Professional Documents
Culture Documents
TESIS
Nama
NPM
: NANA SUTARNA
: 0606003543
FAKULTAS TEKNIK
PROGRAM PASCA SARJANA
DEPOK
JUNI 2009
UNIVERSITAS INDONESIA
TESIS
Nama
NPM
: NANA SUTARNA
: 0606003543
FAKULTAS TEKNIK
PROGRAM PASCA SARJANA
TEKNIK KONTROL INDUSTRI
DEPOK
JUNI 2009
Nama
NPM
Tanda Tangan
: NANA SUTARNA
: 0606003543
:
Tanggal
: 16 JUNI 2009
Puji syukur saya panjatkan kepada Tuhan Yang Maha Esa, karena atas berkat
dan rahmat-Nya, saya dapat menyelesaikan tesis ini. Penulisan tesis ini
dilakukan dalam rangka memenuhi salah satu syarat untuk mencapai gelar
Magister Teknik Jurusan Teknik Elektro pada Fakultas Teknik Universitas
Indonesia. Saya menyadari bahwa, tanpa bantuan dan bimbingan dari berbagai
pihak, dari masa perkuliahan sampai pada penyusunan tesis ini, sangatlah sulit
bagi saya untuk menyelesaikan tesis ini. Oleh karena itu, saya mengucapkan
terima kasih kepada:
(1) DR Ir. Fery Yusivar, M.T, dan Ir. Aries Subiantoro, M.Sc. selaku dosen
pembimbing bidang kendali Teknik Elektro yang telah menyediakan waktu,
tenaga, dan pikiran untuk mengarahkan saya dalam penyusunan tesis ini;
(2) DR. Ir. Nasrudin M.Sc, selaku dosen pembimbing untuk bidang
termodinamika Jurusan Teknik Mesin, yang telah memberikan pemahaman
yang dalam tentang sistem refrigerator khususnya PAC.
(3) Istri tercinta: Mardiyanti, MPd yang telah memberikan bantuan doa, dukungan
material dan moral; dan
(4) sahabat-sahabat yang telah banyak membantu saya dalam menyelesaikan tesis
ini.
Akhir kata, saya berharap Allah Yang Maha Esa berkenan membalas
segala kebaikan semua pihak yang telah membantu. Semoga tesis ini membawa
manfaat bagi pengembangan ilmu pengetahuan.
Penulis
: Nana Sutarna
NPM
: 0606003543
: Elektro
Fakultas
: Teknik
Jenis karya
: Tesis
Beserta perangkat yang ada (jika diperlukan). Dengan hak bebas Royalti noneksklusif
ini, Universitas Indonesia berhak menyimpan, mengalihmedia/formatkan, mengelola
dalam bentuk pangkalan data (database), merawat dan mempublikasikan tugas akhir
saya selama tetap mencantumkan nama saya sebagai penulis/pencipta dan sebagai
pemilik hak cipta.
Demikian pernyataan ini saya buat dengan sebenarnya.
Dibuat di : Jakarta
Pada Tanggal : 05 Juli 2009
Yang meanyatakan
( Nana Sutarna )
ABSTRAK
Nama
: Nana Sutarna
Program Studi : Teknik Kontrol Industri
Judul
: Disain Algoritma Model Predictive Control Pada Pengendalian
Sistem Tata Udara Presisi
Model sistem tata udara presisi dimodelkan sebagai sebuah sistem multivariable
dengan dua output yaitu temperature dan kelembaban dan dua input yaitu
kecepatan putaran motor dan bukaan valve. Pada model ini ada masalah coupling
diantara input dan outputnya. Model Predictive Control (MPC) adalah salah satu
cara untuk mengatasi masalah coupling dalam sistem multivariable. Pengendali
MPC dirancang tanpa constraints untuk menentukan agoritma yang handal. Dari
hasil simulasi nampak bahwa parameter-parameter pengendali yang terbaik adalah
horizon Hp=10, Hu=4, matrik pembobotan R=0.1, dan Q=3. Dengan parameter ini
respon keluarannya mengikuti sinyal set point
Kata kunci: Sistem Tata Udara Presisi, MPC, Hp, Hu, Q dan R.
