Generalized Predictive Control

Generalized Predictive Control (GPC) adalah suatu metoda pengontrolan yang dirancang berdasarkan model suatu proses. Model tersebut digunakan untuk menghitung suatu set prediksi keluaran proses. Berdasarkan set prediksi tersebut, sinyal kontrol yang akan diberikan ke proses dihitung dengan melakukan minimalisasi suatu fungsi harga, sedemikian sehingga selisih antara set prediksi keluaran proses dan set masukan referensi yang bersesuaian serta perubahan sinyal kontrol minimal. Secara umum, GPC merupakan kombinasi dari komponen-komponen berikut 1. Model proses yang akan digunakan untuk menghitung prediksi keluaran proses. Pemilihan struktur model yang baik sangat penting dalam merancang suatu pengontrol prediktif. 2. Pengetahuan mengenai masukan referensi ke depan yang bersesuaian dengan set prediksi keluaran proses. 3. Fungsi harga J(e,u) di mana e adalah vektor kesalahan sistem ke depan dan u adalah vektor sinyal kontrol ke depan yang akan diberikan ke proses. 4. Algoritma optimasi yang digunakan untuk meminimalkan fungsi harga J, dengan adanya pembatasan besar sinyal kontrol, keluaran proses dan kecepatan perubahan sinyal kontrol.

Model dan Prediksi Keluaran Proses

Suatu model umum yang sesuai untuk merepresentasikan dinamika sistem nonlinier adalah Nonlinear Auto-Regressive with eXogenous Variable (NARX), yang didefinisikan dengan persamaan
y ( t ) = F ( y ( t 1), , y ( t n ) , u ( t d 1), , u ( t d n ) ) + e( t )

(4.1)

dimana y(t) dan u(t) adalah sinyal keluaran dan sinyal masukan proses pada saat t, e(t) adalah sinyal kesalahan (error), n adalah orde proses, d adalah waktu tunda proses (dinyatakan dengan kelipatan bulat dari waktu sampling) dan F( ) adalah fungsi nonlinier. Struktur JST DRNN dan ANFIS akan digunakan untuk merepresentasikan model NARX tersebut. Kemudian prediksi keluaran proses y(t+1), y(+2),, y(t+N) dapat dihitung berdasarkan set sinyal kontrol yang diberikan ke model Dimana N adalah banyaknya prediksi keluaran yang diinginkan..

Modul Praktikum Aplikasi Artificial Intelligent pada Pengontrolan

Generalized Predictive Control a 1 a

Fungsi Harga Kontrol Prediktif

Tujuan dari hukum predictive kontrol kemudian adalah menghitung keluaran kedepan y ( t + j ) sehingga mendekati masukan set point w( t + j ) . Hal ini terwujud dengan menggunakan pendekatan receding horizon untuk setiap langkah t aksi kontrol. sekuen set point kedepan w( t + j ) ditentukan model prediksi hasil dari pemodelan digunakan untuk menghitung suatu set prediksi keluaran y ( t + j | t ) yang bersesuaian dengan error kedepan, e( t + j ) = w( t + j ) y (t + j | t ) , dimana y ( t + j | t ) adalah prediksi keluaran kedepan berdasarkan sinyal kontrol kedepan u ( t + j | t ) yang akan dicari. (3) Fungsi kuadrat dari error kedepan dan perubahan sinyal kontrol (fungsi harga) diminimasi sehingga diperoleh set sinyal kontrol kedepan u(t + j | t ) . (4) Elemen pertama u (t ) dari set sinyal kontrol digunakan utuk mengontrol plant. Dan perhitungan diulangi lagi untuk langkah kontrol berikutnya.
(1) (2)

Fungsi harga yang digunakan adalah

J=

j = N1

2 2 [ y(t + j ) w(t + j )] + ( j )[ u (t + j 1)] j =1

N2

Nu

(4.2)

dimana N 2 , N1 , N u and ( j ) adalah maksimum horizon (1 N 2 ) , minimum horizon (1 N1 N 2 ) , control horizon (1 N u N 2 ) dan sekuen pembobotan kontrol.

