5 BAB II TINJAUAN PUSTAKA 2.1 Kendali PID (Proportional Integral Derivative) 2.1.1 Sistem Kendali PID Sistem kontrol PID (Proportional Integral Derivative) merupakan kontroler untuk menentukan presisi suatu sistem instrumentasi dengan karakteristik adanya umpan balik (feedback) pada sistem tesebut[7]. Sistem kendali PID terdiri dari tiga buah cara pengaturan yaitu kontrol P (Proportional), D (Derivative) dan I (Integral), dengan masing-masing memiliki kelebihan dan kekurangan. Dalam implementasinya masing-masing cara dapat bekerja sendiri maupun digabung. Blok diagram sistem kendali PID ditunjukan pada gambar 2.1. Gambar 2.1 Blog diagram sistem kendali PID Adapun persamaan sistem kendali PID adalah : Dalam perancangan sistem kendali PID yang perlu dilakukan adalah mengatur parameter P, I atau D agar tanggapan sinyal keluaran sistem terhadap masukan tertentu sebagaimana yang diinginkan. 2.1.2 Cara Mentuning Manual Parameter PID Cara mentuning parameter-parameter PID bisa dilakukan dengan melihat tabel parameter PID. Dengan menganalisa respon yang dihasilkan, nilai-nilai Kp, Ki, dan Kd bisa diubah-ubah sesuai dengan tabel. Tabel parameter PID ditunjukan pada tabel 2.1. Tabel 2.1 Tabel parameter PID
21
Embed
BAB II TINJAUAN PUSTAKA 2.1 Kendali PID (Proportional ...
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
5
BAB II
TINJAUAN PUSTAKA
2.1 Kendali PID (Proportional Integral Derivative)
2.1.1 Sistem Kendali PID
Sistem kontrol PID (Proportional Integral Derivative) merupakan
kontroler untuk menentukan presisi suatu sistem instrumentasi dengan
karakteristik adanya umpan balik (feedback) pada sistem tesebut[7]. Sistem
kendali PID terdiri dari tiga buah cara pengaturan yaitu kontrol P (Proportional),
D (Derivative) dan I (Integral), dengan masing-masing memiliki kelebihan dan
kekurangan. Dalam implementasinya masing-masing cara dapat bekerja sendiri
maupun digabung. Blok diagram sistem kendali PID ditunjukan pada gambar 2.1.
Gambar 2.1 Blog diagram sistem kendali PID
Adapun persamaan sistem kendali PID adalah :
Dalam perancangan sistem kendali PID yang perlu dilakukan adalah
mengatur parameter P, I atau D agar tanggapan sinyal keluaran sistem terhadap
masukan tertentu sebagaimana yang diinginkan.
2.1.2 Cara Mentuning Manual Parameter PID
Cara mentuning parameter-parameter PID bisa dilakukan dengan
melihat tabel parameter PID. Dengan menganalisa respon yang dihasilkan,
nilai-nilai Kp, Ki, dan Kd bisa diubah-ubah sesuai dengan tabel. Tabel
parameter PID ditunjukan pada tabel 2.1.
Tabel 2.1 Tabel parameter PID
6
2.2 Steam drum
Fungsi dari Steam drum adalah mengumpulkan dan memisahkan uap air,
selain itu juga menyediakan dan mendistribusikan udara pada boiler ke
evaporator. Berikut adalah gambar penampang dari Steam drum.
Gambar 2.2 Steam drum
Pada dasarnya komposisi dalam Steam drum adalah sebagian air dan
sebagian lagi uap. Masukan dari sistem feed water yaitu dibawah ketinggian air
untuk menjaga gangguan dari permukaan air. Air meninggalkan drum menuju
tabung-tabung down comer yang dalam hal ini adalah mud drum. Mud drum
berfungsi mengumpulkan lumpur atau kotoran yang berasal dari sistem boiler
yang menggunakan prinsip gravitasi. Karena posisi mud drum yang terletak di
bawah sistem boiler. Air kemudian masuk dalam tabung-tabung riser di mana
panas akan diberikan untuk mengubah air menjadi uap.
