PENGENDALIAN TEKANAN KOMPRESOR DAN SUHU STEAM …
Post on 31-Oct-2021
12 Views
Preview:
Transcript
PENGENDALIAN TEKANAN KOMPRESOR DAN SUHU STEAM REFORMER PADA PABRIK BIOHIDROGEN DARI BIOMASSA
MENGGUNAKAN MODEL PREDICTIVE CONTROL (MPC) BERDASARKAN REIDENTIFIKASI SISTEM
Hafizh Malik H.T1 dan Abdul Wahid S2
1Teknik Kimia, Fakultas Teknik, Universitas Indonesia, Depok 16424, Indonesia
2Riset Grup Energi Berkelanjutan, Departemen Teknik Kimia, Fakultas Teknik, Universitas Indonesia, Depok 16424, Indonesia
Email: hafizhmalik@gmail.com
ABSTRAK Hidrogen merupakan salah satu zat/gas yang sangat banyak kegunaannya, terutama dalam industri kimia.
Kompresor dan steam reformer merupakan unit-unit yang penting dalam pabrik biohidrogen dari biomassa. Kompresor berguna untuk mencapai tekanan tinggi pada kondisi operasi selanjutnya sedangkan Steam Reformer merupakan proses utama dari pabrik ini yang berguna untuk menghasilkan gas H2 . Model Predictive Control (MPC) merupakan suatu pengendali yang dapat bekerja dengan basis model yang diharapkan akan menghasilkan kinerja yang lebih baik daripada pengendali lainnya. Pemodelan proses dilakukan dengan menggunakan model empirik sedangkan proses optimasi dilakukan dengan penyetelan terhadap paramter-parameter pengendali MPC seperti waktu sampel (T), prediction horizon (P), dan control horizon (M). Hasil pengendalian tekanan kompresor dan suhu steam reformer adalah pengendali MPC memiliki kinerja yang lebih baik dari pada pengendali PI dengan melakukan reidentifikasi sistem untuk mendapatkan pemodelan yang sesuai.
ABSTRACT Hydrogen is one of the substances / gases that used by people, especially in the chemical industry.
Compressors and a steam reformer are the important units in biohidrogen from biomass plant. The compressor is useful for achieving high-pressure operating conditions while Steam Reformer next is the main process of this plant are useful to produce H2 gas. Model Predictive Control (MPC) is a controller that can work with the base model is expected to has better performance than other controllers. Process modeling is done by using the empirical model while the optimization process is done by setting the parameter-MPC controller parameters such as sample time (T), prediction horizon (P), and the control horizon (M). The results of the compressor pressure control and temperature control of steam reformer is the MPC controller has better performance than the PI controller by performing system reidentification to obtain appropriate model. Kata Kunci: Pengendalian Proses, Kompresor, Steam Reformer, Model Predictive Control, Reidentifikasi Sistem, Penyetelan
1. Pendahuluan
Proses yang ada pada pabrik biohidrogen dari biomassa terdiri atas unit pengolahan bahan
baku, unit gasifikasi, unit char decomposer, unit kompresi, steam reforming, unit char combuster,
unit cooler, unit H2S Removal, dan unit presseure swing absorber. Diantara proses-proses
tersebut, Steam Reformer dan Unit Kompresi merupakan unit yang sangat penting dalam
Pengendalian Tekanan..., Hafizh Malik H. T, FT UI, 2014
menghasilkan biohidrogen secara efektif karena sangat berpengaruh dengan kinerja unit
selanjutnya dan akan sangat menentukan jumlah produk selanjutnya. Unit kompresi bertugas
untuk menaikkan tekanan yang keluar dari unit gasifikasi sehingga tercapai tekanan yang tinggi
untuk dapat beroperasi, tekanan yang tinggi dibutuhkan untuk kondisi operasi H2S removal, H2S
sangat penting untuk dihilangkan karena merupakan zat beracun yang dapat membahayakan
orang disekitarnya.
Agar dalam pengoperasian pabrik tercapai kondisi optimal, perlu digunakan pengendali
pada kedua unit tersebut, Hal ini dimaksudkan agar apabila terjadi gangguan dari luar, dapat
dipertahankan kestabilan operasi pabrik, sehingga tidak membahayakan orang-orang sekitar
pabrik, disamping peralatan,dan dikedua unit tersebut.
Penelitian mengenai pengendalian, sudah dilakukan oleh Iqbal (2009) dengan
menggunakan pengendali Proportional-Integral (PI). Pada penelitian ini akan digunakan Model
Predictive Control (MPC) yang merupakan salah satu pengendalian tingkat lanjut (advance)
dengan based model control dengan interaksi di antara variabel-variabel yang dikendalikannya.
Oleh karena itu, penerapan pengendali MPC diharapkan lebih baik daripada pengendali PI.
Penilitian yang dilakukan menggunakan sebuah simulator proses untuk sebuah pabrik.
Dalam pelaksanaannya akan dilihat bagaimana untuk mengganti pengendali MPC dan melakukan
pemodelan dengan cara Reidentifikasi sistem dalam sebuah simulator proses. Hasil kinerja dari
MPC selanjutnya akan dibandingkan dengan hasil kinerja pengendali PI.