Pemilihan Harga Kontrol Prediktif

Performansi strategi kontrol prediktif tergantung pada pemilihan parameterparameter kontrol prediktif, yaitu horison minimum, horizon maksimum, horizon kontrol dan pembobotan sinyal kontrol. Berikut ini adalah cara penalaan parameter kontrol prediktif . N1: horison minimum. Jika dead-time k diketahui, maka harga N1 diset kurang dari k. Jika k tidak diketahui atau bervariasi, maka harga N1 = 1. N2: horison maksimum. Jika proses memiliki respon awal negative-going nonminimum phase, harga N2 setidaknya sama dengan sampling dimana respon positive-going muncul. Atau untuk proses yang mempunyai waktu tunda = d, maka harga N2 diset dengan harga N2>d. Nu: horison kontrol. Penambahan harga Nu akan menyebabkan aksi kontrol dan respon proses lebih aktif. Pengaturan harga Nu lebih besar dari satu biasanya dilakukan pada sistem yang kompleks. Harga Nu default untuk proses yang tidak diketahui parameternya adalah 1. Pembobotan sinyal kontrol ditentukan dengan melihat seberapa penting minimalisasi perubahan sinyal kontrol dibandingkan dengan minimalisasi selisih prediksi keluaran dengan set point. Penambahan harga 0 akan

Modul Praktikum Aplikasi Artificial Intelligent pada Pengontrolan

a Generalized Predictive Control a

menyebabkan respon proses menjadi lebih lambat dengan perubahan sinyal kontrol yang tidak fluktuatif.

Pembuatan GPC dengan Model JST

Setting pengontrol prediktif yang digunakan adalah : model sistem menggunakan struktur JST DRNN fungsi J diminimalisir menggunakan random method Pemilihan random method untuk meminimalisir fungsi J agar pemrograman tidak menjadi kompleks dan tetap menitik beratkan pada pemahaman terhadap GPC itu sendiri. 1. Buat file VI baru. Save as GPC JST.vi 2. Aktifkan Front Panel. 3. Atur Front Panel agar seperti gambar 4 1.

Gambar 4 1. Front panel GPC dengan pemodelan JST 4. Klik kanan pada icon di Menu Bar. Pilih Show Connector. Maka akan terlihat icon seperti disamping. 5. Hubungkan setiap kotak pada connector dengan control-control berikut :

6. Klik kanan pada icon di Menu Bar lagi, pilih Show Icon. Kemudian Klik kanan lagi, pilih Edit Icon. Maka akan tampil menu utnuk mengedit gambar dari icon ini, Anda bisa membuat Icon sesuai kreasi Anda, atau buatlah seperti icon pada gambar disamping.
Modul Praktikum Aplikasi Artificial Intelligent pada Pengontrolan a a

7. Aktifkan Diagram, modifikasi menjadi seperti gambar 4 2 dan 4 3.

Generalized Predictive Control

Gambar 4 2. Block Diagram GPC dengan pemodelan JST

Gambar 4 3. Case Structure True dari Diagram GPC 8. Save pekerjaan Anda.

Pengontrolan Tangki Proses 1 Menggunakan GPC dengan pemodelan JST

1. Open file VI Pengontrol JST tipe 2.vi. 2. Save as Pengontrol GPC JST.vi

Modul Praktikum Aplikasi Artificial Intelligent pada Pengontrolan

a a

3. Aktifkan Front Panel, buat satu buah digital indicator, edit labelnya menjadi Iterasi RM 4. Aktifkan Diagram. Hapus sub VI JST. Hapus shift register yang semula terhubung dengan sub VI JST. Tekan Ctrl-B untuk menghapus kabelGeneralized Predictive Control kabel yang terputus-putus. 5. Panggil subVI GPC JST.vi dengan cara pada Control Palette pilih Select a VI ... lalu akan tampil Windows Choose the VI to open. Pilih file GPC JST.vi. Tempatkan di bawah indikator Tangki Proses 2 6. Klik kanan di terminal Parameter GPC pada subVI GPC JST.vi, pilih Create Control. 7. Aktifkan kembali Front Panel, atur posisi front panel menjadi seperti gambar 4 4.

Gambar 4 4. Front Panel Pengontrol GPC dengan model JST 8. Aktifkan Block Diagram, buat menjadi seperti gambar 4 5. 9. Lakukan pengujian program. Pertama-tama set besaran-besaran berikut : Set bukaan Control Valve 1 dan Control Valve 2 pada 50 % dan Set Point = 54 Set fungsi aktivasi linier dan bobot JST sebagai berikut : W1=1 ; W2 = -0.003763 ; WD = 0 ; WB = 0.2387324 dan WO = 1. Set Iterasi RM = 1000 ; N1 = 0 ; N2 = 2 ; NU = 0 dan lambda = 0
Modul Praktikum Aplikasi Artificial Intelligent pada Pengontrolan a a

Jalankan program. Jika sistem dapat mendekati harga set point, berarti program telah bekerja sesuai dengan yang diharapkan. 10. Save pekerjaan Anda.
Generalized Predictive Control

Gambar 4 5. Block Diagram Pengontrol GPC dengan model JST

Modul Praktikum Aplikasi Artificial Intelligent pada Pengontrolan

a a