Level dalam Steam drum harus dijaga untuk menghindari masuknya steam
yang terlalu kering atau terlalu basah ke dalam turbin yang akan menimbulkan
korosi dan dapat membahayakan proses selanjutnya.
2.3 Konsep Dasar Pemodelan Jaringan Syaraf Tiruan
Jaringan syaraf tiruan merupakan salah satu representasi buatan dari otak
manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada
otak manusia tersebut. Istilah buatan menggunakan disini digunakan karena
jaringan syaraf ini diimplementasikan dengan menggunakan program computer
yang mampu menyelesaikan sejumlah proses perhitungan selama
pembelajaran[9].
Ada beberapa tipe jaringan syaraf tiruan, namun demikian, hampir
semuanya memiliki komponen-komponen yang sama. Seperti halnya otak
7
manusia, jaringan syaraf juga terdiri dari beberapa neuron , dan ada hubungan
antara neuron-neuron tersebut. Neuron-neuron tersebut akan mentransformasikan
informasi yang telah diterima melalui sambungan keluarannya menuju ke neuron-
neuron yang lain. Pada jaringan syaraf tiruan, hubungan ini dikenal dengan nama
bobot dan informasi akan disimpan dengan nilai tertentu pada bobot tersebut.
Gambar 2.3 Struktur Sel Saraf Manusia
Jaringan syaraf tiruan biasanya mempunyai 3 group atau lapisan yaitu:
1 Lapisan input yang terhubung dengan lapisan tersembunyi yang
selanjutnya terhubung dengan lapisan output. Aktifitas unit-unit lapisan
input menunjukkan informasi dasar yang kemudian digunakan dalam
jaringan syaraf tiruan.
2 Aktifitas setiap unit-unit lapisan tersembunyi ditentukan oleh aktifitas dari
unit-unit input dan bobot dari koneksi antara unit-unit input dan unit-unit
lapisan tersembunyi.
3 Karakteristik dari unit-unit output tergantung dari aktifitas unit-unit
lapisan tersembunyi dan bobot antara unit-unit lapisan tersembunyi dan
unit-unit output.
Gambar 2.4 Model Tiruan Sebuah Neuron
aj : nilai aktivasi dari unit j
wj,i : Bobot dari unit j ke unit i
8
ini : Penjumlahan bobot dan masukan ke nit i
G` : Fungsi aktivasi
ai : Nilai aktivasi dari unit i
Misalkan ada n buah sinyal masukan dan n buah penimbang, fungsi keluaran dari
neuron adalah seperti persamaan (2.1) berikut.
Fungsi aktifasi neuron F(x) atau g adalah fungsi pengolahan dari input
menjadi sinyal output, ada beberapa macam fungsi aktifasi diantaranya adalah:
Linear. F(x) = x untuk semua harga x ... (2.2)
Gambar 2.5 Kurva output fungsi linear Sigmoid
Berbentuk huruf S dan simetri terhadap bentuk tertentu.
f (x) 1
... (2.3) 1 exp
( x)
Gambar 2.6 Kurva output fungsi sigmoid
Tangent Hiperbolik
Gambar 2.7 kurva output fungsi tangent hiperbolik
9
f (x)
exp( cx) exp(cx)
.... (2.4) exp ( cx) exp(cx)
2.3.1 Karakteristik Jaringan syaraf tiruan
Dengan struktur dasar seperti yang dijelaskan pada bagian sebelumnya,
algoritma jaringan saraf tiruan memiliki karakteristik-karakteristik sebagai
berikut:
1. Masukan dapat berupa nilai diskrit atau real yang memiliki banyak
dimensi.
2. Keluaran berupa vektor yang terdiri dari beberapa nilai diskrit atau real.
3. Dapat mempelajari permasalahan secara black box, dengan hanya
mengetahui nilai masukan serta keluarannya saja.
4. Mampu menangani pembelajaran terhadap data yang memiliki derau
(noise).
5. Bentuk dari fungsi target pembelajaran tidak diketahui, karena hanya
berupa bobot-bobot nilai masukan pada setiap neuron.
