Diktat Kuliah Sistem Kendali Prediktif Dan Adaptif
Diktat Kuliah Sistem Kendali Prediktif Dan Adaptif
Diktat Kuliah Sistem Kendali Prediktif Dan Adaptif
1 Pendahuluan 1
1.1 Perkembangan Sistem Kendali Adaptif ......................................... 1
1.2 Mengapa Harus Kendali Adaptif .................................................... 2
1.3 Struktur Sistem Kendali Adaptif ..................................................... 11
Gambar 2.22 Hasil estimasi parameter proses dengan RLS dan RELS ............ 47
Gambar 2.23 Perbandingan kemiripan model dengan keluaran proses yang
dihasilkan metode LS dan IV ............................................................................. 49
Gambar 2.24. Sifat konsistensi metode IV terhadap bertambahnya jumlah data
........................................................................................................................... 49
Gambar 2.25 Hasil perbandingan estimasi model dengan RLS dan RIV ........... 51
Gambar 3.1 Struktur sistem kendali dengan pengendali dua derajat kebebasan.
........................................................................................................................... 52
Gambar 3.2 Diagram blok sistem lingkar tertutup .............................................. 56
Gambar 3.3 Respon sistem lup tertutup ............................................................ 59
Gambar 3.4 Diagram blok untuk algoritma umum penempatan kutub ............... 60
Gambar 3.5 Konsep aksi kendali kenaikan. ....................................................... 65
Gambar 4.1 Interpretasi GMV sebagai pengendali prediktor Smith ................... 80
Gambar 5.1 Struktur dasar MPC ........................................................................ 88
Gambar 5.2 Kalkulasi keluaran proses dan pengendali terprediksi ................... 89
Gambar 5.3 Respon sistem untuk masukan fungsi step .................................... 93
Gambar 5.4 Kurva respon waktu keluaran sistem dan pengendali dengan
algoritma DMC ................................................................................................... 96
Gambar 5.5 Respon keluaran sistem dengan masukan fungsi impuls .............. 99
Gambar 5.6 Kurva respon waktu keluaran sistem dan pengendali dengan
algoritma MAC ................................................................................................. 101
Gambar 5.7 Aturan kendali GPC ..................................................................... 107
Gambar 5.8 Kurva respon waktu keluaran sistem dan pengendali dengan
algoritma GPC ................................................................................................. 111
Gambar 6.1 Sistem pengendali penempatan kutub swa-tala ........................... 114
Gambar 6.2 Diagram timing dan sequence untuk sistem kendali swa-tala ...... 115
Gambar 7.1 Sistem kendali swa-tala dengan supervisi ................................... 121
Gambar 7.2 Grafik perbandingan set-point dengan keluaran model simulasi
pressure process rig dengan kutub lup tertutup z=+0.9 dan =0.85 (atas),
keluaran sinyal pengendali adaptif (bawah) ..................................................... 129
Gambar 7.3 Hasil estimasi parameter model simulasi pressure process rig
dengan kutub lup tertutup z=+0.9 dan =0.85 ................................................. 130
Gambar 7.4 Grafik uji eksperimen perbandingan set-point dengan keluaran
pressure process rig dengan kutub lup tertutup z=+0.9 dan =1.0 (atas),
keluaran sinyal pengendali adaptif (bawah) ..................................................... 130
Gambar 7.5 Hasil uji eksperimen estimasi parameter model pressure process rig
dengan kutub lup tertutup z=+0.9 dan =1.0 ................................................... 131
Gambar 7.6 Grafik uji eksperimen perbandingan set-point dengan keluaran
pressure process rig dengan kutub lup tertutup z=+0.9 dan =0.9 (atas),
keluaran sinyal pengendali adaptif (bawah) ..................................................... 131
Gambar 7.7 Hasil uji eksperimen estimasi parameter model pressure process rig
dengan kutub lup tertutup z=+0.9 dan =0.9 ................................................... 132
Gambar 7.8 Grafik uji eksperimen perbandingan set-point dengan keluaran
pressure process rig dengan kutub lup tertutup z=+0.9 dan =0.85 (atas),
keluaran sinyal pengendali adaptif (bawah) ..................................................... 132
Gambar 7.9 Hasil uji eksperimen estimasi parameter model pressure process rig
dengan kutub lup tertutup z=+0.9 dan =0.85 ................................................. 133
vi Daftar Gambar
Gambar 8.25 (a) Grafik sinyal masukan saat identifkasi. (b) Grafik dari sensor
ketinggian pada tangki pertama. (c) Grafik dari sensor ketinggian pada tangki
kedua ............................................................................................................... 168
Gambar 8.26 Grafik keluaran proses dan keluaran model pada tangki kedua. 169
Gambar 8.27 Selisih antara keluaran proses dengan keluaran model pada tangki
kedua ............................................................................................................... 169
Gambar 8.28 Blok diagram pengendali MPC dengan constraints.................... 170
Gambar 8.29 Diagram alir metode Active Set untuk menyelesaikan Quadratic
Programming. .................................................................................................. 173
Gambar 8.31 Keluaran sistem hasil simulasi dengan nilai control horizon yang
berbeda. ........................................................................................................... 175
Gambar 8.32 Sinyal kendali hasil simulasi dengan nilai control horizon yang
berbeda. ........................................................................................................... 176
Gambar 8.33 Keluaran sistem hasil percobaan dengan nilai control horizon yang
berbeda. ........................................................................................................... 177
Gambar 8.34 Sinyal masukan hasil percobaan dengan nilai control horizon yang
berbeda. ........................................................................................................... 178
Gambar 8.35 Keluaran sistem hasil simulasi dengan nilai prediction horizon yang
berbeda. ........................................................................................................... 179
Gambar 8.36 Sinyal masukan hasil simulasi dengan nilai prediction horizon yang
berbeda. ........................................................................................................... 180
Gambar 8.37 Keluaran sistem hasil percobaan dengan nilai prediction horizon
yang berbeda. .................................................................................................. 181
Gambar 8.38 Sinyal kendali hasil percobaan dengan nilai prediction horizon
yang berbeda. .................................................................................................. 182
Gambar 8.39 Keluaran sistem hasil simulasi untuk nilai matriks R yang berbeda-
beda. ................................................................................................................ 183
Gambar 8.40 Sinyal masukan hasil simulasi untuk nilai matriks R yang berbeda-
beda. ................................................................................................................ 184
Gambar 8.41 Keluaran sistem hasil percobaan untuk nilai matriks R yang
berbeda-beda................................................................................................... 185
Gambar 8.42 Sinyal kendali hasil percobaan untuk nilai matriks R yang berbeda-
beda. ................................................................................................................ 186
viii Daftar Gambar
Daftar Tabel
Tabel 1.1 Nilai parameter model keadaan pesawat untuk kondisi penerbangan
berbeda ................................................................................................................ 8
Tabel 7.1. Perbandingan kinerja pengendalian dan kinerja estimator untuk
perbedaan nilai faktor pelupa ........................................................................... 128
Tabel 8.1 Nilai parameter sistem tangki terhubung .......................................... 165
Daftar Simbol
J : fungsi kriteria
gi : koefisien impuls respon
N1 : costing horizon minimum
N2 : costing horison maksimum
Nu : control horizon
hi : koefisien step respon
: integrator
: faktor pelupa
: nilai awal matriks kovarian
n : frekuensi alami
: faktor peredam
: derajat polinomial
Bab 1
Tujuan Pengajaran
Pada awal bab diktat sistem kendali adaptif, yang menjadi tujuan pertama adalah
untuk mengetahui alasan-alasan penggunakan sistem kendali adaptif untuk
menggantikan sistem kendali konvensional. Tujuan yang kedua adalah untuk
mengetahui struktur-struktur yang berbeda dari sistem kendali adaptif, serta untuk
memahami alasan pemilihan salah satu struktur dari beberapa macam struktur
sistem kendali adaptif yang dikenal.
