DASAR TEKNIK KENDALI PROSES DI INDUSTRI DAN BANGUNAN Noor Fachrizal B2TE-BPPT Puspiptek Serpong Abstrak. Penghematan energi, baik di industri maupun di bangunan, selain membutuhkan system/proses yang efisien, juga dibutuhkan metode kendali yang tepat dan efisien. Pengetahuan tentang metode kendali membutuhkan pengetahuan tentang prose situ sendiri. Berikut diuraikan bebrapa model proses dan metode kendali yang umum digunakan di industri maupun dibangunan. Kata Kunci : Kendali proses, ruanh keadaan, on-off, PID, optimal, jst 1. PENDAHULUAN Sistem kendali dalam berbagai proses di industri maupun pengaturan di bangunan memiliki peranan yang penting untuk mengendalikan penggunaan energi maupun bahan baku. Selain mendesain langkah dalam proses maupun penggunaan perangkat proses yang efisien, hasil yang diperoleh belum tentu efisien bila tidak disertai sistem pengendalian proses yang tepat. Ada dua aspek penting yang menentukan pengendalian proses tersebut dapat efisien atau, yaitu :
Apakah variabel proses dapat mencapai target yang diinginkan Bagaimana variabel tersebut mencapai target yang dinginkan.
Di dalam kedua aspek tersebut di atas akan terkait dengan semua aspek yang terkandung dalam metode/teknik pengendalian, seperti kestabilan proses, konstanta waktu, waktu sampling untuk sistem kendali digital, persentase lonjakan, offset, settling time, linieritas, akurasi sistem pengukuran, faktor gangguan, dan sebagainya. Semua itu akan menentukan efisiensi proses sepanjang proses berlangsung. Dalam sistem kendali proses di industri maupun pengaturan di bangunan memerlukan sistem pengukuran yang akurat, agar target proses dapat tercapai sesuai yang dirancang. Dalam hal ini, sistem kendali yang dimaksud adalah sistem kendali berumpan balik, yaitu dalam suatu siklus lingkar tertutup. Sedangkan sistem kendali lingkar terbuka tidak termasuk dalam bahasan, sebab jarang digunakan pada proses di industri karena tidak peka terhadap gangguan yang terjadi pada proses akibat tidak memiliki umpan balik. Sistem kendali lingkar terbuka hanya digunakan pada proses yang tidak memiliki gangguan internal maupun eksternal, tidak tergantung pada variabel ukur dan cukup menggunakan pengatur waktu misalnya seperti mesin cuci. Pengetahuan tentang prilaku proses yang dikendalikan memegang peranan penting untuk mendapatkan sistem kendali yang tepat. Berbagai pendekatan dapat dilakukan untuk memodelkan sebuah proses yang dikontrol, berdasarkan model ini ditentukan konfigurasi dan metode kontrol yang paling optimal, dalam pengertian paling 1
sederhana namun dapat memberikan respon yang memadai. Biaya operasi proses, harga perangkat kontroler serta perangkat pendukungnya, kerumitan model proses dan metode kendali, peningkatan efisiensi yang dihasilkan, kemudahan operasional dan perawatan, menjadi pertimbangan dalam memilih sistem kendali. 2. TEORI DASAR SISTEM KENDALI 2.1 Bagan Sistem Kendali Sistem kendali dan pengaturan paling sederhana terdiri dari satu siklus, pada prinsipnya terdiri dari 4 komponen utama, yaitu :
Proses, adalah komponen yang dikontrol, dilambangkan oleh vaiabel proses, seperti temperatur, tekanan, level, flow, kekentalan, konsentrasi, dan sebagainya. Sistem pengukuran, dalam hal ini sensor dan perangkat masukan lainnya yang dibutuhkan, sesuai dengan variabel yang akan diukur. Kontroler, adalah komponen yang bertugas mengumpulkan sinyal informasi aktual hasil pengukuran variabel kendali, membandingkan dengan harga yang diinginkan, membuat keputusan dan mengirimkan sinyal kendali ke aktuator proses. Aktuator, adalah komponen yang meneruskan sinyal kendali ke variabel masukan dari proses yang dikontrol. Aktuator dapat berupa motor damper, keran (valve), pemanas listrik, dan sebagainya.
Proses, sensor serta pengkondisi sinyal, dan aktuator disebut Proses Yang Dikontrol (plant) di satu sisi, dan Kontroler sebagai pengendali di sisi lainnya. Dalam penulisan bagan sistem kendali, selain proses dan kontroler, selalu disertakan komponen gangguan yang unpredictable, sebab gangguan yang dapat diramal dapat dibuatkan kompensator dalam sistem pengukuran ataupun aktuatornya. Bagan sistem kendali sederhana ini diberikan pada gambar 1.