2. Tinjauan Teoritis
2.1 Unit Kompresor dan Steam Reformer
Unit Kompresor merupakan proses untuk mencapai tekanan yang diinginkan, dalam hal ini
digunakan kompresor sentrifugal. Kompresor sentrifugal ini mempunyai bagian bergesekan yang
lebih sedikit, sehingga energi yang digunakan lebih efisien dan memberi aliran udara yang lebih
tinggi dibanding kompresor reciprocating dengan ukuran yang sama (yaitu positive-
displacement). Kelemahan utamanya adalah bahwa mereka tidak bisa mencapai perbandingan
kompresi yang tinggi dari pada kompresor reciprocating tanpa multi-stage. Hal inilah yang
menyebabkan kompresor yang digunakan dalam pabrik ini adalah kompresor sentrifugal multi-
stage. Fan/Blower sentrifugal lebih sesuai untuk pemakaian yang kontinu seperti fan ventilasi,
penggerak udara, bagian pendingin, dan penggunaan lain yang memerlukan volume tinggi
Pengendalian Tekanan..., Hafizh Malik H. T, FT UI, 2014
dengan sedikit atau tanpa peningkatan tekanan. Bedanya, kompresor sentrifugal multi-stage
sering mencapai pengeluaran tekanan 8,000 sampai 10,000 psi (59 MPA sampai 69MPa).
Biogas refroming adalah proses dimana memperoduksi hidrogen dari gas alam, dengan
reaksi utamanya adalah sebagai berikut:
CH4 + H2O à CO + 3 H2
Reaksi ini bersifat katalitik dan berlangsung pada suhu 1000°C. Banyaknya panas pada
produk hasil reforming yang dimanfaatkan untuk pembangkit steam sebelum diproses lebih lanjut
dalam converter yang sebagian besar CO diubah menjadi CO2 dengan menggunakan absorber.
Proses dari steam reformer dapat dilihat pada Gambar 1. Bila terjadi perubahan pada suhu
pada steam reformer, maka hasil yang diperoleh akan bervariasi. Hal inilah yang harus dihindari
karena dapat menurunkan kinerja reaktor dan kehidupan katalis. Closed loop control system
biasanya digunakan untuk memodulasi tingkat panas pada input didasarkan pada perbandingan
antara suhu set point dan suhu yang diukur (Vernon et al, 2008). Oleh karena itu, perlu dilakukan
pengendalian suhu, sehingga pada steam reformer suhu dapat dijaga pada suhu 1000 oC (1832 oF).
Gambar 1. Steam Reforming (Steam Reforming Hydrogen for both Waste Management and Hydrogen
Production, Innovations, n.d.).
2.2 Pengendalian Proses
Dalam industri kimia, kondisi ideal harus dipertahankan hal ini terkait dengan kinerja dan
performa suatu pabrik agar dapat menghasilkan produk yang lebih baik. Dalam pengendalian
proses, suatu pengendalian digunakan untuk beberapa tujuan, yakni :
Pengendalian Tekanan..., Hafizh Malik H. T, FT UI, 2014
1. Menjaga keamanan dan keselamatan kerja
2. Memenuhi spesifikasi produk yang diinginkan
3. Menjaga peralatan proses dapat berfungsi sesuai desain
4. Menjaga agar operasi pabrik tetap ekonomis.
5. Memenuhi persyaratan lingkungan
6. Mengawasi dan menganalisa
Untuk memenuhi persyaratan diatas diperlukan pengawasan (monitoring) yang terus
menerus terhadap operasi pabrik kimia dan intervensi dari luar (external intervention) untuk
mencapai tujuan operasi. Hal ini dapat terlaksana melalui suatu rangkaian peralatan (alat ukur,
kerangan, pengendali, dan komputer) dan intervensi manusia (plant managers, plants operators)
yang secara bersama membentuk sistem pengendalian. Dalam pengoperasian pabrik diperlukan
berbagai prasyarat dan kondisi operasi tertentu, sehingga diperlukan usaha-usaha pemantauan
terhadap kondisi operasi pabrik dan pengendalian proses supaya kondisi operasinya stabil.
Dalam Pengendalian Proses Unit Kompresor dan Steam Reformer yang akan diidentifikasi
adalah :
Tabel 1. Identifikasi Variabel
Controlled Manipulated Load Disturbance Uncontrolled
Unit Kompresor Tekanan
Tekanan, Laju alir, Suhu,
Laju alir umpan, suhu aliran
Ukuran kompresor
Steam Reformer Suhu
Suhu, Aliran Energi Pemanas
Suhu umpan, laju alir umpan, kondisi lingkungan
Ukuran Steam Reformer
2.3 Pemodelan Empirik
Pemodelan empirik merupakan alternatif ketika pendekatan secara white box dan gray box
model tidak dapat dilakukan karena model yang sangat kompleks. Model yang dikembangkan
dengan metode ini memberikan hubungan dinamis antara variabel input dan output. Cara
langsung untuk menentukan sebuah model dinamik empirik yang linear dari sebuah proses adalah
dengan mencari parameter seperti dead time, konstanta waktu, dan gain. Parameter-parameter
tersebut dapat ditentukan secara eksperimen salah satunya dengan step respon data. Adapun
proses yang dilakukan biasanya dalam kondisi lup terbuka.