4. Karena harus mengubah banyak nilai bobot pada proses pembelajaran,
maka waktu pembelajaran menjadi lama, sehingga tidak cocok untuk
masalah-masalah yang memerlukan waktu cepat dalam pembelajaran.
5. Jaringan saraf tiruan hasil pembelajaran tiruan dapat dijalankan dengan
cepat.
2.3.2 Arsitektur Jaringan syaraf tiruan
Arsitektur jaringan syaraf tiruan merupakan pola hubungan antar neuron.
Beberapa arsitektur jaringan antara lain:
1. Jaringan Layer Tunggal (Single Layer Network) Dalam jaringan ini,
sekumpulan input neuron dihubungkan langsung dengan sekumpulan
outputnya. Dalam beberapa model (misal perceptron), hanya ada
sebuah unit neuron output.
10
Gambar 2.8 Arsitektur Jaringan Layer Tunggal
2. Jaringan Layer Jamak (Multi Layer Network) Jaringan layer jamak
merupakan perluasan dari layer tunggal. Dalam jaringan ini, selain unit
input dan output, ada unit lain yang disebut unit tersembunyi (hidden
layer).
Gambar 2.9 Arsitektur Jaringan Multi Layer
Jaringan layar banyak dapat menyelesaikan masalah yang lebih
kompleks dibandingkan dengan layar tunggal, meskipun kadangkala
proses pelatihan lebih komleks dan lama[3]
a. Jaringan Recurrent
Model jaringan recurrent mirip dengan jaringan layer tunggal ataupun
ganda. Hanya saja, ada neuron output yang memberikan sinyal pada
unit input (sering disebut feedback loop).
2.3.3 Algoritma Belajar (Learning Algorithm)
Metode/algoritma belajar (learning algorithm) adalah Suatu algoritma
yang digunakan pada tahap pelatihan untuk mengatur nilai dari bobot (weight)
jaringan syaraf tiruan. Adapun tipe algoritma belajar antara lain:
11
1. Orde satu: melibatkan turunan pertama (gradien) error terhadap bobot,
contoh: algoritma backpropagation.
2. Orde dua: melibatkan turunan kedua (hessian) error terhadap bobot,
contoh: algoritma newton, dan algoritma levenberg marquardt.
Agar dapat melaksanakan suatu fungsi tertentu, jaringan syaraf tiruan
haruslah dilatih dalam memetakan suatu hubungan tertentu. Pelatihan
bertujuan untuk mengatur besarnya matrik bobot sehingga jaringan syaraf
tiruan dapat menjalankan suatu fungsi. Secara umum proses pelatihan jaringan
syaraf tiruan diperlihatkan pada gambar.
Gambar 2.10 Diagram Pelatihan JST
Berdasarkan cara modifikasi bobotnya, ada dua macam pelatihan yang dikenal
yaitu:
1. pelatihan dengan supervisi (supervised learning)
Dalam pelatihan dngan supervisi, terdapat sejumlah pasangan data
(masukan-target-keluaran) yang dipakai untuk melatih jaringan hinga
diperoleh bobot yang diiinginkan. Pasangan data tersebut berfungsi
sebagai ”guru” untuk melatih jaringan hingga diperoleh bentuk yang
terbaik. Pada setiap kali pelatihan, suatu input diberikan ke jaringan.
Jaringan akan memproses dan mengeluarkan keluaran atau output. Selisih
antara keluaran jaringan dengan target (keluaran yang diinginkan)
menghasilkan suatu kesalahan atau nilai error. Jaringan akan memodifkasi
bobot sesuai dengan kesalahan tersebut
2. pelatihan tanpa supervisi (unsupervised)
Sebaliknya, dalam pelatihan tanpa supervisi tidak ada ”guru” yang akan
mengarahkan proses pelatihan. Dalam pelatihannya, perubahan bobot
12
jaringan dilakukan berdasarkan parameter tertentu dan jaringan
dimodifikasi menurut ukuran parameter tersebut.