Gangguan η(s) C(s) D(s) ε(s)
R(s)
K(s)
U(s)
P(s) +
+
X(s) +
_
Proses Kontroler
Gambar 1. Skema sistem kontrol 2
Pada gambar 1 diperlihatkan komponen sistem kendali terdiri dari proses P(s), Pengendali K(s), sinyal acuan R(s), dan komponen gangguan C(s) dengan masukan gangguan putih η(s), s adalah operator laplace. Pengendalian proses tak lepas dari memodelkan sistem, baik model proses, model gangguan, maupun model pengendali itu sendiri. P(s), K(s), dan C(s) adalah model yang dikembangkan berdasarkan kriteria tertentu dan divalidasi berdasarkan kriteria tersebut. Dalam memodelkan tak ada model yang salah atau benar, tetapi model yang dihasilkan ada yang baik dan yang kurang baik. Banyak konfigurasi atau metode yang digunakan untuk memodelkan sistem kendali, semua bergantung pada proses yang dikontrol, dan hasil akhirnya yaitu respon sistem kendali (seperti kecepatan respon, minimasi energi, dll). Hubungan masukan-keluaran pada diagram blok gambar 1 diberikan :
X (s) =
K ( s) P( s) C ( s) R( s) + η ( s) 1 + K ( s) P( s) 1 + K ( s) P( s)
(1)
Model persamaan (1) disebut fungsi alih bersifat stokastik karena melibatkan komponen/model gangguan, sedangkan bila tanpa melibatkan komponen gangguan, sistem disebut deterministik. Bagan gambar 1 di atas juga berlaku untuk sistem MIMO (multi input multi output). Persamaan (1) dapat juga direpresentasikan dalam model diskrit, yaitu :
X ( z) =
K ( z ) P( z ) C ( z) R( z ) + η( z) 1 + K ( z ) P( z ) 1 + K ( z ) P( z )
(2)
dengan z adalah operator transformasi z. Proses dalam sistem diskrit adalah semua yang berada di luar sistem digital/komputer, yaitu sensor, pengkondisi sinyal, ADC, ZOH, DAC, hingga aktuator serta prosesnya sendiri. Tugas utama dalam perancangan sistem kendali adalah untuk merancang generator sinyal kendali, yaitu komponen K(s) atau K(z). Untuk mendapatkan komponen kendali ini dibutuhkan pengetahuan tentang prilaku proses yang dikontrol sehingga dapat dirancang konfigurasi/metode kontrol yang tepat sesuai target yang diinginkan.
2.3 Model proses
Model dinamika proses sistem fisik umumnya direpresentasikan dalam bentuk persamaan matematika dalam bentuk polinomial. Ada metode lain yang disebut model kotak hitam (black box) seperti model jaringan saraf tiruan (neural net). Dalam proses pembelajaran model ini pada prinsipnya tetap menggunakan matematika sebagai alat untuk mengiterasi, dan pada akhirnya model tetap direpresentasikan dalam bentuk persamaan matematika yang menghubungkan keluaran model Neural Net dan masukannya. Karena itu dalam pembahasan ini lebih ditekankan pada model konvensional/ matematika standar.
3
Dalam pembahasan berikut, semua variabel keluaran dinotasikan dengan X, sedangkan variabel keadaan dinotasikan dengan Y atau X, variabel masukan U, A adalah parameter keluaran, sedangkan notasi B merupakan parameter masukan model.
2.3.1 Berdasarkan orde proses
♦ Sistem orde nol Hubungan keluaran dan masukan pada proses yang didekati oleh model Orde Nol didiskripsikan oleh persamaan :
X (t ) = B(t ) U (t ) (3) Contoh sistem ini adalah rangkaian listrik dengan komponen resistor atau sistem penguat. ♦ Sistem orde satu dX (t ) + A(t ) X (t ) = B(t ) U (t ) dt Proses termal umumnya merupakan sistem berorde satu.
(4)
♦ Sistem orde dua d 2 X (t ) dX (t ) + A1 (t ) + A2 (t ) X (t ) = B(t ) U (t ) (5) 2 dt dt Sistem servomekanisme dan seismograf adalah contoh sistem berorde dua. ♦ Sistem berorde banyak d n X (t ) d 2 X (t ) dX (t ) + ..... + A ( t ) + An −1 (t ) + An (t ) X (t ) = B(t ) U (t ) (6) n−2 n 2 dt dt dt Pada model orde satu ke atas, untuk penyederhanaan parameter masuk diasumsikan berorde nol. Pada sistem-sistem lain yang berorde di atas nol akan membutuhkan penyelesaian persamaan yang lebih rumit.