Pengendalian Tekanan..., Hafizh Malik H. T, FT UI, 2014
Dengan memberikan step disturbance (mt) pada proses dan mencatat variabel output (xt)
sebagai fungsi waktu, maka dapat dibuat kurva reaksi proses yang menghubungkan antara waktu
dengan variabel output yang dapat dilihat pada Gambar 2. Dalam pembuatan kurva reaksi proses,
langkah yang dilakukan adalah dengan memulai dari steady state, hal ini karena apabila proses
tidak berawal pada steady state, output akan dipengaruhi oleh beberapa variabel lain yakni
sebagai tambahan pada input yang dimanipulasi pada respon masih transien. Kombinasi input ini
akan mengganggu pemodelan empirik dengan metode grafik yang memiliki satu input step, dan
perhitungan berikutnya akan mengarah ke model yang salah. Hal selanjutnya adalah
memasukkan step tunggal ke input, data yang akan dikumpulkan adalah data dari adanya step
hingga ke keadaan steady state, dari data tersebut, kita dalam melakukan kalkulasi.
Untuk mendapatkan grafik Process Reaction Curve (PRC), maka pengendalian dapat
dilakukan dengan dua jenis, yakni pengendalian lup tertutup dan pengendalian lup terbuka.
Pengendalian lup tertutup dilakukan dengan mengubah setpoint yang mengakibatkan elemen
akhir pengendali (control valve) membuka atau menutup secara otomatis, sedangkan
pengendalian lup terbuka dilakukan dengan mengubah bukaan control valve secara manual
kemudian controlled variable berubah sesuai dengan besarnya bukaan control valve tersebut.
Gambar 2. Kurva reaksi proses metode Marlin II (Marlin, 2000).
Selanjutnya kita dapat menetukan fungsi alihnya (G) dengan formula :
! =!!!−!"!"+1 (1)
Pengendalian Tekanan..., Hafizh Malik H. T, FT UI, 2014
Keluaran
Untuk menentukan Gain (Kp), konstanta waktu (!) dan dead time-nya (!) dapat diperoleh dari
kurva reaksi proses dengan mengaplikasikan metode Marlin II (Marlin, 2000). Nilai dari ∆ =
besarnya perubahan variabel keluaran dan ! = besarnya perubahan variabel masukkan yang
mempengaruhi variabel kaluaran.
!! = ∆! (2)
! = 1,5 (!!"% − !!"%) (3)
! = !!"% − ! (4)
2.4 Sistem Pengendalian lup tertutup (closed-loop control system).
Konfigurasi ini mengukur secara langsung variabel yang dikendalikan untuk mengatur
harga variabel yang dimanipulasi. Tujuan pengendalian ini adalah mempertahankan variabel yang
dikendalikan pada level yang diinginkan (set point). Gambar 3 menunjukkan diagram dari siklus
tertutup yang merupakan suatu sistem pengendali yang lengkap karena sudah memasukkan
pengendali pada siklus sistem yang menerima informasi dari keluaran, yang akan memberikan
pengaruh atau aksi terhadap variabel yang dapat dimanipulasi (manipulated variable), sehingga
dapat memperbaiki jika ada kesalahan.
Gambar 3. Diagram Blok Berumpan-Balik (Marlin, 2000)
Gambar 4. Diagram blok pengendalian propagasi mundur pada sistem lup tertutup (Marlin, 2000)
Pengendali Elemen Pengendali
Proses
Sensor -‐ Transmitter
Masukan
Pengendalian Tekanan..., Hafizh Malik H. T, FT UI, 2014
Gambar 4 merupakan skema dari sistem lup tertutup, dimana pada sistem lup tertutup
memiliki fungsi alih dan variabel sebagai berikut:
Fungsi alih: Variabel:
Gc(s) = Pengendali
Gv(s) = Valve
Gp(s) = Proses
Gs(s) = Sensor
Gd(s) = Gangguan
CV(s) = Variabel terkendali
CVm(s) = Pengukuran harga dari variabel terkendali
D(s) = Gangguan
E(s) = Error
MV(s) = Variabel Manipulasi
SP(s) = Set Point
Untuk perubahan masukan set point diperoleh bentuk respon sistem yang disebut SERVO (Set
Point Response).
!"(!)!"(!)
= !" ! !" ! !"(!)!!!" ! !" ! !" ! !"(!)
(5)
Sedangkan untuk masukan akibat gangguan memiliki bentuk respon sistem yang disebut
REGULATORY (Disturbance Response).
!"(!)!(!)
= !" !!!!" ! !" ! !" ! !"(!)