2.4 Identifikasi Sistem dengan Jaringan Syaraf Tiruan
Identifikasi sistem merupakan usaha untuk mendapatkan deskripsi
matematik (model) suatu sistem dinamik berdasarkan data pengukuran dan
pengamatan yang diperoleh dari sistem tersebut. Secara umum model suatu sistem
dapat dikategorikan menjadi 2, yakni:
1 Fundamental model (first principle model): didasarkan pada kaidah-kaidah
hukum fisika dan kimia (mass-energy balance, hukum Newton, dll).
Keuntungan: dapat diperkirakan ke ekstrapolasi pada daerah operasi yang
tidak digunakan pada data latih. Kelemahan: model dinamik yang dihasilkan
mungkin sangat kompleks.
2 Empirical mode: didasarkan pada hubungan input-output sistem. Keuntungan:
detail proses yang terjadi tidak perlu dicari terlebih dahulu dan dapat igunakan
untuk model yang sangat kompleks. Sesuai dengan karakteristik yang dimiliki
oleh JST,
maka model yang dihasilkan oleh JST merupakan empirical model serta
non-parametric model. Fokus utama dari sistem identifikasi dengan JST hanya
untuk sistem non-linier yang dinyatakan sebagai berikut:
y t f x t ...(2.5)
x(t) u t 1 ....u t nu y t 1 ...y t ny T
...(2.6)
dengan:
f : fungsi nonlinier
x t : regressor
y t : output sistem
u t : input sistem
nu : history length untuk input sistem
ny : history length untuk output sistem
Pada prinsipnya, identifikasi sistem non linier dapat dibedakan menjadi 2, yaitu:
1. Series-parallel/NNARX (Neural Network Auto Regressive with eXternal
input) model:
Persamaan:
13
yˆ t fˆ x t ...(2.7)
x t u t 1 ...u t nu y t 1 ...y t ny ... (2.8)
Gambar 2.11 NNARX model
2. Parallel/NNOE (Neural Network Output Error) model Persamaannya:
yˆ t fˆ x t ...(2.9)
x t u t 1 ...u t nu yˆ t 1 ...yˆ t ny ...(2.10)
Gambar 2.12 NNOE model
14
Terdapat empat tahapan yang harus dilakukan dalam pengidentifikasian sebuah
sistem yang dinamik (Magnus Norgard, 2000)[8]:
Gambar 2.13 Flowchart Prosedur Identifikasi JST
1. Experiment, meliputi input sequence design. Eksperimen dilakukan untuk
mendapatkan serangkaian data input-output yang menerangkan perilaku
proses pada suatu range daerah operasi tertentu. Ide utama dari proses
experiment adalah untuk memasukkan input yang bervariasi, u, dan
mengamati akibatnya pada output, y. Pasangan data yang berhubungan
dengan input dan output:
Z N u t , y t T 1,....., N .... (2.11)
kemudian digunakan untuk mendapatkan sebuah model dari sistem.
Apabila sistem yang akan diidentifikasi menjadi tidak stabil atau
mengandung sedikit peredaman dinamik, maka pembangkitan data
dilakukan dalam keadaan lup tertutup. Beberapa parameter penting dalam
melakukan eksperimen antara lain: pemilihan sampling frekuensi,
pemilihan sinyal input yang sesuai dan pemrosesan data.
2. Select model structure, meliputi structur selection, noise modeling.
Pemilihan struktur model menyangkut jumlah sinyal input-output
(regressor) yang digunakan sebagai masukan bagi model dalam
menghasilkan output prediksi. Struktur model adalah pasangan kandidat
model. Masalah utama dalam pemilihan model struktur adalah:
a. Memilih sebuah “keluarga” dari struktur model untuk mendiskripsikan
sebuah sistem, contohnya: struktur model linier, jaringan multilayer
15
percepteron, jaringan radial basis function, wavelets atau model
Hammerstein.
b. Memilih sebuah subset dari keluarga yang telah ditentukan. Pada
struktur sistem linier, dapat berupa sebuah struktur model ARX(3,2,1),
dimana (3,2,1) adalah waktu tunda dari satu periode sampling
danoutput saat ini tergantung dari dua output masa lampau dan tiga
input masa lampau.