2.3.2 Berdasarkan sifat kelinieran.
♦ Model linier stasioner d n X (t ) d 2 X (t ) dX (t ) + ..... + A + An −1 + An X (t ) = B U (t ) n−2 n 2 dt dt dt
(7)
Di sini semua parameter konstan sehingga disebut stasioner.
4
♦ Model linier non-stasioner d n X (t ) d 2 X (t ) dX (t ) + ..... + A ( t ) + An −1 (t ) + An (t ) X (t ) = B(t ) U (t ) n−2 n 2 dt dt dt
(8)
Model non-stasioner ini sering juga disebut model time-invarian (time-varying), dimana parameter model berubah terhadap waktu atau variabel lainnya. Sebenarnya model linier non-stasioner ini dapat dibentuk dari persamaan polinomial non-linier yang ‘dilinierkan’ menjadi persamaan dengan format linier namun memiliki parameter yang merupakan fungsi dari waktu atau variabel maupun kombinasi berbagai variabel lainnya. Selama proses relatif lambat, pendekatan ini dapat dilakukan. Cara ini banyak dilakukan pada sistem kendali adaptif tak langsung menggunakan algoritma estimasi parameter proses rekursif. ♦ Model Non-linier Sistem non-linier adalah sistem yang dinyatakan oleh persamaan non-linier, seperti
X (t ) = B(t ) sin U (t )
(9a)
X (t ) = B(t ) U 2 (t )
(9b)
dX (t ) d n tan( X (t )) An (t ) X (t ) + An −1 (t ) + ..... + = B(t ) cos U (t ) dt dt n
(9c)
Bentuk ketidak linieran lainnya adalah ketidaklinieran saturasi, daerah mati (deadband), atau bentuk histeresis. 2.3.3 Berdasarkan banyaknya masukan/keluaran
Proses dengan model SISO d n X (t ) d 2 X (t ) dX (t ) + ..... + A ( t ) + An −1 (t ) + An (t ) X (t ) = B(t ) U (t ) n−2 n 2 dt dt dt
(10)
Persamaan ini meski variabel keluarannya berorde n, tetapi hanya memiliki satu keluaran dan satu masukan, karena itu persaamaan tersebut disebit sistem single-input single-outpu (SISO). Persamaan ini standar dan paling mudah untuk dicari penyeleaiannya. Model SIMO dX 1 (t ) = B1 (t ) U (t ) dt dX (t ) A22 (t ) X 2 (t ) + A21 (t ) X 2 (t ) + 1 = B2 (t ) U (t ) dt A12 (t ) X 1 (t ) + A11 (t ) X 1 +
(11)
Model MISO
5
A2 (t ) X (t ) + A1 (t )
dX (t ) d 2 X (t ) + = B1 (t ) U1 (t ) + B2 (t ) U 2 (t ) dt dt 2
(12)
Model MIMO dX 1 (t ) = B11 (t ) U1 (t ) + B12 (t ) U 2 (t ) dt d 2 X 2 (t ) A22 (t ) X 2 (t ) + A21 (t ) X 2 (t ) + = B21 (t ) U1 (t ) + B22 (t ) U 2 (t ) dt 2 A12 (t ) X 1 (t ) + A11 (t ) X 2 (t ) +
(13)
2.3.4 Representasi model ruang keadaan
Model SISO Model polinomial SISO : d n X (t ) d 2 X (t ) dX (t ) + ..... + An − 2 (t ) + An −1 (t ) + An (t ) X (t ) = B(t ) U (t ) n 2 dt dt dt
(14)
•
dengan mengasumsikan Y1=X, Y2= X ,…., Yn dapat dituliskan dalam bentuk persamaan ruang keadaan, yaitu :
⎛• ⎞ ⎛ 0 1 0 ⎜ Y (t ) ⎟ ⎜ 0 1 ⎜ 1 ⎟ ⎜ 0 ⎜ . ⎟ ⎜ . . . ⎜ . ⎟=⎜ . . ⎜ . ⎟ ⎜ . . . . ⎜• ⎟ ⎜ ⎜⎜ Y (t ) ⎟⎟ ⎜ − A − A −A n −1 n−2 ⎝ n ⎠ ⎝ n
⎞ ⎛ Y (t ) ⎞ ⎟ ⎜ 1 ⎟ ⎛ 0⎞ ⎟ ⎜ . ⎟ ⎜.⎟ ⎜ ⎟ ⎟ ⎜ .. . ⎟ ( ) + t . ⎜ . ⎟(t )U (t ) . ⎟ ⎜ ⎟ ⎟ ⎜ . ⎟ ⎜.⎟ .. . . ⎟ ⎜ Y (t ) ⎟ ⎜ 1 ⎟ .. . − A ⎟ ⎝ n ⎠ ⎝ ⎠ 1⎠ .. . .. .