Pada tahun 1960’an banyak kontribusi teori kendali yang diusulkan untuk
perkembangan sistem kendali adaptif. Teori ruang keadaan dan teori kestabilan
juga diusulkan. Pada waktu itu juga terdapat hasil-hasil penting dalam teori kendali
stokastik. Pemrograman dinamik yang diusulkan oleh Bellman menambah
pengertian akan sistem kendali adaptif. Kontribusi-kontribusi teori dasar juga
dibuat oleh Tsypkin yang menunjukkan bahwa skema untuk learning dan kendali
adaptif dapat dinyatakan dalam bentuk yang lebih umum sebagai suatu
persamaan rekursif. Pada saat itu juga terdapat perkembangan yang berarti dalam
teori identifikasi sistem dan estimasi parameter. Hanya saja realisasi pengendali
2 Bab 1: Pendahuluan
(b) Linieritas: Asumsi kedua yang dibuat adalah bahwa sistem yang
dikendalikan memiliki sifat yang linier. Hingga saat ini pendekatan tersebut
masih menjadi fakta yang ditoleransi, karena teori kendali non linier tidak
sempurna eksis dan fakta bahwa metode perancangan linier masih bekerja
dengan baik walaupun diaplikasikan untuk proses non linier.
Sebuah lup umpan balik sederhana dengan katup tak linier terlihat pada gambar
1.1. Karakteristik katup ini diwakili oleh persamaan
v f (u ) u 4 u0
Linierisasi sistem disekitar titik kerja menunjukkan bahwa penguat lup nilainya
proporsional terhadap f’(u). Sistem dapat bekerja dengan baik pada satu titik kerja,
tetapi bekerja dengan buruk pada titik kerja yang lain. Hal ini ditunjukkan oleh
4 Bab 1: Pendahuluan
respon sistem dengan masukan fungsi step pada gambar 1.2. Untuk nilai sinyal
acuan yang lebih besar, respon sistem menjadi buruk.
Cara sederhana untuk mengatasi masalah ini adalah dengan mengirim sinyal
kendali u melalui invers dari ketidaklinieran. Implementasi invers ketidaklinieran
tersebut biasanya merupakan suatu aproksimasi.
Gambar 1.2 Respon sistem terhadap masukan fungsi step untuk pengendali PI
dengan baik untuk kecepatan yang berbeda. Suatu sistem kendali sederhana
mengilustrasikan hal-hal yang mungkin terjadi.
Suatu sistem kendali konsentrasi untuk fluida yang mengalir melewati pipa tanpa
pengadukan, dan melalui sebuah tangki dengan pengadukan yang sempurna.
Diagram skematik proses ini terlihat pada gambar 1.3. Konsentrasi cin pada inlet
diatur dengan pengadukan dua aliran kedalam sebuah tangki kecil yang
dinamikanya dapat diabaikan. Volume pipa adalah Vd dan volume tangki adalah
Vm, kemudian q adalah aliran dan konsentrasi didalam tangki dan pada outlet
adalah c.
dc(t )
Vm q(t )c in (t ) c(t ) (1.1)
dt
dengan
Vd
q(t )
Dengan mendefinisikan
Vm
T (1.2)
q(t )
dan untuk aliran konstan, proses mempunyai fungsi alih dalam bentuk
6 Bab 1: Pendahuluan
e s
G0 (s ) (1.3)
1 sT
Dinamika proses dikarakterisasi oleh sebuah waktu tunda dan sistem orde satu.
Baik konstanta waktu T maupun waktu tunda berbanding terbalik dengan aliran
q. Konsekuensi variansi aliran untuk sistem kendali diilustrasikan pada gambar
1.4. Gambar 1.4 menunjukkan perubahan respon untuk pengendali yang sama
ketika aliran berubah. Perubahan drastis terjadi ketika aliran berubah dengan
faktor 2. Akan tetapi respon terhadap perubahan beban tidak terlalu dipengaruhi
oleh perubahan aliran sekitar 10%. Jika aliran berubah dengan faktor 2 atau
lebih, diperlukan menala ulang pengendali dalam rangka untuk mendapatkan
kembali kinerja yang baik.
Contoh 1.3
a
G 0 (s )
sa
dengan a = 14. Fungsi alih ini dapat mewakili satu buah variabel keadaan e.
Model pesawat ini dengan demikian memiliki 3 variabel keadaan Nz, q, dan e, dan
persamaan yang terlinierisasi mempunyai bentuk
Gambar 1.5 Notasi variabel untuk sistem pesawat pada contoh 1.3
8 Bab 1: Pendahuluan
Tabel 1.1 Nilai parameter model keadaan pesawat untuk kondisi penerbangan
berbeda
FC 1 FC 2 FC 3 FC 4
Mach 0,5 0,85 0,9 1,5
Altitude (feet) 5000 5000 35000 35000
a11 -0.9896 -1.702 -0.667 -0.5162
a12 17.41 50.72 18.11 26.96
a13 96.15 263.5 84.34 178.9
Dari ketiga contoh diatas ditunjukkan pentingnya akan kebutuhan sistem kendali
adaptif untuk mengendalikan sistem yang memiliki karakteristik yang berubah atau
sifat ketidaklinieran yang kuat. Namun hal ini bukan berarti bahwa sistem adaptif
akan selalu pasti menggantikan sistem kendali konvensional untuk karakteristik
sistem yang berubah. Perlu dilakukan pengamatan terlebih dahulu sebelum
memutuskan pemakaian kendali adaptif. Fakta bahwa terdapat variasi parameter
proses yang signifikan dalam respon lup terbuka tidak berarti bahwa kendali
adaptif wajib diperlukan. Hal ini diilustrasikan oleh dua contoh berikut ini.
Bab 1: Pendahuluan 9
1
G 0 (s )
(s 1)(s a)
dengan a = -0.01, 0, dan 0.01. Dinamika untuk proses ini berbeda seperti yang
diperlihatkan pada gambar 1.7(a). Sistem lup tertutup memberikan respon dengan
masukan fungsi step seperti terlihat pada gambar 1.7(b). Ketiga respons tersebut
untuk nilai a yang berbeda memperlihatkan tanggapan yang hampir sama. Hal ini
dikarenakan fungsi alih dari ketiga sistem sangat dekat dengan frekuensi
crossover, walaupun kelakuan frekuensi rendahnya berbeda.
Contoh berikut ini mengilustrasikan hal yang bertolak belakang dengan contoh
1.4: beberapa sistem mempunyai kelakuan yang sangat berbeda dalam lup
tertutup, walaupun respon lup terbukanya sangat berdekatan satu sama lain.
Gambar 1.7 (a) Respon lup terbuka untuk a = -0.01, 0, dan 0.01.
(b) Respon lup tertutup untuk sistem yang sama
10 Bab 1: Pendahuluan
20(1 sT
G0 (s )
(s 1)(s 20)(1 Ts )
dengan T = 0, 0.015, dan 0.03. Respon sistem lup terbuka dan lup tertutup dengan
bentuk umpan balik u = 20(w - y) berturut-turut dapat dilihat pada gambar 1.8(a)
dan 1.8(b).
Sistem-sistem pada contoh ini memiliki karakteristik berupa kelakuan yang sama
pada frekuensi rendah tetapi fungsi alih yang berbeda pada frekuensi tinggi. Untuk
mengetahui respon frekuensi pada frekuensi crossover yang diinginkan adalah hal
yang esensial. Hal ini dilakukan dalam rangka untuk menilai apakah variasi
parameter akan mempunyai efek pada karakteristik sistem lup tertutup.
Gambar 1.8 (a) Respon sistem lup terbuka untuk T = 0, 0.015, dan 0.03
(b) Respon sistem lup tertutup untuk sistem yang sama
Bab 1: Pendahuluan 11
Adjustment
mechanism
Synthesis Identifier
rule
Setpoint or
reference r(k) u(t) Output y(t)
Controller Process
+
-
Reference
Model Adjustment
mechanism
Identifier
Setpoint or
reference w(t) u(t) Output y(t)
Controller Process
+
-
Gain scheduling merupakan kompensasi lup terbuka dan dapat dilihat sebagai
suatu sistem dengan kendali umpan balik dimana penguat umpan balik ditala oleh
Bab 1: Pendahuluan 13
kompensasi umpan maju. Pada sistem ini tidak terdapat umpan balik dari kinerja
sistem lup tertutup yang mengkompensasi penjadualan yang salah.
Sistem ini banyak dipakai didalam industri proses dimana dinamika proses adalah
berupa fungsi non linier dari beberapa parameter kerja. Pengendali dirancang
untuk masing-masing parameter kerja, sehingga untuk setiap parameter kerja
pengendali memiliki nilai parameter yang berbeda. Pengendali umumnya
dilengkapi dengan sebuah switch, yang fungsinya untuk mengubah modus
pengendali untuk setiap kondisi titik kerja. Umumnya diasumsikan bahwa
perubahan parameter kerja relatif lambat.