3. Estimate parameter, meliputi parameter estimation. Jika struktur model
telah ditentukan, maka tahap berikutnya adalah melakukan estimasi terhadap
parameter model agar mampu memberikan hasil yang baik berdasarkan
kriteria tertentu. Kriteria tersebut dapat dirumuskan dengan berbagai cara,
tetapi harus secara ideal menghubungkan penggunaan model yang diharapkan.
Strategi yang paling umum adalah dengan mengambil yang menyediakan one-
step a head prediction paling bagus dengan squared error terkecil antara
output sistem dengan output prediksi.
4. Model validation, diperlukan untuk mengetahui apakah model yang telah
diperoleh mampu memenuhi kebutuhan yang diperlukan.
2.5 Sistem Pengendali dengan Jaringan Syaraf Tiruan
Salah satu aplikasi dari jaringan syaraf tiruan adalah untuk sistem
pengendali. Karakteristik jaringan syaraf tiruan yang non linier sangat sesuai
untuk menyelesaikan proses multivaribel yang bersifat non linier. Secara garis
besar penerapan jaringan syaraf tiruan pada sistem pengendali non-linier dapat
dibedakan menjadi
1. Direct Control System Design ( ANN sebagai controller )
Design sistem pengendali langsung dimana jaringan syaraf tiruan
digunakan secara langsung untuk pengendali non linier. Hal ini berarti
jaringan syaraf tiruan akan membangkitkan sinyal pengendali yang
diaplikasikan pada plant. Direct Control System Design atau bisa disebut
dengan ANN sebagai controller Multivaribel pada penelitian ini akan
mengontrol Three Element Control sehinggga ANN akan langsung
mengontrol tiga varibel sekaligus pada steam drum yaitu water flow, steam
16
flow dan level air. Berikut adalah gambar diagram Direct Control System
Design atau ANN sebagai controller.
Gambar 2.14 Direct Control System
Contoh dari direct control system design antara lain:
a. Direct Inverse Control (DIC)
b. Internal Model Control (IMC)
c. Optimal Control
2. Indirect Control System Design ( ANN sebagai Tuning PID )
Design sistem pengendali tak langsung dimana jaringan syaraf
tiruan akan digunakan sebagai model proses non linier dari pada
pengendali non linier. Perancangan tersebut meliputi model based control
system. System Control dalam hal ini menggunakan PID ( Proportional
Integral Derivative ). Hal ini berarti sebuah model digunakan secara
eksplisit pada perhitungan untuk mengarahkan sinyal pengendali yang
akan diaplikasikan pada plant. Pada Indirect Control System Design atau
ANN sebagai Tuning PID akan melakukan metode tuning menggunakan
algoritma ANN, dimana Three Element Control sebagai parameter yang
akan dikontrol oleh PID akan menentuan nilai Kp, Ki, dan Kd dan setiap
parameternya pada steam drum terdiri dari water flow, steam flow dan
level air. Sehingga terdapat 3 variabel disetiap parameternya dengan
jumlah total varibel yang akan dituning secara bersamaan oleh metode
ANN (Artificial Neural Network) yaitu 9 varibel. Inilah yang membedakan
metode tuning ANN dengan metode klasik Ziegler-Nichols dan Cohen-
Coon yaitu kemampuannya yang dapat mentuning secara bersamaan
parameter multivaribel. Berikut adalah gambar diagram Indirect Control
System Design atau ANN sebagai Tuning PID.
17
Gambar 2.14 Indirect Control System
2.6 Direct Inverse Control
Merupakan konsep yang paling dasar dari pengendali yang berdasarkan
jaringan syaraf tiruan yang menggunakan inverse sebagai pengendali proses.