(6)
2.5 Jenis Pengendali a. Pengendali Konvensional
• Pengendali Proportional Integral (Pengendali PI)
• Pengendali Proportional Derivative (Pengendali PD)
• Pengendali Proporsional, Integral, dan Derivatif (Pengendali PID) b. Pengendalian Tingkat Lanjut (Advanced Controller)
Terdapat beberapa pengendalian advance yang pernah dikembangkan seperti ratio
control, cascade control, feedforward control, decoupling control, model based control. Model Predictive Control
Model Predictive Control (MPC) adalah metode lanjutan dari proses pengendalian yang
telah digunakan dalam industri proses pabrik, kilang, maupun sistem tenaga listrik. Pengendali
MPC bergantung pada model dinamis proses, dan model yang paling sering digunakan adalah
yakni model empirik yang diperoleh dengan melakukan identifikasi sistem. Keutamaan dari MPC
Pengendalian Tekanan..., Hafizh Malik H. T, FT UI, 2014
adalah MPC dapat mengoptimasi kondisi pada sekaligus menjaga kondisi proses masa yang akan
datang tetap dalam keadaan stabil. MPC dapat mengantisipasi kejadian dimasa depan dan dapat
mengambil tindakan terhadap pengendali yang sesuai, sedangkan Pengendali PID tidak memiliki
kemampuan prediksi ini.
Model yang digunakan pada MPC didapat dari identifikasi sistem, identifikasi sistem
menggunakan metode statistik untuk membangun model matematis secara dinamis dari data yang
terukur. Model nya dapat berupa model empirik FOPDT (Kp, τ, θ).
Untuk mendapatkan prediksi yang sesuai dilakukan optimasi menggunakan cost function.
Optimasi dari Cost Function ini didapat dari persamaan 7.
! = !!!(!! − !!)! + !!!∆!!
!!
!!!
!
!!!
(7)
!! = Variabel terkendali
!! = !"#$%&'#
!! = Manipulated Variable
!!! = Koefisien dari x!
!!! = Koefisien dari u!
Hasil dari cost function ini adalah berupa u (Manipulated Variable/MV) yang merupakan
hasil prediksi dari model yang telah digunakan. Cost function sangat diperngaruhi oleh parameter
tuning dari MPC yakni Sampling Time, Prediction Horizon, dan Model Horizon.
Untuk meningkatkan kinerja dari MPC, maka akan dilakukan identifikasi sistem sehingga
didapat nilai parameter dari suatu sistem. Cara lain yang dapat digunakan adalah dengan
melakukan tuning terhadap pengendali MPC. Cara yang dapat dilakukan adalah dengan
melakukan Fine Tuning, yakni melakukan penyetelan pada sistem dengan mencoba melihat
perubahan grafik PRC dan mengubah nilai Sampling Time, Prediction Horizon, dan Model
Horizon secara manual hingga mencapai kinerja yang paling optimum. Cara ini dilakukan apabila
penyetelan dengan metode Dougherty and Cooper tidak bisa dilakukan karena hasil perhitungan
yang tidak sesuai dengan batas parameter MPC.
2.6 Parameter Kinerja Pengendali Parameter dalam suatu pengendali seperti Offset,Rise Time, Peak Time, Settling Time,
Decay Ratio, Periode Osilasi, Deviasi Maksimum, IAE, ISE seperti yang terlihat pada Gambar 5.
Pengendalian Tekanan..., Hafizh Malik H. T, FT UI, 2014
Gambar 5. Parameter Kinerja Pengendali
3. Metode Penelitian
3.1. Diagram Alir Penelitian
Mulai
Identfikasi Pabrik dan Sistem Pengendalian
Simulasi Pengendalian dengan metode MPC
Penyetelan Parameter MPC (Ts, P, dan M)
Kinerja MPC > Kinerja PI ?
Finish
Tidak
Ya
Penggantian pengendali PI menjadi MPC
Reidentifikasi Sistem(Kp, τ, ϑ)
Gambar 6. Diagram Alir Penelitian.
Pengendalian Tekanan..., Hafizh Malik H. T, FT UI, 2014
3.2 Identifikasi Sistem
Identifikasi sistem dapat dilakukan model testing untuk pengendali PI untuk tekanan dan
suhu, dimana akan mengubah tekanan pada keluaran kompresor sebesar 5% yang berfungsi
sebagai gangguan. Hasil yang diperoleh berupa grafik yang menghubungkan antara waktu
pengujian (testing time) dengan tekanan. Dari grafik tersebut kita dapat menentukan nilai dari
gain, konstanta waktu dan waktu delay-nya. Untuk mendapatkan parameter tersebut digunakan
metode perhitungan II (Marlin,2000)
3.3 Reidentifikasi Sistem
Nilai empirik yang telah didapat dari identifikasi sistem pada pengendali PI, dilakukan lagi
reidentifikasi sistem dengan menggunakan pengendali MPC, reidentifikasi dilakukan dengan
memberi perubahan setpoint dan gangguan pada pengendali untuk melihat reaksi yang dihasilkan
oleh pengendali. Untuk pengendali tekanan pada unit kompresor, setpoint akan diubah sebesar +7
kPa dan -7 kPa sedangkan pengendalian suhu untuk unit steam reformer, akan dilakukan
pengubahan setpoint sebesar +10oC dan -10oC. Identifikasi dilakukan berulang-ulang untuk
setiap pengendali nya. Identifikasi ini dapat dianggap selesai apabila nilai IAE yang dihasilkan
dari sistem lebih jelek daripada nilai IAE sebelumnya. Langkah yang dilakukan dalam
reidentifikasi sistem ini dapat dilakukan dengan :
a. Memasukkan nilai empirik (Kp, τ, θ) yang didapat dari pengendali PI kedalam pengendali
MPC, lalu jalankan integrator.