Controller Operating
parameters Reference condition
Model
Setpoint or
reference w(t) u(t) Output y(t)
Controller Process
+
-
Tujuan Pengajaran
Tujuan pengajaran pada bab ini adalah untuk memahami cara memodelkan
sistem untuk sistem kendali swa-tala. Model sistem ini berhubungan dengan
sistem fisik melalui proses linierisasi dan diskritisasi dengan menggunakan
transformasi z. Tujuan yang kedua adalah untuk mempelajari teknik-teknik
estimasi parameter model sistem. Hal ini dilengkapi dengan mengasumsikan
bentuk waktu diskrit untuk model sistem dan kemudian menggunakan suatu
algoritma estimasi rekursif untuk menghasilkan estimasi parameter model.
Diasumsikan bahwa sistem stabil adalah time invariant dan terlinierisasi, sehingga
sistem tersebut dapat dinyatakan oleh persamaan difference
z 1 y (t ) y (t 1) (2.2)
maka model persamaan (3.1) dapat diekspresikan didalam fungsi alih diskrit
dalam bentuk
y (t ) B( z 1 )
Gp (z) (2.3)
u(t ) A( z 1 )
A( z 1 ) 1 a1 z 1 ana z na
(2.4)
B( z 1 ) b0 b1z 1 bnb z nb
nh nh
Gambar 2.1 Sistem kendali dengan komputer sebagai pengendali cuplik data.
Sistem dinamik mempunyai respon yang tidak spontan terhadap sinyal masukan
yang diberikan, sehingga umumnya fungsi alih pada persamaan (2.3) juga
mengandung unsur satu waktu tunda
y (t ) z 1B( z 1 )
Gp (z ) (3.5)
u (t ) A( z 1 )
Sinyal keluaran proses terukur y(t) diasumsikan terkontaminasi oleh gangguan n(t)
seperti terlihat pada gambar 2.2
y ( t ) y u ( t ) n( t ) (2.6)
16 Bab 2: Metode Estimasi Parameter Rekursif
dengan e(t) adalah derau yang tak terukur, terdistribusi normal, dan bebas linier
yang karakterisasinya dinyatakan dalam
E e(t ) 0
cove(t ), E e(t )e(t e2 (t )
1, 0
( )
0, 0
e(t) C(z-1)
D(z-1)
1 p
n(t ) C( z 1 ) 1 c1 z c p z
Ge ( z ) (2.8)
e(t ) D( z 1 ) 1 d 1z 1 d p z p
Persamaan (3.5) dan (3.8) menghasilkan kombinasi model proses dan derau
B( z 1 ) 1 C( z 1 )
y (t ) z u ( t ) e(t ) (2.9)
A( z 1 ) D( z 1 )
didalam unit lingkaran bidang-z. Jika polinomial D(z-1) sama dengan polinomial
A(z-1) proses maka model ini disebut sebagai autoregressive moving average
exogenous (ARMAX)
B( z 1 ) 1 C( z 1 )
y (t ) z u ( t ) e(t ) (2.10)
A( z 1 ) A( z 1 )
Model ARMAX mempunyai bentuk khusus untuk C(z-1) = 1 yang disebut sebagai
model least-squares (LS)
B( z 1 ) 1 1
y (t ) 1
z u( t ) e(t ) (2.11)
A( z ) A( z 1 )
Salah satu metode yang paling banyak dipakai dalam estimasi parameter adalah
metode kuadrat terkecil (least-squares). Metode kuadrat terkecil pertama kali
ditemukan oleh seorang matematikawan Jerman Gauss pada abad 18. Oleh
Gauss metode ini digunakan untuk mengestimasi orbit planet-planet dari sistem
tata surya. Inti dari metode ini adalah bahwa kecocokan antara model dengan
sistem yang akan diidentifikasi diperoleh dengan meminimumkan selisih kuadrat
antara keluaran model dengan keluaran sistem yang diidentifikasi untuk semua N
data pengamatan
N N
J 2 (t i ) y (t i ) yˆ (t i )
2
(2.12)
i 1 i 1
Gambar 2.3 menggambarkan ide metode ini. Terlihat bahwa antara sistem yang
diidentifikasi dengan model yang digunakan terhubung secara pararel. Bentuk
skema identifikasi ini tidak cocok dipakai untuk sistem dinamik, karena bentuk
persamaan minimasi yang diperoleh menjadi non linier. Dari gambar 2.3 sinyal
kesalahan estimasi mempunyai bentuk persamaan:
18 Bab 2: Metode Estimasi Parameter Rekursif
n(t)
Proses
u(t) yu(t) + y(t)
z-1B(z-1)
A(z-1)
Model
^ ^ + kesalahan
z-1B(z-1) y(t) -
^
A(z-1)
Optimasi
Bˆ ( z 1 )
e(t ) y (t ) u (t ) (2.13)
Aˆ ( z 1 )
Hubungan antara parameter dari polinomial B(z-1) dan parameter dari polinomial
A(z-1) adalah non linier, dan menyulitkan dalam solusi minimasi fungsi kriteria.
Umumnya dibutuhkan metode yang rumit untuk menyelesaikannya, contohnya
adalah seperti metode pemrograman dinamik.
Oleh karena itu dipakai bentuk skema lain seperti yang terlihat pada gambar 2.4
n(t)
+
u(t) z-1B(z-1) y(t)
A(z-1)
^ - +
^
B(z-1) A(z-1)
(t)
(t ) Aˆ ( z 1 )y (t ) z 1Bˆ ( z 1 )u(t )
1 aˆ1 z 1 aˆ na z na y (t ) z 1 bˆ0 bˆ1 z 1 bˆnb z nb u(t )
y (t ) aˆ1 y (t 1) aˆ na y (t na ) bˆ0u(t 1) bˆnb u(t nb 1)
yˆ ( t |t 1)
(2.14)
Kesalahan ini dapat disebabkan karena keluaran sistem y(t) yang terkontaminasi
derau dan juga akibat kesalahan estimasi parameter. Persamaan keluaran
terprediksi
dengan
m = max{na,nb} (2.19)
y (t ) (t )ˆ(t 1) (t )
T
dengan
y (m )
y (m 1)
y (m N ) (2.21)
y (m N )
(m )
(m 1)
( m N )
(m N )
y (m 1) y ( m 2) y (1) u(m 1) u ( m 2) u(1)
y (m ) y (m 1) y ( 2) u(m ) u(m 1) u( 2)
y (m N 1) y (m N 2) y (N ) u(m N 1) u(m N 2) u(N )
(2.22)
(m )
(m 1)
(m N ) (2.23)
(m N )
m N
T
J (m N )(m N ) 2
(t ) (2.24)
t m
J y y
T
y y
T T T
(2.25)
T T T T T T
y y y y
J T T T T
y y 0 (2.26)
ˆ(m N 1) P (m N ) (m N )y (m N )
T
(2.27)
T
P (m N ) (m N )(m N ) 1
(2.28)
Contoh 2.1
Sebuah proses dinamik yang tidak diketahui diidentifikasi dengan menggunakan
model
Data pengukuran dari sinyal masukan dan keluaran proses diberikan pada tabel
berikuti ini:
t 1 2 3 4 5 6
u(t) 10 -10 10 -10 10 -10
y(t) 0 0 1 0.9 1.81 1.629
Solusi
a1
y (t ) y (t 1) y (t 2) u(t 2)a 2
b0
22 Bab 2: Metode Estimasi Parameter Rekursif
y (3) 1
y ( 4) 0.9
y
y (5) 1.81
y (6) 1.629
y ( 2) y (1) u(1) 0 0 10
y (3) y ( 2)
u( 2) 1 0 10
y ( 4) y (3) u(3) 0.9 1 10
y (5) y ( 4) u( 4) 1.81 0.9 10
1 1
aˆ1 1.9972 2.8472 0.1025 0 1 0.9 1.81
0.9
ˆ aˆ 2 2.8472 4.6122 0.1475 0
0 1
0. 9
1.81
bˆ0 0.1025 0.1475 0.0078 10 10 10 10
1.629
1. 9
0. 9
0.1
Untuk N nilai estimasi ˆ mendekati nilai sebenarnya . Hal ini berarti bahwa
peningkatan jumlah data untuk estimasi juga memperbaiki hasil estimasi.
