31 dB. Pelatihan agen TD3 dilakukan melalui dua jalur yang dibandingkan yaitu Behavioral Cloning (BC) dari HRC manual terpilih sebagai inisialisasi start hangat sebelum penalaan halus TD3 dan melatih agen TD3 dari inisialisasi acak. Fungsi reward dirancang dengan lima komponen yang mencakup penalti galat pelacakan, penalti lonjakan, bonus tunak, penalti perubahan aksi katup, dan penalti pita mati dengan histerisis Evaluasi pada sembilan skenario kombinasi titik acuan dan kondisi awal menunjukkan bahwa agen BC-TD3 terpilih menghasilkan penurunan rata-rata lonjakan sebesar 50,70% (dari 4,33% menjadi 2,14%) dan penurunan rata-rata waktu tunak sebesar 22,68% (dari 1.347 s menjadi 1.042 s) dibandingkan PID acuan, sedangkan TD3 inisialiasi acak hanya unggul pada waktu naik tercepat (448 s) namun menghasilkan lonjakan dan steady-state error besar. Pengujian pada plant fisik menggunakan EcoStruxure Automation Expert menunjukkan sistem berhasil melakukan pelacakan titik acuan dengan steady-state error 0,51 cm. Sistem diimplementasikan pada arsitektur IEC 61499 menggunakan pengontrol Harmony BX1 melalui empat Basic Function Block, mengonfirmasi kelayakan penerapan algoritma deep reinforcement learning pada perangkat keras otomasi industri.