Ringkasan 3 Reyhan Aulia Ega Tama (41407010013)

Aplikasi Metode Neuro-Fuzzy Pada Sistem Pengendalian Antisurge Kompresor

Salah satu bentuk kondisi operasi yang tidak stabil pada kompresor adalah kondisi yang disebut surge, dimana terjadi ketidakstabilan antara aliran dan tekanan yang dapat menyebabkan kerusakan yang serius pada kompresor. Oleh karena itu akan dirancang suatu pengendalian anti surge pada kompresor. Perancangan dilakukan dengan pengendali neuro-fuzzy, yang menggabungkan kemampuan belajar Neural Network dengan kemampuan pengambilan keputusan pada fuzzy. Dengan harapan akan diperoleh performansi yang lebih baik daripada pengendali PI yang nantinya dijadikan sebagai pembanding. Pada simulasi uji respon sistem, dengan setpoint beda tekanan (ΔP) sebesar 37,91 kg/cm2, pengendali Neuro- Fuzzy menghasilkan performansi yang lebih baik dari pengendali PI dengan settling time 7,3 detik, maksimum overshoot 11,6223 %, persen error 0,0563013 % dan error steady state 0,0213438 kg/cm2. Sedangkan pengendali PI menghasilkan settling time 22,3 detik, maksimum overshoot 17,8996 %, persen error 0,185294 % dan error steady state 0,0702449 kg/cm2. yang menggabungkan kemampuan belajar Neural Network dengan kemampuan pengambilan keputusan pada fuzzy.
Sistem Pengendalian Antisurge
Pengendalian antisurge hampir selalu didasarkan pada pemanipulasian recycle valve. Bukaan valve menggeser operasi kompresor dari kondisi surge ke kondisi yang aman. Pada gambar 1 terlihat bahwa dalam kondisi normal secara ideal control valve V1 harus selalu dalam keadaan tertutup penuh untuk mendapatkan efisiensi yang maksimal. Valve V1 akan membuka apabila gejala surging mulai terjadi. Dengan terbukanya valve V1, maka aliran suction yang kurang dapat dibackup oleh adanya sirkulasi discharge. Untuk mengendalikan bukaan valve ini diperlukan suatu sistem control automatik. Sistem pengendalian antisurge Perancangan anti surge control berpedoman pada kurva operasi karakteristik kompresor dengan mendapatkan garis batas surge (surge limit line) terlebih dahulu. Dari batas surge limit line tersebut maka dapat dibuat aturan kontrol untuk menentukan garis kontrol surge (surge control line) pada pengendalian anti surge. Garis batas kontrol dan batas surge Surge limit line dibuat berdasarkan performansi kompresor. Garis ini menunjukkan batas kondisi minimum yang akan menyebabkan kompresor mengalami surging. Pada Gambar 2 menunjukkan suatu keadaan surge limit line. Kondisi operasi yang diperkenankan adalah pada daerah di sebelah kanan garis batas surge. Kondisi surging akan terjadi jika operasi berada pada kondisi di sebelah kiri garis batas surge. Berdasarkan pada Gambar 2 dapat diperoleh hubungan antara h dan ΔP, yaitu, jika h adalah diferensial pressure melalui orifice, dapat dihitung bahwa laju aliran massa, W (dalam kg/dt), dengan rumus:
Ws = C1.
s s
T
h .P (1)
Dengan anggapan pada aliran steady state, laju aliran massa, W, pada suction dan discharge adalah sama, atau Ws = Wd, maka:
95
Wd = C2.
s
d d
T
h .
Untuk mendesain pengendalian anti surge dengan elemen pengukur flow pada saluran discharge
digunakan persamaan berikut:
hd = C.ΔP (3)
di mana:
hs = diff. press. orifice suction
Ps = tekanan suction
Ts = suhu suction
hd = diff. press. orifice discharge
Pd = tekanan discharge
Ts = suhu discharge
ΔP = perbedaan tekanan
Cn = (C1,C2) konstanta pengali
Jaringan Adaptif
Salah satu arsitektur dari jaringan syaraf tiruan adalah jaringan adaptif. Jaringan adaptif adalah suatu struktur jaringan yang terdiri dari beberapa simpul yang dihubungkan melalui sambungan langsung.