Contoh 2.2
Diketahui suatu proses yang akan diidentifikasi mempunyai fungsi alih
0.5z 1
y (t ) u (t ) v ( t )
1 0.97z 1
Simulasikan sistem ini dengan menggunakan program bantu MATLAB jika sistem
diberikan masukan berupa sinyal pseudo random binary signal (PRBS) dengan
jumlah pencuplikan sebanyak 1000. Sinyal gangguan v(t) adalah sinyal derau
putih e(t) yang tertapis oleh lowpass filter:
1
v (t ) e(t )
1 0.9z 1
Bab 2: Metode Estimasi Parameter Rekursif 25
Atur varian sinyal gangguan v(t) sedemikian, sehingga sinyal keluaran mempunyai
noise-to-ratio sebesar 1%, dan 10%
var v (t )
1%,10%
var y (t )
Program simulasi:
%Create a PRBS signal
N=1000;
u = sign(randn(N,1));
Gambar 2.9 Keluaran sistem dan model untuk masukan fungsi step
Bab 2: Metode Estimasi Parameter Rekursif 27
Dari hasil simulasi terlihat bahwa model yang diperoleh dari hasil identifikasi
dengan algoritma kuadrat terkecil cukup baik meniru karakteristik sistem terutama
untuk nilai variansi derau putih yang tidak besar.
1
ˆ(t ) (t ) (t ) (t )y (t )
T T
(2.32)
Pada waktu t+1 diperoleh data pengukuran yang baru dari proses, sehingga dapat
didefinisikan
T (m )
T
(m 1) (t )
(t 1) T (2.33)
(t ) T
(t 1)
T
(t 1)
y (m )
y (m 1)
y (t )
y (t 1) (2.34)
y (t ) y (t 1)
y (t 1)
T
1 T
(t 1) (t 1)(t 1) (t 1)y (t 1) (2.35)
Suku yang berada pada bagian invers dapat diuraikan kembali menurut
persamaan (2.36)
28 Bab 2: Metode Estimasi Parameter Rekursif
(t )
T
(t 1)(t 1)
(t ) (t 1)
T
(2.36)
T (t 1)
T T
(t )(t ) (t 1) (t 1)
Dengan cara yang sama suku sisa dari persamaan (2.35) dapat ditulis kembali
menjadi
y (t )
T
(t 1)y (t 1)
(t ) (t 1)
T
(2.37)
y (t 1)
T
(t )y (t ) (t 1)y (t 1)
Matriks kovarian pada waktu t berdasarkan persamaan (2.28) dapat ditulis kembali
dalam bentuk
T
P (t ) (t )(t ) 1
(2.38)
A BC D 1 A 1 A 1 B C 1 D A 1
1 1
DA
dan menetapkan
1
D (t 1)
T
A P (t ), C 1, B (t 1)
memberikan persamaan
T
P (t 1) P (t )I m (t 1) 1 (t 1)P (t ) (t 1) (t 1)P (t )
1 T
(2.40)
ˆ(t ) P (t )B(t )
dengan
T
B(t ) (t )y (t ) (2.42)
T
B(t 1) (t 1)y (t 1)
B(t ) (t 1)y (t 1)
(t 1) y (t 1) (t 1)ˆ(t )
T
(2.43)
ˆ(t 1) ˆ(t ) (t 1) y (t 1) (t 1) (t )
T
(2.46)
Karena pencuplikan dimulai dari waktu t=1 maka persamaan (2.43), (2.40), dan
(2.46) ditulis kembali menjadi
(t ) y (t ) (t )ˆ(t 1)
T
(2.47)
T
P (t ) P (t 1)I m (t ) 1 (t )P (t 1) (t ) (t )P (t 1)
1 T
(2.48)
ˆ(t ) ˆ(t 1) (t ) y (t ) (t ) (t 1)
T
(2.49)
30 Bab 2: Metode Estimasi Parameter Rekursif
Untuk memulai algoritma rekursif dipilih harga awal vektor parameter dan matriks
kovarian
ˆ(0) 0
P ( 0) I
1
E P (t ) cov (t 1) (2.50)
2
dengan
T
2 E
Contoh 2.3
Untuk contoh 2.1 carilah nilai parameter model proses yang tidak diketahui
dengan menggunakan metode kuadrat-terkecil rekursif dengan harga awal: P(0)
= 1000.I dan (0) = 0!
Solusi
Agar vektor data dapat diisi sempurna dengan data yang tersedia, maka algoritma
rekursif baru dapat dijalankan pada pencuplikan ketiga. Nilai awal matriks kovarian
dan vektor parameter tetap tidak berubah. Buatlah program simulasi dengan
MATLAB untuk menampilkan estimasi parameter, nilai diagonal matriks kovarian,
dan nilai keluaran prediksi satu-langkah-kedepan hingga t=200.
Dari data yang diberikan dibentuk tabel data proses pada setiap pencuplikan:
T
(3) y (3) (3) (2)
0
1 0 0 10 0
0
1
Karena sebelum pencuplikan t=3 tidak dilakukan estimasi parameter, maka P(2)
= P(0). Dengan demikian nilai baru matriks kovarian P(3) dengan menggunakan
persamaan (2.48) adalah:
P (3) P (2)I 3 T
1 (3)P (2) (3)
1000 0 0
0
0 1000
0 0 0.01
0
0
0.1
Program simulasi:
>> v=0.0;
>> u = sign(randn(200,1));
>> e = v*randn(200,1);
>> th0 = idpoly([1 -1.9 0.9],[0 0 0.1]);
>> y = sim(th0,[u e]);
>> z = iddata(y,u);
Gambar 2.5 dan 2.6 memperlihatkan hasil simulasi kurva estimasi parameter,
elemen diagonal matriks kovarian, dan sinyal prediksi satu-langkah-kedepan.
Dalam simulasi diasumsikan nilai sebenarnya dari proses adalah: a1 = -1.9, a2 =
0.9 dan b0 = 0.1. Dalam pengukuran tidak terdapat derau yang mengkontaminasi
keluaran proses. Untuk kasus dimana proses adalah noise-free, maka algoritma
kuadrat-terkecil rekursif memberikan hasil yang unbiased terhadap nilai parameter
proses yang sebenarnya, seperti terlihat pada gambar (2.10) atas. Hasil
kecocokan kurva antara kurva keluaran proses sebenarnya dengan keluaran
prediksi satu-langkah-kedepan memperkuat pernyataan tersebut, seperti terlihat
pada gambar 2.11.
Contoh 2.4
z 1 0.5z 1
y (t ) u ( t ) v (t )
1 1.5z 1 0.7z 2
Simulasikan sistem ini dengan menggunakan program bantu MATLAB jika sistem
diberikan masukan berupa sinyal pseudo random binary signal (PRBS) dengan
jumlah pencuplikan sebanyak 200. Sinyal gangguan v(t) adalah sinyal derau putih
e(t) yang tertapis oleh lowpass filter:
1 1.8z 1 0.81z 2
v (t ) e(t )
1 1.5z 1 0.7z 2
Atur varian sinyal gangguan v(t) sedemikian, sehingga sinyal keluaran mempunyai
noise-to-ratio sebesar 1%, dan 10%
var v (t )
1%,10%
var y (t )
Program simulasi:
echo off, clear, clc
niter = 3; orde=2;
34 Bab 2: Metode Estimasi Parameter Rekursif
k=0:N-1; figure;
plot(k,theta(:,1),'r',k, ones(N,1)*-1.5,'r:');
hold on, plot(k,theta(:,2),'b',k, ones(N,1)*0.7,'b:');
plot(k,theta(:,3),'m',k, ones(N,1),'m:');
plot(k,theta(:,4),'g',k, ones(N,1)*0.5,'g:');
Gambar 2.14 menunjukkan hasil estimasi simulasi nilai parameter a dan b yang
tidak diketahui terhadap harga awal matriks kovarian yang berbeda. Terlihat
bahwa untuk nilai yang besar untuk harga awal parameter (0) = 0 akan cepat
konvergen untuk mendekati nilai parameter proses sebenarnya.