ABSTRACT
Name
: Nana Sutarna
Study Program : Teknik Kontrol Industri
Title
: Design of Model Predictive Control Algorithm For Precision
Air Conditioning (PAC)
DAFTAR ISI
HALAMAN JUDUL...
LEMBAR PERNYATAAN
ORISINALITAS.
LEMBAR PENGESAHAN ...
UCAPAN TERIMA KASIH .
LEMBAR PUBLIKASI KARYA ILMIAH ..
ABSTRAK
DAFTAR ISI .
DAFTAR GAMBAR
DAFTAR TABEL ..
1. PENDAHULUAN
1.1 Latar Belakang
1.2 Perumusan masalah
1.3 Tujuan Penelitian
1.4 Batasan Masalah
1.5 Metodologi Penelitian .......................................................................
1.6. Sistematika Penulisan .......................................................................
2. MODEL PREDICTIVE CONTROL.
2.1 Konsep Dasar Model Predictive Control (MPC).
2.2 Fungsi kriteria pada Model Predictive Control...................................
2.3 Model Proses......................................................................................
iii
iv
v
vi
vii
ix
xi
1
1
2
2
3
3
3
4
4
6
7
i
ii
12
15
15
16
17
19
20
21
21
21
24
26
26
28
29
34
DAFTAR REFERENSI
35
31
DAFTAR GAMBAR
Gambar 2.1
Gambar 2.2
Gambar 3.1
Gambar 3.2
Gambar 3.3
Gambar 3.4
Gambar 3.5
Gambar 3.6
Gambar 3.7
Gambar 4.1
Gambar 4.2
Gambar 4.3
Gambar 4.4
Gambar 4.5
Gambar 4.6
Gambar 4.7
Gambar 4.8
Gambar 4.9
Gamabr 4.10
6
6
16
17
17
18
19
20
26
27
28
28
29
29
31
31
32
33
33
BAB 1
PENDAHULUAN
tentu menyebabkan hasil kendali menjadi kurang baik, terutama jika terjadi
pemotongan paksa terhadap sinyal kendali sebelum masuk ke plant. Pemotongan
sinyal kendali biasanya terjadi ketika nilai trayektori acuan berubah secara
mendadak. Kondisi ini tidak akan terjadi pada MPC karena pengendali dapat
memprediksi keluaran proses yang akan datang serta tidak mengabaikan batasanbatasan yang ada.
Banyaknya faktor yang harus diperhitungkan pada pengendali MPC
membuat algoritma MPC menjadi sangat panjang dan rumit. Masalah utama
metode MPC adalah pada model, karena itu dibutuhkan bentuk model yang baik
yang benar-benar mewakili bentuk model plant yang sebenarnya. Karena MPC
adalah salah satu pengendali yang berbasiskan pada model.
BAB 2
MODEL PREDICTIVE CONTROL
2.1.
pemakaian
sinyal
kendali
pertama
(yaitu
u(k))
untuk
memperhitungkan
batasan
atau
constraint
dalam
pengendali.
merancang
8. Sangat berguna jika sinyal acuan untuk masa yang akan datang diketahui.
Selain beragam keuntungan yang dimiliki, metode MPC juga mempunyai
kelemahan, yaitu masalah penurunan aturan sinyal kendali yang cukup kompleks
dan keperluan akan model proses yang baik.
Struktur dasar dari pengendali MPC dapat dilihat pada gambar 2.1.
Metodologi semua jenis pengendali yang termasuk kedalam kategori MPC dapat
dikenali oleh strategi berikut:
1. Keluaran proses yang akan datang untuk rentang horizon Hp yang ditentukan
yang dinamakan sebagai prediction horizon, diprediksi pada setiap waktu
pencuplikan dengan menggunakan model proses. Keluaran proses terprediksi
ini y(k+i|k) untuk i =1 Hp bergantung pada nilai masukan dan keluaran
lampau dan kepada sinyal kendali yang akan datang u(k+i|k), i = 0 Hp-1,
yang akan digunakan sistem dan harus dihitung.