b. Mengubah setpoint pengendali tersebut sesuai dengan yang telah ditentukan, sehingga didapat
kurva PRC yang baru pada pengendali MPC.
c. Melakukan perhitungan nilai empirik yang baru dari kurva PRC yang didapat sebelumnya.
d. Menghitung nilai IAE dari kurva PRC hasil dari nilai empirik yang baru. Apabila nilai IAE
dari kurva PRC yang baru lebih bagus daripada nilai IAE dari PRC sebelumnya, maka
reidentifikasi dianggap telah selesai, sedangkan apabila nilai IAE yang baru tidak lebih baik
daripada nilai IAE pada PRC sebelumnya, maka dilakukan kembali poin b hingga d.
3.4 Penyetelan Parameter MPC (Ts, P, M)
Parameter pengendali MPC yang dilakukan tunning yaitu T (waktu sampel), P (prediction
horizon), dan M (control horizon). Adapun metode yang digunakan adalah hasil perhitungan
Pengendalian Tekanan..., Hafizh Malik H. T, FT UI, 2014
dengan pengembangan Dougherty dan Cooper (2003b). Dari nilai Kp, !, dan !, maka didapat
dihitung nilai dari T, P, atau dapat menggunakan metode fine tuning untuk mendapatkan nilai
parameter pengendaliannya
3.5 Simulasi Pengendalian dan melihat kinerja MPC dan PI
Setelah mengetahui nilai empirik dari sistem tersebut, dan setelah melakukan penyetelan
pada Pengendali MPC, selanjutnya akan dilihat kinerja dari pengendali MPC dan PI, apabila
pengendali MPC memiliki kinerja yang lebih bagus daripada pengendali PI, maka penelitian
dianggap sudah berhasil, apabila belum berhasil, maka akan dilakukan penghitungan ulang pada
nilai empirik dan nilai parameter MPC kembali. Kinerja MPC dapat dilihat dengan melakukan
penghitungan Offset,Rise Time, Peak Time, Settling Time, Decay Ratio, Periode Osilasi, Deviasi
Maksimum, IAE, ISE.
4. Hasil Penelitian
4.1 Identifikasi Empirik dengan pengendali MPC
Melakukan pemodelan dengan pengendali MPC dilakukan dengan cara yang sama dengan
pengendali PI yakni dengan mengubah setpoint setiap pengendali untuk melihat perubahan reaksi
yang dihasilkan oleh pengendali untuk mencapai kestabilan.
Untuk pengendalian tekanan pada unit kompresor, setpoint akan diubah sebesar +7 kPa
dan -7 kPa, sedangkan pengendalian suhu untuk unit steam reformer, akan dilakukan pengubahan
setpoint sebesar +10oC dan -10oC. Setiap pengendali dilakukan pengubahan setpoint hingga
mencapai IAE yang paling rendah. Hal ini bertujuan untuk mendapatkan model yang maksimal
dan tepat. Model yang didapat akan dilanjutkan modifikasi parameter MPC (Prediction Horizon,
Control Horizon, Control Interval).
Dalam mengidentifikasi sistem, kita akan menghitung nilai empirik dari sistem tersebut,
nilai empirik pada penilitan ini dapat dilihat dari Gambar 7 dan Gambar 8. Grafik PRC tersebut
akan menunjukkan nilai dari Kc, Ti, dan θ yang merupakan model yang dihasilkan dari sistem,
nilai ini juga digunakan untuk perhitungan nilai parameter MPC.
Gambar 7 dan Gambar 8 merupakan hasil pemodelan dengan nilai parameter (tuning) MPC
standar (default). Hasil pemodelan ini, nantinya akan digunakan untuk melihat respon pengendali
Pengendalian Tekanan..., Hafizh Malik H. T, FT UI, 2014
apabila diberi gangguan. Hasil pemodelan yang terakhir pada setiap unit merupakan model yang
paling bagus sehingga nantinya akan dilakukan penyetelan.
Model Testing dilakukan hingga mendapatkan nilai IAE yang minimum untuk setiap
pengendali untuk mendapatkan hasil yang lebih akurat. Hasil dari tuning pada setiap pengendali
dapat dilihat pada Tabel 2.