Prinsip dasarnya adalah dengan menerapkan konsep faktor pelupa, dimana data
lama yang mewakili karakteristik sistem sebelum berubah mulai dilupakan, dan
lebih menitikberatkan pada data baru yang diukur dari sistem setelah terjadi
perubahan karakteristik. Mekanisme pelupa harus secara perlahan-lahan
melupakan data lama. Fungsi kriteria pada persamaan (2.12) sekarang ditambah
faktor bobot yang bernilai eksponensial untuk setiap data
N N
J N i 2 (t i ) N i y (t i ) yˆ (t i )
2
(2.51)
i 1 i 1
dengan adalah faktor pelupa. Data baru akan mempunyai bobot yang paling
tinggi. Nilai bobot itu akan berkurang secara eksponensial seiring dengan
bertambahnya waktu. Data lama sedikit demi sedikit akan dilupakan, dan
algoritma lebih mencurahkan perhatian kepada data baru. Algoritma estimasi
rekursif dengan faktor pelupa ini adalah
ˆ(t ) ˆ(t 1) (t ) y (t ) (t )ˆ(t 1)
T
(2.52)
P (t 1) (t )
(t ) (2.53)
(t )P (t 1) (t )
T
P (t ) I (t ) (t 1)P (t 1)
1
(2.54)
Pengaruh faktor pelupa dapat dikenali secara langsung dari persamaan invers
matriks kovarian
1 1
P (t ) P (t 1) (t ) (t )
T
(2.55)
L
1
2
E
T
1
2
EP
1
(2.56)
Algoritma estimasi parameter dengan faktor pelupa konstan sangat cocok untuk
proses dengan perubahan parameter kecil dan masukan cukup tereksitasi. Jika
parameter proses knostan, hasil yang baik dapat diperoleh jika derau yang
mempengaruhi proses tidak terlalu besar. Masalah baru timbul jika <1 dan
masukan tidak cukup tereksitasi. Maka nilai P-1(t) berkurang karena (t ) 0 , atau
elemen P(t) bertambah secara kontinu dan tidak terkendali (blow up). Karena
vektor pengkoreksi adalah
(t ) P (t ) (t )
maka estimator menjadi sangat sensitif. Gangguan kecil atau kesalahan numerik
menyebabkan perubahan estimasi parameter yang tiba-tiba. Estimator menjadi
tidak stabil. Situasi ini dapat diamati dengan sistem kendali adaptif. Dengan
demikian eksitasi masukan harus dimonitor atau faktor pelupa harus merupakan
fungsi waktu.
Contoh 2.5
Diketahui suatu proses yang tidak diketahui mempunyai bentuk model least-
squares dengan bentuk persamaan difference adalah
1 1.5z 1
0.7z 2 y (t ) 1 0.5z 1 u(t 1) e(t )
dengan variansi derau sebesar 0.2. Setelah pencuplikan ke 200 nilai parameter
proses berubah. Bentuk proses yang baru adalah
1 1.0z 1
0.4z 2 y (t ) 1 0.5z 1 u(t 1) e(t )
Solusi
Program simulasi:
>> echo off
>> u = sign(randn(200,1)); e = 0.2*randn(200,1);
>> th0 = idpoly([1 -1.5 0.7],[0 1 0.5]);
>> th1 = idpoly([1 -1. 0.4],[0 1 0.5]);
>> y1 = sim(th0,[u e]);
Bab 2: Metode Estimasi Parameter Rekursif 39
Dari hasil grafik estimasi pada gambar 2.15 terlihat bahwa algoritma RLS dengan
faktor pelupa mampu menjejaki perubahan parameter proses a1 dan a2, dimana
nilai rata-rata parameter proses yang baru mendekati nilai parameter proses yang
sebenarnya. Untuk dapat menjejaki perubahan parameter sistem, maka estimator
harus memiliki sifat adaptasi terhadap perubahan karakteristik sistem, dengan
cara menetapkan nilai faktor pelupa lebih kecil dari 1.
kuadrat-terkecil adalah bahwa estimasi parameter yang dihasilkan bias dan tidak
konsisten. Hal ini terutama disebabkan oleh fakta bahwa model ARX yang
digunakan dalam algoritma kuadrat-terkecil mengasumsikan model derau yang
sangat khusus yang sangat jarang dijumpai dalam sistem riil, seperti terlihat pada
gambar 2.18 di bawah ini.
ARX model
e(t)
u(t) 1 y(t)
B(z-1)
A(z-1)
Real process
v(t)
u(t) 1 y(t)
B(z-1)
A(z-1)
Bias pada estimasi parameter mempunyai arti bahwa parameter hasil estimasi
terdeviasi dari nilai optimal atau nilai sebenarnya. Ketidakkonsistenan algoritma
kuadrat-terkecil mengancung arti bahwa nilai bias tersebut tidak mendekati nilai
nol walaupun jumlah data yang digunakan mendekati tak hingga. Gambar 2.19
menggambarkan ketidakkonsisten metode kuadrat terkecil ketika jumlah data
yang lebih besar tidak memperbaiki kualitas estimasi model.
Jika proses terkontaminasi oleh derau warna model yang tepat digunakan adalah
model ARMAX
dengan polinomial C(z-1) secara umum tidak dapat diasumsikan sama dengan
satu. Jika proses dengan derau warna diestimasi dengan algoritma least-squares
standar, maka estimator akan memberikan hasil yang bias.
Gambar 2.19 Sifat unconsistent dari algoritma kuadrat terkecil dalam estimasi
parameter model dengan keluaran proses terkontaminasi oleh derau
Untuk mengestimasi polinomial C(z-1) diperlukan data derau e(t-1), ..., e(t-nc).
Akan tetapi {e(t)} adalah derau putih yang tidak dapat terukur. Hai yang terbaik
yang dapat dilakukan adalah menggunakan kesalahan prediksi (t) untuk
menggantikan data derau yang tidak dapat diperoleh.
B( z 1 ) A( z 1 )
yˆ (t | t 1) u ( t ) 1 1
y (t ) (2.59)
C( z 1 ) C( z )
Formula prediktor ARMAX akan selalu stabil walaupun polinom A(z-1) mempunyai
akar yang tidak stabil. Hanya saja, polinom C(z-1) harus dijaga untuk selalu stabil.
Struktur galat prediksi untuk model ARMAX ini seperti terlihat pada gambar 2.20,
mempunyai persamaan
Bab 2: Metode Estimasi Parameter Rekursif 43
A( z 1 ) B( z 1 )
(t ) y (t ) u( t ) (2.60)
C( z 1 ) C( z 1 )
process e(t)
CP(z-1)
AP(z-1)
v(t)
u(t) BP(z-1) + y(t)
AP(z-1)
1 1
C(z-1) C(z-1)
- +
B(z-1) A(z-1)
(t)
Gambar 2.20 Model ARMAX dalam konfigurasi persamaan kesalahan
Perbedaan dengan skema estimasi pada model ARX adalah bahwa data
masukan-keluaran terukur difilter terlebih dahulu dengan polinom 1/C(z-1).
Kesalahan prediksi dapat diekspresikan dalam bentuk
C( z 1 ) (t ) A( z 1 )y (t ) B( z 1 )u(t )
(2.61)
(t )
A( z 1 )y (t ) B( z 1 )u(t ) 1 C( z 1 ) (t )
Dan jika diubah kedalam domain waktu menghasilkan persamaan diferens seperti
persamaan berikut
(t ) y (t ) a1y (t 1) ana y (t na )
b0 u(t 1) bnb u(t nb ) (2.62)
c1 (t 1) c nc (t nc )
yˆ ( t |t 1)
Sinyal (t-i) bukan hasil pengukuran melainkan harus dikalkulasi dari residu
sebelumnya dan estimasi sinyal derau e(t-i) yang tidak diketahui. Permasalahan
identifikasi model ARMAX berbasiskan kepada persamaan residu 2.62. Ada dua
pendekatan berbeda untuk solusi permasalahan tersebut. Pendekatan pertama
berdasarkan kepada permasalahan teknik optimasi nonlinier multivariabel.
Beberapa metode yang dikenal dalam teknik optimasi seperti metode Newton,
Levenberg-Marquardt, conjugate direction, Quasi-Newton, dapat digunakan untuk
memecahkan permasalahan tersebut. Hanya saja waktu komputasi yang
dibutuhkan sangat membebankan perhitungan terutama untuk aplikasi real time
seperti sistem kendali swa-tala.
44 Bab 2: Metode Estimasi Parameter Rekursif
Langkah (i) Estimasi model ARX A(z-1)y(t) = B(z-1)u(t-1) + v(t) berdasarkan data
pengukuran {u(t), y(t)} dengan menggunakan persamaan
T
ARX y
1 T
Langkah (iii) Estimasi parameter model ARMAX ai, bi, dan ci dari persamaan 2.58
dengan algoritma kuadrat terkecil dengan pendekatan residu model ARMAX (t-
i) ARX(t-i).