Model inverse diaplikasikan sebagai pengendali untuk suatu proses dengan
memasukkan output yang diinginkan. Sebelum sistem pengendali aktual bekerja
maka model inverse harus dilatih. (Norgaard, 2000[7])
Prinsip dari proses ini dapat dideskripsikan sebagai berikut:
y t 1 g y t ...., y t n 1 ,u t ,....,u t m ...(2.12)
Jaringan yang digunakan untuk melatih proses inverse adalah:
uˆ k gˆ 1 y t 1 , y t ,...., y t n 1 ,u t ,....u t m .. (2.13)
Diasumsikan bahwa plant memiliki sejumlah fungsi variabel waktu (state
variabel) yang diketahui sehingga plant itu dapat dideskripsikan:
x(k 1) f (x(k),u(k)) … (2.14)
dimana x(k + 1) adalah vektor keadaan pada waktu k + 1, x(k) adalah vektor
keadaan pada waktu k, dan u(k) adalah sinyal pengendali pada waktu k (dengan
asumsi bahwa u(k) adalah nilai skalar). Jika dituliskan dengan persamaan umum:
x(k n) F (x(k),U ) … (2.15)
dimana n adalah perintah dari plant, F adalah perkalian gabungan dari fungsi f,
dan U sebagai aksi pengendali dari waktu k sampai kn - 1. Persamaan 2
menunjukkan bahwa serangkaian input pengendali U akan mengatur vektor
keadaan dari x(k) sampai x(kn) dalam waktu step n. Jika diasumsikan bahwa
terdapat fungsi inverse dari model plant, maka U dapat dinyatakan sebagai sebuah
fungsi yang jelas dari x(k) dan x(k + n).
U G(x(k), x(k n)) ... (2.16)
Dengan G adalah model inverse.
18
U hat Ghat (x(k), xd (k n)) ... (2.17)
Diketahui bahwa Uhat adalah aksi pengendali estimasi pada jaringan dari
x(k) yang merupakan vektor keadaan sekarang dan xd(k + n) adalah vektor
keadaan (state vector) yang diharapkan. Setelah mencapai waktu n, serangkaian
pengendali ini dapat membuat state vector x(k) menjadi state vector estimasi yang
diinginkan yaitu xd(k + n), dengan asumsi bahwa G = Ghat. Jika vektor G tidak
sama dengan vektor Ghat, maka aksi pengendali Uhat tidak dapat membentuk
sebuah state vector pada xd(k + n). Sebagai pasangan data pada jaringan, jika nilai
vektor G semakin mendekati niai vektor Ghat, maka aksi pengendali akan semakin
akurat.
Metode pembelajaran untuk pengendali berbasis jaringan syaraf tiruan dapat
dibedakan menjadi 2 metode, yaitu:
1 Generalized Training
Pada metode ini jaringan syaraf tiruan ditraining secara offline untuk
meminimalisasi mean square error (MSE) di sinyal pengendali yang akan
diterapkan pada proses melalui percobaan sinyal pengendali yang dihasilkan
dari jaringan.
2. Specialized Training
Metode ini berfungsi untuk meminimalisasi nilai mean square error (MSE)
antara sinyal referensi dan output dari proses. Metode ini telah berjalan
dengan baik secara online dengan menggunakan recursive training
algorithm.
Gambar 2.16 Direct Inverse Control
Kelebihan dan kelemahan dari direct inverse control adalah:
Kelebihan
19
Intuisi sederhana, sederhana penerapannya. Dengan pelatihan specialized
kontoller dapat di optimalkan untuk specific reference trajectory. Pada
prinsipnya penerapan pelatihan specialized tepat pada bermacam-macam
sistem. Tidak bekerja untuk sistem dengan inverse yang tidak stabil, yang
mana sering terjadi ketika menggunakan frekuensi sampling tinggi.
Kurang pilihan tuningnya.
Biasanya diharapkan menunjukkan kepekaan yang tinggi untuk gangguan
dan kebisingan.