0 0 .
(15)
•
atau dapat dituliskan dalam notasi matriks Y (t ) = A(t )Y (t ) + B (t )U (t ) Model MIMO Model MIMO di atas dapat dituliskan kembali dalam bentuk ruang keadaan :
⎛ • ⎞ ⎜ X (t ) ⎟ ⎛ − A − A ⎞ ⎛ X (t ) ⎞ ⎛ B B 12 ⎟(t )⎜ 1 ⎟ + ⎜ 11 12 ⎜ 1 ⎟ = ⎜ 11 ⎜ • ⎟ ⎝ − A21 − A22 ⎠ ⎜⎝ X 2 (t ) ⎟⎠ ⎜⎝ B21 B22 ⎜ X (t ) ⎟ ⎝ 2 ⎠
⎞ ⎛ u1(t ) ⎞ ⎟(t ) ⎜ ⎟ ⎟ ⎜ u (t ) ⎟ ⎠ ⎝ 2 ⎠
(16)
•
atau dapat dituliskan juga X (t ) = A(t ) X (t ) + B (t )U (t ) 2.4 Metode Pengendalian 2.4.1 Pengendali dua posisi (ON/OFF)
6
Kerja pengendali ini yang paling sederhana dan murah , yaitu hanya mempunyai dua posisi tetap : hidup (ON) dan mati (OFF). Metode dua posisi ini paling banyak dipakai di industri maupun rumah tangga. Aksi kendali dua posisi ini dilakukan bila nilai variabel aktualnya dilampaui. Misalkan sinyal selisih harga acuan dan nilai aktual (sinyal kesalahan ukur) adalah ε(t) dan keluaran kendali u(t), sehingga berdasarkan diagram gambar 1, misalnya : U(t) = 220VAC, bila ε(t) > 0 U(t) = O VAC, bila ε(t) < 0 Sebagai contoh, pemanas listrik menggunakan terrmostat yang di-set pada temperatur 50oC. Pada temperatur di bawah 50oC pemanas menyala dan akan mati bila di atas 50oC. Contoh lain adalah katup solenoid, pengendali nyala lampu jalan, dll. Pengendali dua posisi ini memiliki algoritma kendali yang sederhana, nyala dan padam. Pada aksi kendali ini, keluaran sinyal kendali akan tetap pada harga saat ini sampai sinyal kesalahan ukur bergeser sedikit dari harga nol. Daerah aksi di sekitar nol ini disebut celah diferensial (differntial gap). Celah ini dapat diakibatkan kelambanan gerak atau gesekan. Pada beberapa pengendali elektronik, celah diferensial ini sering disertakan sebagai parameter masukan yang dapat di-tune dalam setting program kendalinya, sering juga disebut sebagai dead-band, dimaksudkan untuk mencegah operasi mekanisme “on-off’ yang terlalu sering, atau untuk menghindari lonjakan respon kendali yang berlebihan sehingga mengganggu proses atau menghamburkan energi. 2.4.2 Pengendali PID
Pengendali PID terdiri dari 3 komponen aksi kendali, yaitu Aksi Proporsional (P), Integral (I), dan Derivatif (D). Masing-masing memiliki fungsi pada respon kendali keseluruhan. Keluaran kendali, yaitu sinyal masukan untuk proses yang dikontrol (manipulated variables), dalam aksi kendali diberikan (dalam bentuk persamaan kontinyu) : t ⎛ ⎞ de(t ) 1 ⎜ + ∫ e(t ) dt ⎟⎟ U (t ) = K p ⎜ e(t ) + Td dt Ti 0 ⎝ ⎠
(17)
Kontrol P adalah memiliki pengaruh aksi yang proporsional dan cepat, namun memiliki kelemahan terdapatnya offset pada responnya. Komponen Integral dilibatkan untuk mengkoreksi offset tersebut, namun respon menjadi lambat. Pengimbuhan komponen Derivatif dapat mempercepat respon kembali. Penggunaan kontrol PID tidak selalu melibatkan ketiga komponen, kadang hanya dibutuhkan hingga PI saja, dengan men-set salah satu komponen Td menjadi NOL. 2.4.3 Pengendali Optimal Berbeda dengan kontrol dua posisi dan PID yang dapat diperoleh dalam bentuk instrumen kontroler digital/elektronik, kontrol optimal lebih merupakan implementasi sistem kendali berbasis komputer/mikroprosesor, karena melibatkan aplikasi
7
algoritma komputasi yang rumit dan fleksibel. Karena itu segala aspek yang terkait dengan permasalahan kontrol digital dilibatkan di sini. Persoalan kontrol optimal yang dibahas disini adalah kontrol optimal energi berdasarkan indeks performansi kuadratik kondisi tunak.