Gambar 7. PRC Unit Kompresor (Pressure Control)
Gambar 8. PRC Unit Heater pada Steam Reformer (Temperature Control)
1576
1577
1578
1579
1580
1581
1582
1583
1584
1585
0 2000 4000 6000 8000
PV (k
Pa)
Waktu (s)
SP
Pemodelan PI
Pemodelan MPC 1
Pemodelan MPC 2
Pemodelan MPC 3
648
650
652
654
656
658
660
662
0 1000 2000 3000 4000 5000
PV (oC)
Waktu (s)
SP
Pemodelan PI
Pemodelan MPC 1
Pemodelan MPC 2
Pemodelan MPC 3
Pemodelan MPC 4
Pengendalian Tekanan..., Hafizh Malik H. T, FT UI, 2014
Tabel 2. Hasil Tuning pada setiap pengendali
KOMPRESOR 1 Pemodelan 1 Pemodelan 2 Pemodelan 3 Pemodelan 4
Kp -0,64935 -0,50542 -0,2329 -0,14774 thau 0,495 3,417 7,2501 6,2583 theta 1,3012 0,302 1,5219 1,0863
KOMPRESOR 2 Pemodelan 1 Pemodelan 2 Pemodelan 3 Pemodelan 4
Kp -0,70975 -0,57023 -0,29849 -0,15618 thau 16,935 29,08245 42,83085 6,9723 theta 2,308 8,04225 9,40195 1,2743
KOMPRESOR 3 Pemodelan 1 Pemodelan 2 Pemodelan 3
Kp -0,4227 -0,28285 -0,70061 thau 29,3067 23,42445 1,55625 theta 5,0861 7,09145 0,81675
KOMPRESOR 4 Pemodelan 1 Pemodelan 2
Kp -0,69754 -0,69839 thau 5,25 1,002 theta 0,0855 1,1697
HEATER Pemodelan 1 Pemodelan 2 Pemodelan 3 Pemodelan 4
Kp 0,217721 0,218084 0,595201 3,401832 thau 36,0045 9,4845 3,501 0,51 theta 0,3285 0,5155 0,666 0,33
COMBUSTOR Pemodelan 1
Kp 0,312824 thau 2,0025 theta 0,165
Dari pemodelan yang dilakukan terhadap setiap pengendali, hasil pemodelan yang
digunakan untuk kemudian di lakukan penyetelan MPC lebih lanjut adalah pemodelan yang
terakhir. Hasil penyetelan empirik yang terbaik untuk setiap pengendali dilihat pada Tabel 3.
Pengendalian Tekanan..., Hafizh Malik H. T, FT UI, 2014
Tabel 3. Hasil FOPDT PRC setiap pengendali
No. Pengendali Kp τp ϴ
1 PC Compressor 1 -0,1477 6,2583 1,0863
2 PC Compressor 2 -0,1562 6,9723 1,2743
3 PC Compressor 3 -0,7006 1,5563 0,8168
4 PC Compressor 4 -0,6984 1,0020 1,1697
5 TC Heater 3,4018 0,5100 0,3300
6 TC Combustion 0,3128 2,0025 0,1650
4.2 Kinerja Pengendali MPC
Hasil penyetelan pada pengendali PI unit kompresor - 3 adalah penyetelan dengan
menggunakan metode Ziegler Nichols, dimana hasil terbaik didapat dengan nilai Kc = 0,7187
dan Ti = 0,3556. Sedangkan untuk pengendali MPC, nilai empirik yang digunakan adalah
Kp = -0,7006, τp = 1,5563, dan θ = 0,8168, untuk nilai parameter penyetelan MPC hasil fine
tuning pada unit ini adalah
Step Respon Length (SRL) = 50
Prediction Horizon (P) = 50
Control Horizon (M) = 3
Control Interval (Ts) = 2
Berdasarkan Gambar 9, dapat dilihat bahwa pengendali MPC setelah dimodelkan mampu
memberikan respon yang lebih cepat dari pada pengendali PI terhadap perubahan setpoint sebesar
7 kPa, yang membuktikan bahwa pengendali MPC lebih baik dari pada pengendali PI. Begitu
juga apabila dibandingkan dengan pengendali MPC tanpa dilakukan reidentifikasi terlebih
dahulu, kinerja MPC yang telah direidentifikasi lebih baik dari pada kinerja MPC yang belum
diidentifikasi, hal ini membuktikan bahwa reidentifikasi akan menghasilkan model yang lebih
optimum.
Pengendalian Tekanan..., Hafizh Malik H. T, FT UI, 2014
Gambar 9. Respon PV pada pengendali MPC dan PI Unit Kompresor 3 terhadap Perubahan Setpoint Sebesar 7 kPa
Gambar 10 menunjukkan respon pengendali pada unit kompresor-3 apabila diberi
gangguan 20 kPa pada tekanan masukannya, grafik berwarna biru yang merupakan hasil respon
pengendali MPC, menunjukkan kinerja yang lebih baik dari pada hasil kinerja pengendali PI.
Kedua pengendali berhasil melakukan pengendalian, tetapi pengendali MPC mengendalikan dan
mengembalikan kondisi ke kondisi awal dengan lebih cepat dari pada pengendali PI. Begitu juga
apabila dibandingkan dengan hasil kinerja MPC tanpa direidentifikasi, hal ini membuktikan
bahwa MPC perlu diidentifikasi terlebih dahulu.
Dengan demikian, berdasarkan kedua gambar tersebut, dapat dilakukan perhitungan nilai
parameter keberhasilan pengendalian dari masing-masing metode untuk dapat dibandingkan
secara kuantitatif. Hasil perhitungan dapat dilihat pada Tabel 4.