Langkah (iv) Langkah (ii) dan (iii) dapat diiterasi hingga konvergensi estimasi
tercapai.
T
ˆ aˆ1 , , aˆ na , bˆ1 , , bˆnb , cˆ1, , cˆ nc (2.63)
dan
Bab 2: Metode Estimasi Parameter Rekursif 45
Nilai sinyal kesalahan prediksi (t) yang juga disebut a priori error didalam vektor
data T(t) dihitung rekursif dengan menggunakan persamaan (2.51). Oleh karena
itu akar-akar dari polinomial C(z-1) harus terletak didalam unit lingkaran bidang z.
Untuk mempercepat konvergensi estimasi parameter, umumnya perhitungan
estimasi menggunakan a posteriori error, dimana kesalahan prediksi berbasiskan
kepada nilai estimasi parameter saat sekarang, dibandingkan menggunakan a
priori error yang berdasarkan nilai estimasi parameter sebelumnya. Sinyal a
posteriori error mempunyai bentuk persamaan
~ (t ) y (t ) T (t )ˆ(t )
(2.64)
Langkah (i) Bentuk vektor data T(t) menggunakan data baru terukur
(t ) y (t ) (t )ˆ(t 1)
T
(t ) (t )P (t 1)
T
P (t ) P (t 1)I
(t ) P (t 1) (t )
T
ˆ(t ) ˆ(t 1) P (t ) (t ) (t )
46 Bab 2: Metode Estimasi Parameter Rekursif
~ (t ) y (t ) T (t )ˆ(t )
Langkah (vi) Tunggu periode waktu pencuplikan berikutnya dan ulangi langkah (i)
Untuk contoh 2.4 dengan variansi derau 2 =1, hasil estimasi yang diperoleh
algoritma ELS juga lebih baik dibandingkan dengan hasil dari algoritma kuadrat-
terkecil standar seperti terlihat pada gambar 2.10. Nilai rata-rata estimasi
parameter proses berada di sekitar nilai parameter proses yang sebenarnya.
Program simulasi:
>> v=1;
>> u = sign(randn(200,1)); e = v*randn(200,1);
>> th0 = idpoly([1 -1.9 0.9],[0 0 0.1],[1 -1.2 0.6]);
>> y = sim(th0,[u e]);
>> Data = iddata(y,u);
>> na=2; nb=1; nc=2; nk=2;
>> alpha = 1e3;
>> [th1,yh1,P1] = rarx([y u],[na nb nk],'ff',1,zeros(na+nb,1), ...
alpha*eye(na+nb));
>> [th2,yh2,P2] = rarmax([y u],[na nb nc nk],'ff',1,zeros(na+nb+nc,1),...
alpha*eye(na+nb+nc));
Gambar 2.22 Hasil estimasi parameter proses dengan RLS dan RELS
Metode lain yang sangat populer dan mudah digunakan untuk mengatasi
permasalahan konsistensi dari estimasi model ARX adalah metode instrumental
variable (IV). Ide yang mendasari metode ini adalah dengan mengalikan vektor
kesalahan prediksi dengan suatu matriks Z yang mempunyai dimensi yang sama
dengan matriks regressor . Setiap kolom matriks Z disebut sebagai variabel
instrumen yang ditentukan oleh pemakai agar tidak berkorelasi dengan derau,
sehingga jika semua informasi sistem dapat dieksploitasi model dengan baik,
variabel instrumen juga tidak berkorelasi dengan (t). Hal ini berarti bahwa setiap
baris dari matriks Z orthogonal terhadap vektor kesalahan prediksi , ZT=0.
dan konsekuensinya
Jika matriks ZT non-singular, yang mewakili sifat masukan yang cukup tereksitasi
dan pemilihan variabel instrumen yang representatif, algoritma estimasi
instrumental variable dinyatakan dalam persamaan
ˆ Z Z y
T
1 T
(2.67)
Algoritma lengkap dari metode instrumental variable dapat dilihat di bawah ini.
Langkah (i) Estimasi model ARX berdasarkan data pengukuran {u(t),y(t)}
menggunakan persamaan
ˆ ARX T
1 T
y
Langkah (ii) Simulasikan model ini untuk menghasilkan keluaran model yu(t)
Bˆ ( z 1 )
y u (t ) u(t 1)
Aˆ ( z 1 )
1
ˆ IV Z Z y
T T
Untuk contoh 2.4 dengan variansi derau 2 =1, hasil simulasi model dengan
masukan berupa fungsi step yang diperoleh algoritma IV juga lebih baik
dibandingkan dengan hasil dari algoritma kuadrat-terkecil standar seperti terlihat
pada gambar 2.23. Hingga iterasi ke-5, metode IV dapat membuat kemiripan yang
lebih baik antara model dengan keluaran proses. Sifat konsistensi metode IV juga
lebih baik dibandingkan metode kuadrat-terkecil. Seperti terlihat pada gambar
2.24, metode IV dapat memperbaiki kemiripan model dengan proses untuk
perolehan data estimasi yang lebih banyak.
Variabel instrumen ditentukan oleh keluaran model agar bebas linier terhadap
derau
dengan
y u (t ) aˆ1y u (t 1) aˆ na y u (t na ) bˆ0 u(t 1) bˆnb u(t nb )
(2.70)
Penggunaan model bebas ini juga membuat selama beberapa kali iterasi pertama
estimasi algoritma RIV, parameter terestimasi ai dan bi tidak akurat yang
disebabkan model bebas yang dimiliki masih memiliki unsur ketidakpastian yang
tinggi. Untuk mengatasinya, algoritma RLS digunakan selama fasa awal estimasi.
Algoritma RLS dijalankan selama beberapa periode pencuplikan, misalkan 4n,
hingga estimasi parameter terlihat sudah stabil.
Gambar 2.25 Hasil perbandingan estimasi model dengan RLS dan RIV
Bab 3
Tujuan Pengajaran
Yang menjadi tujuan pengajaran pada bab 3 ini adalah agar mahasiswa mampu
mendisain pengendali baik untuk masalah regulator maupun masalah servo
dengan menggunakan metode penempatan kutub. Karena strategi penempatan
kutub adalah meletakkan kutub-kutub sistem lup tertutup yang diinginkan, maka
mahasiswa juga dituntut untuk memahami karakteristik model sistem orde satu
dan orde dua, maupun sistem berode lebih tinggi.
Two-degree-of-freedom
controller
Disturbance
Pre-
compensator Controller Controlled
Set Point variable
Gpc Gc Process
-
Gambar 3.1 Struktur sistem kendali dengan pengendali dua derajat kebebasan.
Bab 3: Metode Penempatan Kutub 53
Pengendali yang sekaligus memiliki kedua struktur ini disebut sebagai pengendali
dengan dua-derajat-kebebasan (two-degree-of-freedom controller).
Keistimewaan tipe pengendali ini adalah kesanggupan untuk mengatasi masalah
regulator dan masalah servo sekaligus didalam perancangan pengendali. Jika
frekuensi perubahan sinyal acuan tidak besar dan sinyal gangguan besar, maka
tujuan disain pengendali disebut sebagai masalah regulator. Sebaliknya, jika
sinyal gangguan dapat diabaikan pengaruhnya dan sinyal acuan berubah dengan
cepat, tujuan disain pengendali disebut sebagai masalah servo.