2. Serangkaian sinyal kendali dihitung dengan mengoptimasi suatu fungsi
kriteria yang ditetapkan sebelumnya, dengan tujuan untuk menjaga proses
sedekat mungkin terhadap trayektori acuan r(k+i). Fungsi kriteria tersebut
umumnya berupa suatu fungsi kuadratik dari kesalahan antara sinyal keluaran
terprediksi dengan trayektori acuan. Solusi eksplisit dapat diperoleh jika
fungsi kriteria adalah kuadratik, model linier, dan tidak ada constraints, jika
tidak, optimasi iteratif harus digunakan untuk memecahkannya. Langkah
pertama dan kedua dapat diilustrasikan pada Gambar 2.2.
3. Sinyal kendali u(k|k) dikirim ke proses, sedangkan sinyal kendali terprediksi
berikutnya dibuang, karena pada pencuplikan berikutnya y(k+1) sudah
diketahui nilainya. Maka langkah pertama diulang dengan nilai keluaran
proses yang baru dan semua prosedur perhitungan yang diperlukan
diperbaiki. Sinyal kendali yang baru u(k+1|k+1) (nilainya berbeda dengan
u(k+1|k)) dihitung dengan menggunakan konsep receding horizon.
Masukan dan
keluaran lampau
Keluaran
terprediksi
Model
Masukan yang
akan datang
Optimizer
Fungsi
kriteria
Trayektori
acuan
Kesalahan
prediksi
constraint
)
y(k + 1 k )
Hp
Hu 1
)
V (k ) = || y (k + i | k ) r (k + i | k ) || Q2 (i ) + || u (k + i | k ) || 2R (i )
i =1
(2.1)
i=0
dengan :
)
y ( k + i | k ) = keluaran terprediksi untuk i-langkah kedepan saat waktu k
r (k + i | k ) = nilai trayektori acuan (reference trajectory)
Hp = prediction horizon
Hu = control horizon
Dari persamaan fungsi kriteria tersebut, selalu dibuat asumsi bahwa nilai Hu
< Hp dan u (k + i | k ) = 0 untuk i Hu, sehingga nilai masukan terprediksi
)
)
u (k + i | k ) = u (k + Hu i | k ) untuk semua i Hu seperti yang terlihat pada
Gambar 2.2.
Bentuk dari fungsi kriteria pada persamaan (2.1) menyatakan bahwa
)
vektor kesalahan y (k + i | k ) r (k + i | k ) dibebankan pada setiap rentang
masukan
penggunaan u (k + i | k )
dalam
yang
rentang
pada
control
fungsi
horizon.
kriteria
Pemilihan
bertujuan
untuk
Pada pembahasan skripsi ini, model proses yang digunakan berupa model
ruang keadaan diskrit linier seperti berikut :
x(k + 1) = A x(k ) + Bu (k )
(2.2)
y (k ) = C x(k )
(2.3)
dengan :
u (k ) = vektor masukan berdimensi-(l x 1)
Model ruang keadaan pada persamaan (2.2) dan (2.3) adalah model ruang
keadaan untuk proses yang bersifat linier. Pada skripsi ini, vektor masukan u (k )
dan keluaran y (k ) masing-masing berdimensi satu.
2.4. Prediksi
dari variabel keadaan saat ini x(k ) , nilai masukan yang lampau u (k 1) , dan nilai
perkiraan dari perubahan masukan yang akan datang u (k + i | k ) . Sebelum
melangkah lebih jauh, hal pertama yang harus dilakukan adalah memprediksi nilai
variabel keadaan dengan melakukan iterasi model ruang keadaan pada persamaan
(2.2) dan (2.3). Perhitungan prediksi variabel keadaan adalah sebagai berikut