Gambar 10. Respon PV pada pengendali MPC dan pengendali PI Unit Kompresor 3 terhadap Perubahan kondisi
tekanan umpan sebesar 20 kPa
-‐1
0
1
2
3
4
5
6
7
8
0 500 1000 1500 2000
∆PV (kPa
)
Waktu (s)
PI
MPC tanpa ReidenBfikasi
MPC
SP (7 kPa)
-‐0.5
0
0.5
1
1.5
2
2.5
0 500 1000 1500 2000 2500
∆PV (kPa
)
Waktu (s)
PI
MPC tanpa ReidenBfikasi
MPC
SP (20 kPa)
Pengendalian Tekanan..., Hafizh Malik H. T, FT UI, 2014
Tabel 4. Hasil perhitungan parameter kinerja pengendali Unit Kompresor-3
Parameter PI MPC MPC tanpa Reidentifikasi
Offset 0 0 0
Rise Time (s) 1160 801 1500
Peak Time 0 0 0
Overshoot 0 0 0
Settling Time (s) 780 440,25 1090
Decay Ratio 0 0 0
Periode Osilasi 0 0 0
Deviasi Maksimum 0 0 0
IAE 41,55 20,37 76,16
ISE 128,99 46,58 264,37 Dari sepuluh parameter yang diuji pada Unit Kompresor-3 terlihat bahwa kinerja
pengendali MPC jauh lebih baik dari pada pengendali PI. Pengendali PI membutuhkan waktu
yang lebih lama untuk mencapai kondisi stabil. Hasil yang serupa juga didapat dari MPC yang
tidak di Identifikasi terlebih dahulu, yang membutuhkan waktu yang lebih lama untuk mencapai
kondisi stabil.
Hal yang sama akan dihasilkan oleh Unit Kompresor 1, Unit Kompresor 2, Unit
Kompresor 4, Unit Heater dan Combustor pada Steam Reformer. Setiap pengendali MPC
menghasilkan kinerja yang lebih baik daripada kinerja pengendali PI.
Model Predictive Control (MPC) telah membuktikan kemampuannya dalam
mengendalikan tekanan maupun suhu. Penyetelan parameter MPC dalam penelitian ini dilakukan
dengan menggunakan penyetelan non-adaptif berdasarkan perhitungan yang dikembangkan oleh
Dougherty Cooper dan juga menggunakan metode fine tuning.
Hasil penyetelan dengan menggunakan metode non-adaptif menunjukkan tidak adanya
respon terhadap perubahan setpoint yang diberikan kepada pengendali. Hal ini menunjukkan
bahwa pengendali MPC non-adaptif tidak dapat berfungsi sebagaimana mestinya. Sedangkan
untuk pengendali MPC hasil fine tuning menunjukkan hasil yang sangat maksimal, hal ini
terbukti dari perbandingan antara pengendali MPC dan PI yang sangat signifikan. Sehingga
metode fine tuning sangat tepat jika dilakukan.
Pengendalian Tekanan..., Hafizh Malik H. T, FT UI, 2014
MPC non-adaptif tidak menunjukkan perubahan dapat disebabkan karena terlalu besarnya
jangkauan Prediction Horizon (P) berdasarkan hasil perhitungan dimana proses dari sistem ini
tidak membutuhkan prediction horizon (P) yang tinggi. Selain itu, Control Interval (T) yang
diperlukan berdasarkan hasil perhitungan juga cukup besar, sedangkan dalam melakukan
pengendalian menggunakan metode fine tuning, nilai T yang dibutuhkan cukup kecil untuk
mendapatkan hasil yang optimum, sebaliknya jika dilakukan dengan control interval yang cukup
tinggi, maka proses menjadi cepat tidak stabil atau respon yang berlebihan terhadap pengaruh
setpoint itu sendiri. Sehingga penyetelan dengan menggunakan metode non-adaptif tidak
disarankan untuk digunakan dalam pengendali Model Predictive Control (MPC).
Model Predictive Control merupakan pengendali yang dapat mengoptimasi suatu
pengendalian. Kelemahan dari MPC ini adalah apabila diberikan gangguan yang tinggi, maka
responnya akan sangat buruk dan cenderung tidak stabil sehingga selalu melakukan osilasi.
Berbeda dengan pengendali PI yang mampu mengendalikan sebuah sistem walaupun diberi
gangguan yang tinggi. MPC akan jauh menunjukkan kinerja yang lebih baik daripada PI apabila
diberi gangguan yang kecil, tetapi tidak berlaku jika MPC diberikan gangguan yang tinggi, maka
MPC akan cenderung tidak stabil. Oleh karena itulah, Model Predictice Control disebut sebagai
pengendali bekerja untuk optimasi.