Model Proses
z 1B( z 1 )
G p ( z 1 ) (3.1)
A( z 1 )
A( z 1 ) 1 a1z 1 a 2 z 2 ana z na
(3.2)
B( z 1 ) b0 b1 z 1 b2 z 2 bnb z nb
Fungsi Kriteria
Pn ( z 1 )
Gm ( z 1 ) (3.3)
Pd ( z 1 )
Secara umum bukanlah hal yang menguntungkan jika bentuk fungsi alih model
Gm ditentukan untuk mewakili model acuan yang diinginkan. Polinomial Pd
mewakili persamaan karakteristik sistem lingkar tertutup yang diinginkan,
sehingga hanya polinomial ini saja yang dijadikan sebagai target disain
pengendali. Karena polinomial ini dinyatakan dalam operator z-1, maka bentuk
model umumnya dinyatakan oleh persamaan sistem orde rendah, yaitu sistem
orde satu atau sistem orde dua. Kedua persamaan sistem tersebut berturut-turut
adalah:
Pd 1 ( z 1 ) 1 p1 z 1 (3.4)
1 1 2
Pd 2 ( z ) 1 p1 z p2 z (3.5)
Kedua persamaan ini dapat pula dikaitkan dengan parameter yang dijadikan
sasaran pengendalian. Untuk sistem orde satu adalah parameter konstanta waktu
,
p1 e h / (3.6)
dan untuk sistem orde dua adalah faktor peredam dan frekuensi alami n
p1
2e n h cos h n 1 2 (3.7)
2 n h
p2 e
Dalam prakteknya, letak kutub dari model orde satu atau orde dua hampir
mewakili semua aplikasi. Dengan hubungan yang diberikan oleh persamaan (3.6)
dan (3.7) kedua model ini digunakan sebagai teknik penentuan respon transien
tanpa harus langsung mengacu kepada letak kutub-kutub sistem lingkar tertutup
yang diinginkan.
Bab 3: Metode Penempatan Kutub 55
Aturan Kendali
F ( z 1 )u(t ) H ( z 1 )w (t ) G( z 1 )y (t ) (3.8)
F ( z 1 ) 1 f1z 1 f nf z nf
G( z 1 ) g 0 g1 z 1 g ng z ng (3.9)
H ( z 1 ) h0 h1 z 1 hnh z nh
Diasumsikan bahwa F adalah polinomial monik, yaitu nilai koefisien yang memiliki
derajat tertinggi adalah satu. Aturan kendali dari persamaan (3.8) mewakili suatu
kombinasi antara feedforward dari sinyal acuan dengan fungsi alih
H ( z 1 )
G pc ( z 1 ) (3.10)
F ( z 1 )
dan suatu umpan balik dari sinyal terukur y dengan fungsi alih
1 G( z 1 )
Gc ( z ) (3.11)
H ( z 1 )
Jika waktu komputasi yang diperlukan untuk menghitung sinyal kendali adalah
fraksi kecil dari perioda pencuplikan, maka derajat dari ketiga polinomial
pengendali F, G, dan H dapat dijadikan sama
Hal ini menandakan tidak terdapat waktu tunda didalam pengendali. Jika waktu
komputasi mendekati nilai perioda pencuplikan, maka diperlukan untuk
memperhitungkan lamanya waktunya komputasi tersebut kedalam besarnya
derajat pengendali
Solusi
dengan u adalah sinyal kendali dan y adalah sinyal proses yang terukur. Tujuan
pengendalian adalah menentukan aturan kendali dalam bentuk persamaan (3.8)
sedemikian, sehingga sistem lingkar tertutup mempunyai hubungan masukan-
keluaran yang diberikan oleh fungsi alih pada persamaan (3.3).
Diagram blok sistem lingkar tertutup dapat dilihat pada gambar 3.1.
dengan mengabaikan gangguan pada keluaran proses. Dari diagram blok ini
diperoleh bentuk persamaan sistem lingkar tertutup
B( z 1 )H ( z 1 )
y (t ) w (t 1) (3.17)
A( z 1 )F ( z 1 ) z 1B( z 1 )G( z 1 )
A( z 1 )H ( z 1 )
u (t ) w (t ) (3.18)
A( z 1 )F ( z 1 ) z 1B( z 1 )G( z 1 )
algoritma Euclid, atau metode Cramer. Agar solusi persamaan Diophantine unik,
maka ada 4 kondisi yang harus terpenuhi, yaitu
nf = nb (3.20)
ng = na – 1
A dan B tidak mempunyai faktor sekutu
nP na + nb
Pd (1)
H (3.21)
B(1)
Contoh 3.1
Suatu proses dinamik direpresentasikan oleh persamaan difference
Model proses ini kemudian digunakan oleh bagian disain pengendali agar respon
sistem dipercepat dan juga kesalahan keadaan tunak dihilangkan. Sinyal acuan
yang diberikan pada sistem kendali berupa fungsi step. Spesifikasi unjuk kerja
pengendalian berupa letak dua buah kutub sistem lingkar tertutup yang masing-
masing terletak di titik +0.3. Dengan menggunakan pengendali dua-derajat-
kebebasan dan metode penempatan kutub, tentukan struktur pengendali dan nilai
parameter tersebut sehingga unjuk kerja yang diinginkan tercapai!
Solusi
Dari model proses diperoleh nilai orde dan waktu tunda sistem: na = 2, nb = 1, dan
d = 1. Polinomial sistem lingkar tertutup yang diinginkan adalah:
1 0.6z 1 0.09z 2
1 p1 z 1 p 2 z 2
F ( z 1 ) 1 f1 z 1
G( z 1 ) g 0 g 1 z 1
58 Bab 3: Metode Penempatan Kutub
1 0 0 f1 p1 a1
a b0 0 g 0 p 2 a 2
1
a 2 0 b0 g 1 0
Dengan memasukkan nilai parameter model proses dan polinomial letak kutub
yang yang diinginkan kedalam persamaan diatas, maka nilai parameter
pengendali yang dicari adalah
1
f1 1 0 0 1.29
g 1.89 0.1 0 0.8
0
g1 0.89 0 0.1 0
1.29
16.381
11.481
Pd ( z 1 )
H ( z 1 )
B( z 1 ) z 1
1 0.6z 1 0.09z 2
0.1z 1 z 1
4.9
Gambar 3.3 adalah respon sistem lup tertutup dengan masukan fungsi step, waktu
pencuplikan h = 0.2 detik.
Bab 3: Metode Penempatan Kutub 59
Program simulasi:
>> A = [1 -1.89 0.89];
>> B = [0 0 0.1];
>> C = [1];
>> incremental = 0; cancel = 0;
>> P = [1 -0.6 0.09];
>> [F,G,H] = pp(A,B,C,P,incremental,cancel);
>> HB = conv(H,B); AH=conv(A,H);
>> y = filter(HB,P,ones(N,1));
>> u = filter(AH,P,ones(N,1));
>> if vare >0
>> e=sqrt(vare)*randn(N,1);
>> y = y + filter(F,P,e);
>> end;
>> t = 0:.2:N*0.2-.2;
>> subplot(211), plot(t,y);
>> subplot(212), plot(t,u);
60 Bab 3: Metode Penempatan Kutub
F ( z 1 )u(t ) H ( z 1 )w (t ) G( z 1 )y (t ) (3.23)
Konfigurasi sistem lingkar tertutup dapat dilihat pada gambar 3.3. Kombinasi
bentuk pengendali ini dengan persamaan proses menghasilkan persamaan
sistem lingkar tertutup
e(t)
C(z-1)
A(z-1)
Pd ( z 1 ) 1 p1 z 1 p 2 z 2 pnp z np (3.25)
Bab 3: Metode Penempatan Kutub 61
Untuk menghasilkan solusi yang unik maka 4 syarat kondisi harus terpenuhi
nf = nb (3.27)
ng = na – 1
A dan B tidak mempunyai faktor sekutu
np na + nb - nc
HB F
y (t ) w (t 1) e(t ) (3.28)
Pd C Pd
P ( z 1 )
H ( z 1 ) C ( z 1 ) d 1 (3.29)
B( z ) z 1
Nilai tunak polinomial B dalam persamaan (3.29) dipilih untuk menghindari zero
yang tidak stabil, seperti pada sistem non fasa minimum. Bentuk persamaan
sistem lingkar tertutup yang dihasilkan menjadi
P ( z 1 ) B ( z 1 ) F ( z 1 )
y (t ) d 1 1
w ( t 1) e(t ) (3.30)
B( z ) z 1 Pd ( z ) Pd ( z 1 )
Jika model proses eksak dengan model sistem yang sebenarnya, maka respon
sistem lingkar tertutup pada persamaan (3.30) adalah stabil.
Pole-Zero Cancellation
1 1
1 y (t ) Gc ( z )G p ( z ) Pn ( z 1 ) d
Gm ( z ) z (3.31)
w (t ) 1 Gc ( z 1 )G p ( z 1 ) Pd ( z 1 )
dengan adalah fungsi alih model yang diinginkan, dan Gc(z-1) dan Gp(z-1) berturut-
turut adalah fungsi alih pengendali dan proses.