+
K(s) ε(s)
R(s)
P(s) U(s)
X(s)
_ + Proses
Gambar 2. Skema kontrol optimal
Teknik optimasi sistem kendali pada dasarnya adalah untuk mendapatkan sinyal kontrol U(t) yang dihasilkan oleh matriks penguatan kendali K(t) untuk berdasarkan suatu indeks performansi linier kuadratik yang diminimumkan, yaitu : J =
∞ ∫ ( XQX + URU ) dt 0
(18a)
U(t) dianggap tanpa kendala, Q adalah matriks simetri nyata definit positif (atau semidefinit positif) dan R adalah matriks nyata definit positif. Suku pertama di ruas kanan menyatakan respon sistem (X) dan suku kedua menyatakan kebutuhan energi dari sinyal kontrol. Matriks Q dan R menentukan kepentingan relatif terhadap respon dan kebutuhan energi kontrol, sifat definit positif Q dan R ini yang membuat kontrol optimal stabil. Performansi tersebut diminimasi terhadap karakteristik (kendala) respon sistem : • X (t ) = AX (t ) + BU (t )
(18b)
Tugas perancangan kontrol optimal di sini adalah menentukan Matrik K berdasarkan indeks performansi tersebut. Hukum (vektor) kontrol optimal diberikan oleh : U (t ) = − KX
(18c)
untuk setiap syarat awal X(0). Dapat dilihat bahwa prinsip kontrol optimal adalah menentukan matrik K sedemikian sehingga indeks performansi J minimum untuk membawa sistem dari suatu kondisi awal X(0) ke titik asal 0. Dengan memecahkan persamaan Riccati yang dihasilkan dari penyelesaian persamaan-persamaan di atas, maka matrik kontrol optimal K dapat ditentukan. 8
2.4.4 Pengendali Adaptif
Metode kendali adaptif juga merupakan aplikasi metode kontrol berbasis komputer/mikroprosesor. Metode adaptif ini merupakan solusi untuk pengendalian proses yang non-stasioner atau setidaknya sistem non-linier yang dapat didekati model linier non-stasioner, artinya sistem proses yang parameternya dapat berubah setiap saat. Model adaptif ini juga dapat diterapkan pada proses yang parameternya sulit ditentukan melalui perhitungan matematika berdasarkan harga-harga parameter fisik/empiris.
Parameter Kontrol
Estimator Parameter
R(s) +
Kontrol
U(s)
Proses
X(s)
_
Gambar 3. Skema kontrol adaptif tak langsung
Pada struktur kontrol adaptif gambar 3 parameter kontrol ditentukan berdasarkan hasil estimasi model proses. Model proses dapat diidentifikasi secara batch maupun rekursif. Model proses umumnya diasumsikan memiliki struktur ARX atau ARMAX. Metode batch umumnya untuk mengidentifikasi model ARX, sedangkan metode rekursif dapat keduanya. Algoritma estimasi model yang sudah umum digunakan adalah kuadrat terkecil (least square) dengan berbagai variasi dan pengembangannya seperti maximum likelihood. Dalam algortima rekursif, struktur model ditentukan secara off-line, sedangkan parameter model ditentukan secara real-time. Berdasarkan struktur dan parameter model yang diperoleh melalui langkah estimasi, struktur dan parameter kontrol ditentukan, bergantung metode kontrol yang dipilih, misalnya aksi kontrol PI, PID, I-PD, pole-placement, ataupun metode optimal linier kuadratik. Berbagai pendekatan dapat dilakukan untuk mendapatkan respon yang paling sesuai dan paling optimum. Pada pengendali PID konvensional, parameter kontrol tetap selama tak ada perubahan tuning, tetapi pada sistem adaptif dinginkan parameter kontrol berubah mengikuti perubahan parameter model proses. Sebenarnya struktur pada gambar 3 di atas adalah struktur kontrol adaptif tak langsung, di manaparameter kontrol ditentukan secara tak langsung berdasakan hasil estimasi model proses. Struktur lainnya dari metode adaptif adalah struktur kontrol 9
adaptif langsung, di mana parameter kontrol diestimasi langsung dari informasi proses yang dikontrol. Sebagai contoh, gambar 4 menunjukkan struktur adaptif langsung model referen. Model Referen
XM(t) -
Mekanisme adaptasi
+ R(t) +
U(t) Kontrol
Proses
X(t)
_
Gambar 4. Skema kontrol adaptif langsung model referen