Berdasarkan penelitian diatas, dapat diukur presentase peningkatan kinerja dari
pengendali MPC setelah dilakukan pemodelan dan penyetelan. Hasil peningkatan kinerja dari
pengendali MPC dapat dilihat pada Tabel 5. Tabel 5. Hasil peningkatan kinerja setiap kendali
Pengendali Unit IAE PI IAE MPC IAE MPC tanpa
Reidentifikasi
Presentase Kenaikan
Kinerja (x 100%)
Tekanan Unit Kompresor 1 84,33 11,37 57,74 7,42
Tekanan Unit Kompresor 2 38,79 14,7 289,43 2,64
Tekanan Unit Kompresor 3 41,55 20,37 76,16 2,04
Tekanan Unit Kompresor 4 49,57 18,19 142,15 2,73
Suhu Unit Steam
Reformer
11,30 0,42 3,93 27,16
Suhu 249,35 27,38 30,73 9,11
Pengendalian Tekanan..., Hafizh Malik H. T, FT UI, 2014
Pada Tabel 5 terlihat bahwa kinerja pengendali MPC jauh lebih baik dari kinerja
pengendali PI, pemodelan yang dilakukan sangat berguna untuk menaikkan kinerja suatu
pengendali. Hal ini terlihat apabila pada pengendali MPC tidak dilakukan suatu pemodelan yakni
pada penelitian ini digunakan model empirik, maka kinerja pengendali MPC tidak akan lebih
baik dan cenderung buruk, hal inilah mengapa pemodelan sangat perlu dilakukan.
5. KESIMPULAN
Berdasarkan hasil penelitian dan pembahasan yang telah dilakukan, maka dapat diambil
kesimpulan sebagai berikut :
1. Pengendali tekanan kompresor dan suhu steam reformer dengan menggunakan MPC
memiliki hasil yang lebih baik dari pada pengendali PI. Pengendali MPC menunjukkan
dapat mengoptimasi suatu sistem, berbeda halnya dengan pengendali PI yang membutuhkan
waktu yang lama untuk mengoptimasi sistem.
2. Model empirik yang digunakan untuk melakukan penyetelan PI pada penelitian sebelumnya
belum menghasilkan kinerja yang optimum jika digunakan pada pengendali MPC.
3. Modifikasi parameter pengendali MPC tidak bisa dilakukan dengan strategi tuning non-
adaptive, sehingga harus dilakukan dengan strategi fine tuning.
4. Reidentifikasi sistem dan fine tuning pada pengendali MPC mampu meningkatkan kinerja
pengendalian tekanan kompresor dan suhu steam reformer, sehingga menghasilkan kinerja
yang lebih baik dari pada pengendali PI dan MPC tanpa reidentifikasi sistem
5. Pengendali MPC berhasil meningkatkan kinerja dari pengendalian tekanan untuk kompresor
1 sebanyak 7,4 kali lebih baik, kompresor 2 sebanyak 2,6 kali lebih baik, kompresor 3
sebanyak 2 kali lebih baik, kompresor 4 sebanyak 2,7 kali lebih baik, suhu heater pada
steam reformer sebanyak 27 kali lebih baik, dan suhu column combustor pada steam
reformer sebanyak 9 kali lebih baik. 6. SARAN
Berdasarkan kesimpulan dan hasil penelitian ini, penulis menyarankan untuk adanya
penelitian lebih lanjut mengenai :
1. Penggabungan pengendali PI dan MPC, dimana kedua pengendali ini digunakan untuk
suatu alat/unit yang sama.
Pengendalian Tekanan..., Hafizh Malik H. T, FT UI, 2014
2. Penelitian untuk menemukan metode yang tepat dalam penentuan nilai modifikasi metode
MPC.
7. DAFTAR PUSTAKA
Agachi, Paul Serban (2006). Model Based Control. German : WILEY-VCH Verlag GmbH
Aspen, (2012). Aspen Hysys Operation Guide : Reference Guide
Boyd, S. (2010). Model Predictive Control. Stanford University
Budianta, I.A, Abqari, F. Dkk (2011). Perancangan Pabrik Biohidrogen dari Biomassa. Depok :
Departemen Teknik Kimia Universitas Indonesia
Camacho, E. F., Carlos B. (2007). Nonlinear Model Predictive Control : an introductory review.
Spain: University of Seville
Dwiyaniti, Murie. (2010). Perancangan Pengendalian. University of Indonesia.
Dougherty, D., Cooper, D. (2003b). A practical multiple model adaptive strategy for single loop
MPC. Control Engineering Practice, 11, 141-159.
Hanifah, Nur. (2008). Simulasi Pengendalian. Universitas Indonesia.
Hansen, Claus (2008). Dynamic Simulation of Compressor Control Systems. Aalborg University
Esbjerg
Haugen, Finn (2010). MPC Vs PID. Telemark University College.
HONEYWELL. (2009). UniSim® Design Dynamic Modeling: Reference Guide.
MARLIN, T. E. (2000). Process Control: Designing Processes and Control Systems for Dynamic
Performance, United States, McGraw-Hill Higher Education.
Rawlings, James. (2000). Tutorial Overview of Model Predictive Control. IEEE Control System
Magazine
Smith, C. A. & Corripio, A. B. (1985). Principles and Practice of Automatic Process Control,
United States, John Wiley & Sons Inc.
Pengendalian Tekanan..., Hafizh Malik H. T, FT UI, 2014
top related