2.7 Definisi Penggolongan Respon Transient
Respon transient suatu sistem pengendali secara praktek sering
menunjukkan osilasi teredam sebelum mencapai keadaan tunak. Dalam
menentukan karakteristik respon transient suatu sistem pengendali terhadap
masukan tangga satuan, biasanya dicari parameter sebagai berikut :
1. Waktu tunda (delaytime), td
2. Waktu naik (rise time), tr
3. Waktu puncak (peak time), tp
4. Lewatan maksimum (Maksimum overshoot), Mp
5. Waktu Penetapan (settling time), ts
Spesifikasi ini didefinisikan sebagai berikut dan ditunjukkan secara grafik pada
gambar
Gambar 2.17 Grafik Respon Transient
20
1. Waktu tunda (td) adalah waktu yang diperlukan oleh respon untuk
mencapai setengah harga akhir yang pertama kali.
2. Waktu naik (tr) adalah waktu yang diperlukan oleh respon untuk naik dari
10% sampai 90%, 5% sampai 95%, atau 0% sampai 100% dari harga
akhirnya. Untuk sistem orde kedua redaman kurang (Underdamped),
biasanya
digunakan waktu naik 0% - 100%. Untuk sistem redaman lebih
(overdamped), biasanya digunakan waktu naik 10% - 90%.
3. Waktu puncak (tp) adalah waktu yang diperlukan respon untuk mencapai
puncak lewatan yang pertamakali.
4. (Persen) Lewatan maksimum (Mp) adalah harga puncak maksimum dari
kurva respon yang diukur dari satu. Apabila nilai akhir keadaan tunak
responnya tidak sama dengan satu, maka biasa digunakan persen
maksimum overshoot dan didefinisikan sebagai berikut :
dimana :
c(tp) : Keadaan pada waktu puncak
c(∞) : Keadaan pada setpoint
Besarnya persen maksimum overshoot menunjukkan kestabilan relative
dari sistem
5. Waktu penetapan (ts) adalah waktu yang diperlukan kurva respon untuk
mencapai dan menetap dalam daerah di sekitar harga akhir yang
ukurannya ditentukan dengan presentase mutlak dari harga akhirnya
(biasanya 2% atau 5%). Waktu penetapan ini dikaitkan dengan konstanta
waktu terbesar dari sistem pengendali. Kriteria prosentase kesalahan yang
akan digunakan ditentukan dari sasaran desain sistem yang ditanyakan.
2.8 Perancangan Kontroler
Kontroler PID-Neural Network terdiri atas kontroler PID sebagai kontroler
utama dan Neural Network sebagai algoritma cerdas yang dapat melakukan tuning
parameter kontroler PID. Dalam mendesain kontroler PID-Neural Network
adapun langkahnya sebagai berikut:
21
1. Menentukan algoritma pembelajaran yang akan digunakan pada Neural
Network, algoritma pembelajaran yang digunakan pada perancangan
kontroler ini adalah backpropagation.
2. Menentukan struktur dari Neural Network, seperti jumlah layer yang
digunakan dan jumlah neuron pada setiap layer
3. Melakukan inisialisasi nilai bobot yang digunakan pada Neural Network
pada bagian antara input layer menuju hidden layer dan hidden layer
menuju output layer
4. Menentukan nilai learning rate () dan koefisien inersia ( )
Gambar 2.18 Diagram Blok PID-Neural Network
Pada kontroler PID Neural Network yang dirancang terdiri atas tiga layer,
yaitu satu input layer, satu hidden layer, dan satu output layer. Jumlah neuron
yang digunakan pada input layer terdiri atas empat neuron, pada hidden layer lima
neuron, dan tiga neuron pada output layer yang merepresentasikan dari tiga
parameter kontroler PID yaitu Kp, Ki, dan Kd.
22
Gambar 2.19 Struktur Neural Network untuk autotuning PID
Pada Neural Network ini terdapat mekanisme algoritma feed forward dan
algoritma backpropagation. Pada algoritma feed forward dilakukan perhitungan
maju dari input layer menuju output layer untuk mendapatkan nilai keluaran dari
Neural Network. Nilai keluaran ini kemudian dibandingkan dengan nilai referensi
yang digunakan.
2.9 Persamaan Matematis Steam Drum
Model sistem steam drum merupakan perhitungan menggunakan
persamaan 2.18 s/d 2.62 berdasarkan data PG. Modjopanggoong