Jaringan adaptif Bagian utama dari pembelajaran jaringan adaptif adalah bagaimana mendapatkan nilai dari vector gradien secara rekursif. Vektor gradien sendiri didefinisikan sebagai turunan dari error pengukuran terhadap parameter tertentu. Prosedur untuk mendapatkan gradien vektor di dalam struktur jaringan disebut propagasi balik (backpropagation), karena vektor gradien dihitung berlawanan dengan arah aliran keluaran dari masing-masing simpul. Terdapat beberapa faktor yang mempengaruhi dalam proses training dengan metode backpropagation, antara lain nilai awal bobot, konstanta learning, momentum, dan arsitektur (jumlah layer dan node). Faktor tersebut berpengaruh terhadap kecepatan.
Sistem Logika Fuzzy
Sistem fuzzy adalah sistem yang memiliki hubungan langsung dengan konsep fuzzy (himpunan fuzzy, variable linguistik dan sebagainya). Karena system fuzzy diberikan sekumpulan aturan if–then fuzzy
yang diambil dari pengetahuan manusia, maka system fuzzy juga disebut sistem berbasis pengetahuan (knowledge-based) atau sistem berbasis aturan (rulebased). Prinsip kerja sistem fuzzy adalah sebagai berikut. Fuzzifikasi memetakan nilai crisp pada U kepada himpunan fuzzy pada U. Mesin inferensi fuzzy memetakan himpunan fuzzy pada U kepada himpunan fuzzy pada V dengan menggunakan sekumpulan basis aturan fuzzy. Selanjutnya defuzzifikasi memetakan himpunan fuzzy pada V kepada titik crisp
pada V.. Struktur pengendali logika fuzzy[14] Untuk mengubah data crisp ke himpunan fuzzy
dibutuhkan suatu fungsi keanggotaan untuk menentukan derajat keanggotaan dari data crisp tersebut pada masing-masing istilah bahasa yang telah ditetapkan dalam semesta pembicaraan.
1. Himpunan Fuzzy
Suatu himpunan fuzzy (fuzzy set) A dalam semesta pembicaraan (universe of discourse) X
dinyatakan dengan fungsi keanggotaan μA, yang mempunyai harga dalam interval [0,1]. Himpunan secara matematika dinyatakan dengan A = {x, μA(x) | x ∈ X} (4) Proses untuk mendapatkan besarnya derajat keanggotaan masukan yang berupa variable numerik dalam suatu himpunan fuzzy disebut dengan fuzzifikasi.
2. Logika Fuzzy dan Penalaran Pendekatan
Pada logika fuzzy, terdapat dua cara atau hokum pembuat keputusan atau disebut fuzzy inference
rule (FIR). Kedua hukum tersebut adalah: Generalized modus ponens (GMP) dan Generalized modus tollens (GMT). Perbedaan antara keduanya dapat dijelaskan dalam contoh berikut :
• Generalized Modus Ponens
Premis Mayor : if x is A then y is B
Premis Minor : x is A’
Kesimpulan : y is B’
• Generalized Modus Tollens (GMT)
Premis Mayor : if x is A then y is B
Premis Minor : y is B’
Kesimpulan : x is A’
Model dari logika fuzzy dapat dibagi menjadi 2 kategori. Model pertama adalah model linguistik
yang didasarkan atas kumpulan dari aturan if–then yang antacedent dan consequentnya memiliki
nilai fuzzy. Kategori ini menggunakan aturan fuzzy if–then dalam bentuk kualitatif, yang menggambarkan kelakuan sistem dengan bahasa natural. Contoh dari model ini adalah model
Mamdani, contohnya: if tekanan tinggi then volume kecil Kategori kedua dari model fuzzy didasarkan oleh metode TSK (Takagi Sugeno Kang) atau biasanya hanya disebut model Sugeno. Model ini didasarkan struktur aturan dengan antecedent fuzzy dan consequent berupa fungsi non fuzzy, contohnya: if kecepatan tinggi then gaya = k * kecepatan2


Imam Abadi, Aulia Siti Aisjah, Riftyanto N.S.
Jurusan Teknik Fisika, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember
Kampus ITS, Keputih Sukolilo-Surabaya 60111