2.4.5 Pengendali Berbasis Jaringan Saraf Tiruan (JST)
Seperti pada metode optimal, Pengendali berbasis model Jaringan saraf tiruan juda merupakan salah satu metode yang diimplementasikan pada sistem kontrol berbasis komputer. Pada prinsipnya, metode ANN (Artificial Neural Network) atau jaringan saraf tiruan (JST) pada awalnya digunakan untuk menirukan kerja sistem syaraf manusia dalam untuk mengenal suatu pola misalnya huruf, suara ataupun hal lainnya. Namun dalam perkembangannya ANN ini dipergunakan untuk membuat suatu pemodelan ataupun pengontrolan suatu sistem yang cukup rumit dengan hasil yang lebih baik. Seiring dengan kemajuan teknologi mikroprosesor maka kemajuan teknologi sistem kontrol ikut terpacu pula. Pada dewasa ini aplikasi ANN telah mendapatkan tempat baik sebagai piranti untuk memodelkan suatu sistem (membuat emulator) maupun sebagai piranti untuk mengoptimalkan sistem kontrol suatu sistem. Pengendali berbasis JST ditunjukkan pada gambar 5, awalnya merupakan suatu metode peniruan terhadap sistem kendali dan model proses yang ada cara kerja sistem saraf manusia.
10
R
X
+
PROSES
REGULATOR _ +
+ REGULATOR JST
_
EMULATOR JST
_
Gambar 5. Skema sistem kendali berbasis JST
Model JST mula-mula digunakan sebagai pemodelan jaringan biologi untuk menirukan kemampuan pemrosesan yang unik pada jaringan saraf manusia. Namun model yang kemudian dikembangkan disederhanakan, sehingga model yang digunakan berbeda jauh dengan keadaan sebenarnya secara biologi. Kebanyakan ANN dibuat sedemikian mudah, dan hanya menampilkan beberapa sifat pentingnya. Contoh dari sebuah model JST ditampilkan pada Gambar 6.
X (k)
U1 (k)
U2 (k)
X (k-1)
X(k-2)
Gambar 6. Sebuah Model JST.
Setiap bulatan dalam gambar 6 adalah elemen pemroses yang dianalogikan dengan sel saraf (neuron). Antar neuron dihubungkan dengan koneksi yang diberi bobot melalui proses pembelajaran (learning process).
11
Langkah perancangan dapat dilakukan sebagai berikut : ♦ Pemilihan variabel masukan dan keluaran yang diperkirakan memberikan kontribusi terbesar pada proses. ♦ Pemilihan banyaknya lapisan neuron, yaitu lapisan masukan, lapisan antara dan lapisan keluaran. ♦ Pemilihan banyaknya neuron tiap lapisan. ♦ Seleksi data masukan dan keluaran model yang dianggap mewakili sistem yang ingin dimodelkan. ♦ Latih model tersebut hingga diperoleh bobot koneksi dengan kesalahan pembelajaran minimal. ♦ Cek silang dengan data-data yang lain. Bila hasilnya kurang memuaskan, lakukan iterasi kembali. ♦ Pembelajaran dapat dilakukan dengan menggunakan data yang sudah dioptimasi dengan menggunakan teknik optimasi misalnya Dynamic Programming. ♦ Model regulator dan emulator (proses) dapat dilatih serentak. Model emulator dibutuhkan untuk memvalidasi model regulator yang disintesa melalui uji simulasi. Salah satu metode pelatihan JST yang cukup populer adalah back-propagation dengan metoda supervised training. Model JST yang telah dihasilkan kemudian dapat dipasang secara real-time dalam mengatur proses Pada akhirnya model JST tidak lain dari suatu persamaan matematika sederhana untuk penghitungan suatu keluaran dari sejumlah harga-harga masukan. Keluaran suatu neuron sama dengan aktivasinya yang dihitung sebagai suatu jumlah aktivasi yang masuk (sesudah dikalikan dengan faktor bobotnya) dari neuron-neuron yang terkoneksi, dan dimodifikasi dengan suatu transfer function. Pemodelan neuron itu dilakukan dengan menyatakan keluaran melalui suatu fungsi sigmoid untuk menggambarkan efek ketidaklinearan. Efek threshold dimodelkan dengan menggunakan suatu bias dari masukan. Diagram dari JST sebenarnya suatu cara untuk menyatakan hubungan-hubungan matematis yang kompleks. Komponen-komponen dasarnya yaitu neuron (yang disebut juga elemen pemrosesan / processing element) dan koneksi-koneksinya. Setiap elemen pemrosesan mempunyai dua bagian: 1. Metoda penghitungan dari suatu tingkatan aktivitas internal. 2. Metoda mentransformasikan tingkatan aktivitas internal ke dalam suau keluaran. Dengan cara demikian NN dapat menuliskan berbagai macam fungsi misalnya : Regresi linear, regresi logistik,, multi-level logistic regression dan juga transformasi Fourier. Ada beberapa keuntungan yang didapat bila memakai JST : •