x (k + 1 | k ) = A x(k ) + Bu (k | k )
(2.4)
x (k + 2 | k ) = A x (k + 1 | k ) + Bu (k + 1 | k )
= A2 x(k ) + ABu (k | k ) + Bu (k + 1 | k )
(2.5)
x (k + Hp | k ) = A x (k + Hp 1 | k ) + Bu (k + Hp 1 | k )
Hp
= A x(k ) + A
Hp 1
Bu (k | k ) + K + Bu (k + Hp 1 | k )
(2.6)
u (k + i | k ) = u (k + i | k ) u (k + i 1 | k )
(2.7)
dan pada setiap waktu pencuplikan k nilai yang sudah diketahui hanya u(k-1),
maka
u (k | k ) = u (k | k ) + u (k 1 | k )
(2.8)
u (k + 1 | k ) = u (k + 1 | k ) + u (k | k ) + u (k 1 | k )
(2.9)
u (k + Hu 1 | k ) = u (k + Hu 1 | k ) + K + u (k | k ) + u (k 1 | k ) (2.10)
(2.11)
= A 2 x(k ) + ( A + I )B u (k | k ) + B u (k + 1 | k ) + ( A + I )Bu (k 1)
(2.12)
M
Hu
Hu 1
+ K + A + I B u (k | k ) + K
x (k + Hu | k ) = A x(k ) + A
(2.13)
Hu 1
+ B u (k + Hu 1 | k ) + A
+ K + A + I Bu (k 1)
)
)
Dengan mengacu pada persamaan u ( k + i | k ) = u ( k + Hu i | k ) untuk
)
+ ( A + I )B u (k + Hu 1 | k ) + (A
Hu +1
Hu
x (k + Hu + 1 | k ) = A
x(k ) + A + K + A + I B u (k | k ) + K
Hu
+ K + A + I Bu (k 1)
(2.14)
Hp
Hp 1
x (k + Hp | k ) = A x(k ) + A
+ K + A + I B u (k | k ) + K
(
+ (A
+ A
Hp Hu
Hp 1
+ K + A + I B u (k + Hu 1 | k )
(2.15)
+ K + A + I Bu (k 1)
x ( k + 1 k ) A
M
M
x ( k + H u k ) A Hu
=
x(k ) +
x ( k + H u + 1 k ) A Hu + 1
M
M
x ( k + H u k ) A Hp
424
1
Hu 1 A i B
i = 0
Hu A i B u ( k 1)
i = 0
Hp 1
i
A
B
i=0
4
1
4
2 44
3
1 4 4 4 4 442 44 4 4 4 43
lampau
0 nxl
L
AB + B
0nxl
L
M
O
M
u (k )
Hu 1 i
B
+ i = 0 A B L
M
u (k + Hu 1)
Hu i
AB + B
i = 0 A B L
M
L
M
Hp Hu i
Hp 1 i
i = 0 A B L i = 0 A B
1444442444443
1444444
44424444444443
(2.16)
Pr ediksi
berikut ini
y (k + 1 | k ) = C x (k + 1 | k )
(2.17)
y (k + 2 | k ) = C x (k + 2 | k )
(2.18)
y (k + Hp | k ) = C x (k + Hp | k )
(2.19)
0 mxn
M
M
= M
M
O
M
y (k + Hp | k )
(
|
)
x
k
+
Hp
k
0 mxn 0 mxn L C
1
444424444
3
Cy
(2.20)
2
Q
+ U ( k )
2
R
(2.21)
dengan
y (k + 1 | k )
r (k + 1 | k )
M
Y (k ) =
M
, T (k ) =
y (k + Hp | k )
r
(
k
+
Hp
|
k
)
u (k | k )
U (k ) =
M
u (k + Hu 1 | k )
0
Q (1) L
Q= M
O
M
0 L Q ( Hp)
(2.22)
R(0) L
R= M
O
M
0
L R( Hu 1)
(2.23)
(2.24)
tanggapan bebas dari sistem. Tanggapan bebas adalah tanggapan yang akan terjadi
pada rentang prediction horizon jika tidak ada perubahan nilai masukan (U(k) =
(2.25)
2
Q
+ U (k )
(2.26)
][
= U (k ) C y E (k ) Q C y U (k ) E (k ) + U (k ) R U (k )
(2.27)
= E (k )QE (k ) U (k )2 C y QE (k ) + U (k ) C y QC y + R U (k )
14
4244
3
144244
3
144
42444
3
c1
G
H
(2.28)
V (k ) = c1 U (k )G + U (k )H U (k )
(2.29)
dengan
T
G = 2 C y QE (k )
dan
(2.30)
H = C y QC y + R
(2.31)
Nilai optimal U(k) dapat dihitung dengan membuat gradien dari V(k)
U ( k ) V (k ) = G + 2H U (k )
(2.32)
U (k ) opt = H G
(2.33)
Setelah nilai matriks U(k) didapatkan, maka nilai yang digunakan untuk
mengubah sinyal kendali hanya nilai dari baris pertama matriks U(k) sedangkan