Model JST mempunyai kemampuan untuk mempelajari bagaimana melaksanakan tugas-tugas tertentu bila disampaikan sejumlah contoh-contoh. Misalnya, suatu network dapat dilatih untuk mengenali dan membedakan antara berbagai macam 12
•
•
• •
tulisan tangan dengan memperlihatkan beberapa versi dari setiap tulisan dengan karakter sebenarnya yang diwakili. Selama pelatihan dan pengoperasian, suatu JST mengatur dan membuat representasinya sendiri dari informasi yang diterimanya. Hal ini amat berlainan dengan metodologi pemrograman tradisional yang memerlukan seluruh data dibuat spesifik secara eksplisit oleh seorang programmer. Konsekuensinya, JST amat cocok untuk problem yang sukar (bahkan tidak mungkin) didefinisikan dalam sebuah model eksplisit, program ataupun aturan untuk mendapatkan suatu penyelesaian. Hal ini merupakan keuntungan, karena problem seperti itu amat banyak. JST memiliki toleransi terhadap kesalahan informasi. Ada dua macam toleransi yang dipunyai oleh JST, yaitu toleransi terhadap data yang dipenuhi derau, terganggu ataupun tidak lengkap, dan yang kedua adalah toleransi terhadap degradasi dari network itu sendiri. Bila suatu individu neuron rusak maka JST masih dapat berfungsi baik. Dengan menggunakan pemrosesan data secara paralel maka pemrosesan data akan lebih efisien. JST dapat diimplementasikan secara mudah pada teknologi yang ada karena sangat kompatibel.
Untuk pembuatan model proses, metode JST ini harus bersaing pula dengan Regresi Linier dan Regresi Polinomial. Perbandingan ketiga metoda untuk pembuatan model, diberikan pada Tabel 1.
Tabel 1. Perbandingan regresi linier, regresi polinomial dan ANN
Metoda Regresi Linier
Regresi Polinomial
JST
Keuntungan - Model mudah dipahami - Dapat membuat model pendekatan secara lokal untuk suatu hubungan yang rumit. - Hubungan yang lebih kompleks dapat dimodelkan dengan menggunakan formula yang lebih rumit - Menyarikan hubungan yang kompleks yang terdapat di dalam data - Biasanya memberikan solusi yang stabil meskipun dengan menggunakan parameter dalam jumlah banyak
Kerugian - Melupakan pengalaman (data) terdahulu, dikarenakan tidak ada memori yang dimasukkan ke dalam model. - Sukar untuk menafsirkan rumus yang didapat - Solusi bisa menjadi tidak stabil bila masukanmasukannya saling berkorelasi - Model sukar untuk ditafsirkan - Membutuhkan waktu yang lebih lama - Dengan kemampuan meniru, sulit diterapkan pada sistem yang belum optimal.
Model JST hanya mampu meniru sistem kendali yang sudah ada. Artinya, model JST ini sukar/tidak dapat diterapkan pada proses di mana sistem kendalinya belum disintesa. Begitu juga dengan sistem proses yang berubah terhadap waktu, proses pembelajaran secara off-line tidak dapat lagi diterapkan. Akibat berbagai kendala 13
tersebut, berkembanglah metode pembelajaran secara rekursif. Meniru sistem kendali yang sudah dirancang disebut pembelajaran tak langsung, Untuk sistem kendali yang belum disintesa, memanfaatkan sistem pembelajaran real-time untuk sistem tak stasioner, kemudian dikembangkan teknik inversi langsung. Pada prinsipnya, perancangan sistem kendali secara umum dapat didekati oleh inversi karateristik proses yang dikontrol. Dengan memanfaatkan kelebihan-kelebihan yang dimiliki model JST, proses inversi langsung bisa dilakukan untuk mensintesa sistem kendali berbasis JST. Dengan demikian berkembanglah teknik neuro-adaptive control.
3. INSTRUMEN PENGENDALI
Instrumen pengendali yang sudah dan amsih digunakan di industri adalah : a. Pengendali analog (mekanik/pneumatik) Pegendali analog merupakan pengendali yang paling tua digunakan, banyak menggunakan perangkat pneumatic maupun mekanik. b. Pengendali digital (on/off, PID, fuzzy) Pengendali ini paling popular digunakan, baik yang programmable maupun tidak, mulai dari on/off hingga yang telah diinjeksikan berbagai metode baru seperti wavelet maupun sistem pakar. c. Pengendali berbasis komputer Pengendali ini paling fleksibel, karena mudak mengubah metode kendali mengikuti perubahan proses yang dikendalikan, baik berbasis PC sampai mikrokontroler.. Pada sistem kendali berbasis komputer semua komponen di luar komputer dianggap proses dan semua komponen di luar proses dan gangguan dikerjakan dengan bantuan jasa komputer. Terdapat empat komponen dalam sistem kendali ini : Komputer Analog to Digital Converter (ADC) Digital to Analog Converter (DAC) Proses Komputer dan DAC dianggap satu unit sedangkan DAC dan proses dianggap satu unit lainnya. DAC dan ADC (termasuk komponen sampled and hold, filter dan lain-lain) disebut pengkondisi sinyal (signal conditioning).
d.. PLC PLC (Programmable Logic Controller) merupaka instrument kendali yang amat berguna di insdustri, manggantikan system on/off dari relay. Aksi kendali dapat dilakukan dengan membuat program melalu diagram ladder, yang menentukan logika kendali. Program kendali dapat langsung dimasukkan ke memori melalui keypadnya atau melalui computer dengan perangkat lunak yang umumnya sudah disediakan oleh vendornya.
14
5. PENUTUP
Pengendalian berbeda dengan instrument. Pengendali adalah metode untuk mengendalikan sedangkan instrument kendali adalah peralatan yang digunakan untuk mengendalikan proses. Proses berbeda membutuhkan metode kendali yang mungkin berbeda, karena itu pengetahuan tentang proses amat diperlukan untuk menentukan metode kendali yang tepat dan efektif.
6. DAFTAR PUSTAKA
[1] [2] [3] [4] [5] [6] [7]
Fitzgerald, A.E., C. Kingsley Jr., and F.D. Uman, Electric Machinery, 4th Ed., Mc-Graw Hill, New York,1983. Fu, K.S, R.C. Gonzales, and C.S.O. Lee, ROBOTICS : control, sensing, vision, and intelligence, Mc-Graw Hill,NY, 1987. Glisson, T.H. , Introduction to System Analysis, Mc-Graw Hill New York 1985 Kwakernak, H., and Rafael Sivan, Modern Signals and Systems, Prentice Hall, New Jersey, 1991. Ogata, K., Modern Control Engineering, Prentice Hall, New Jersey, 1970. Ogata, K., Discrete Time Control System, Prentice Hall, New York, 1992 Mendel, J.M., Lesson in Estimation Theory for Signal Processing, Communications, and Control, Prentice-Hall, Inc., Englewood Cliffs, N.J.,1995.
[8]
Stoica, P., and T. Soederstorm, A Method for Identification of Linear System Using Generalized Least Squares Principles, IEEE Transaction on Automatic Control, vol. AC-22, no.4, p.631-634, 1977.
[9]
Astroem, K.J., and B. Wittenmark, Adaptive Control, Addison-Wesley Pub. Co, 1989.
[10]
Landau, I.D., System Identification and Control Design, Prentice Hall, NJ, 1990.
[11]
Tjokronegoro, H.A., Adaptive Control System : Problems and Solutions, Presented on The Meeting for Some Issues on Control Theory and Applications, Institute Technology of Bandung, 1994.
15
DASAR TEKNIK KENDALI PROSES DI INDUSTRI DAN BANGUNAN
Oleh : Noor Fachrizal
BALAI BESAR TEKNOLOGI ENERGI (B2TE) BADAN PENGKAJIAN DAN PENERAPAN TEKNOLOGI (BPPT) JUNI 2009
16
DAFTAR ISI
1. PENDAHULUAN (1) 2. TEORI DASAR SISTEM KENDALI (2) 3. INSTRUMEN PENGENDALI (14) 4. PENUTUP (15) 5. DAFTAR PUSTAKA (15)
17