1 Gm ( z 1 )
Gc ( z 1 ) (3.32)
G p ( z 1 ) 1 Gm ( z 1 )
Kemudian dengan menguraikan definisi dari Gp(z-1) dan Gm(z-1) fungsi alih
pengendali menjadi
1 A( z 1 ) Pn ( z 1 )z d
Gc ( z ) (3.33)
B( z 1 )z d Pd ( z 1 ) Pn ( z 1 )z d
Pengendali tipe ini meniadakan zero dan kutub proses pada persamaan sistem
lingkar tertutup. Dengan mengasumsikan bahwa gangguan dapat diabaikan,
respon sistem lingkar tertutup yang diinginkan terhadap sinyal acuan w diberikan
oleh fungsi alih yang diinginkan Pnz-d/Pd dalam bagian yang tidak dihilangkan dari
fungsi alih pengendali.
Batasan lain dalam perancangan tipe pengendali ini adalah berhubungan dengan
pemotongan zero maupun kutub proses yang terletak diluar unit lingkaran. Seperti
yang diperlihatkan pada bagian sebelumnya, pengendali tipe ini memotong semua
zero dan kutub proses. Modus sistem lingkar tertutup dengan demikian tidak
controllable dari sinyal acuan atau tidak observable dari keluaran sistem lingkar
tertutup, tetapi terkopel dari sinyal kendali. Agar diperoleh sistem yang stabil maka
model sistem lingkar tertutup ini juga harus stabil. Hal ini menunjukkan bahwa
semua zero dan kutub proses harus terletak didalam unit lingkaran. Dengan
demikian pengendali tipe ini dapat diaplikasikan terbatas hanya pada sistem fasa
minimum stabil. Jika proses memiliki zero dan kutub diluar unit lingkaran (disebut
berturut-turut sebagai zero dan kutub tidak stabil), maka pemotongan zero dan
Bab 3: Metode Penempatan Kutub 63
kutub tidak stabil itu harus dihindari selama prosedur perancangan pengendali.
Hal ini berarti bahwa polinomial Pn(z-1) harus mengikutsertakan zero yang tidak
stabil dari B(z-1) dan polinomial Pd(z-1) - Pn(z-1) z-d harus mencakup semua kutub
proses yang tidak stabil.
Jika aturan kendali untuk pengendali tipe ini diberikan oleh persamaan (3.8) dan
fungsi alih antara keluaran sistem dan sinyal acuan dipilih untuk memiliki bentuk
yang diinginkan
B( z 1 )H ( z 1 )z d Pn ( z 1 ) d
Gm ( z 1 ) z (3.34)
A( z 1 )F ( z 1 ) z d B( z 1 )G( z 1 ) Pd ( z 1 )
maka prosedur perancangan pengendali yang memotong zero dan kutub proses
terlihat seperti berikut ini:
dan
Contoh 3.2
Suatu proses dinamik direpresentasikan oleh persamaan difference
dengan e(t) adalah derau putih. Spesifikasi unjuk kerja pengendalian berupa letak
dua buah kutub sistem lingkar tertutup yang masing-masing terletak di titik +0.3.
Dengan menggunakan pengendali dua-derajat-kebebasan dan metode
64 Bab 3: Metode Penempatan Kutub
Solusi
Dari model proses diperoleh nilai orde dan waktu tunda sistem: na = 2, nb = 1, nc
= 1 dan d = 1. Polinomial sistem lingkar tertutup yang diinginkan adalah:
1 0.6z 1 0.09z 2
1 p1 z 1 p 2 z 2
1 0 0 f1 p1 c1 a1
a b0 0 g 0 p 2 p1c1 a 2
1
a 2 0 b0 g 1 p 2 c1
Solusi persamaan ini adalah nilai parameter pengendali f1 = 0.49, g0 = 6.061, dan
g1 = -5.081. Polinomial H ditentukan dengan menyelesaikan persamaan (3.29)
Pd ( z 1 )
H ( z 1 ) C( z 1 )
B( z 1 ) z 1
1 0.8z 1 0.6z
1
1 0.09z 2
0.1z 1 z 1
4.9 3.92z 1
Salah jenis pengendali yang mampu menghilangkan galat tunak tanpa harus
mempunyai unsur pre-kompensator adalah pengendali PID (Proporsional-
Integral-Diferensial). Dengan aksi kendali yang bersifat integrasi, pengendali ini
mampu menghilangkan kesalahan galat tunak untuk masukan berupa fungsi step.
Berdasarkan 4 syarat kondisi yang harus dipenuhi dalam disain pengendali
dengan metode penempatan kutub pada persamaan (3.27), maka aplikasi
pengendali PID terbatas hanya untuk sistem orde rendah. Untuk itu diperlukan
bentuk umum pengendali yang memiliki sifat integrasi tetapi dapat dipakai untuk
sistem dengan orde sembarang. Sistem kendali yang mempunyai sifat ini disebut
sebagai aturan kendali kenaikan (Incremental Control).
Digital integrator
System
Incremental
controller
output, u(t) u(t) y(t)
1 B
1 - z-1 A
Diagram blok sistem lingkar terbuka jika aksi kendali kenaikan digunakan terlihat
pada gambar 3.3. Diasumsikan bahwa sistem yang dikendalikan sedemikan,
sehingga keluarannya diganggu oleh gangguan yang terukur v(t) dan gangguan
yang tidak terukur s(t). Model sistem yang digunakan adalah
A y (t ) Bu(t 1) D v (t ) s (t ) (3.38)
dengan
A (1 z 1 )A A dan seterusnya.
G
u(t ) y (t ) r (t ) (3.39)
F
FA z 1BG Pd (3.40)
GB FD F
y (t ) w (t 1) v (t ) s (t ) (3.41)
Pd Pd Pd
(1 z 1 )
y (t ) w ( t ) FDv (t ) FAw (t ) Fs(t ) (3.42)
Pd
Suku kedua dari bagian ruas kanan dapat diinterpretasikan sebagai multi
gangguan lingkar tertutup. Suku gangguan ini mempunyai kutub-kutub yang
terletak pada akar-akar yang ditentukan pada Pd. Bagian yang penting adalah
suku (1-z-1) yang merupakan perbedaan semua suku dalam bagian gangguan
sedemikian, sehingga pada frekuensi rendah ( 0 dan z 1) pengaruh semua
gangguan dapat dihilangkan, walaupun parameter sistem berubah.
Bab 3: Metode Penempatan Kutub 67
Pada bagian ini dibahas isu perancangan pengendali untuk sistem waktu tunda
dan sistem fasa non-minimum.
Sistem fasa non-minimum adalah sistem yang memiliki zero yang terletak diluar
unit lingkaran. Bentuk invers model sistem ini memiliki sifat yang tidak stabil.
Didalam algoritma umum penempatan kutub tidak dijumpai permasalahan dalam
perancangan pengendali untuk sistem fasa non-minimum. Tetapi jika algoritma
penempatan kutub dengan pemotongan kutub dan zero proses dilakukan, maka
permasalahan ketidakstabilan akan muncul. Hal ini diakibatkan oleh pemotongan
semua zero-zero proses yang tidak stabil oleh kutub-kutub pengendali, sehingga
pengendali dalam hal ini mempunyai kutub-kutub yang tidak stabil. Tentunya
sistem tidak akan mempunyai respon yang stabil jika dikendalikan oleh pengendali
yang tidak stabil. Didalam fungsi alih lingkar tertutup sifat ketidakstabilan ini tidak
terlihat, sehingga efeknya baru terlihat bila sistem sudah beroperasi cukup lama.
Ay (t ) Bu (t 1)
Fu(t ) Gy (t ) Hw (t )
AF z 1BG Pd B (3.43)
HB HB
y (t ) w ( t 1) w (t 1) (3.44)
Pd B Pd
F F1B (3.45)
z 1B z 1 b0 b1 z 1 bnb z nb (3.47)
dengan b0 diasumsikan bukan nol. Jika sistem mempunyai suku waktu tunda,
maka koefisien-koefisien B dapat disamakan dengan nol untuk mendeskripsikan
suku waktu tunda tersebut, terutama jika nilai waktu tunda tidak diketahui
besarnya. Dalam kerangka metode penempatan kutub hanya diperlukan asumsi
nilai minimum waktu tunda yang mungkin terjadi. Jika nilai tunda diketahui sebesar
d-1 (diluar satu waktu tunda proses hasil transformasi-Z dari model proses waktu
kontinu dan ZOH), maka terdapat d-1 koefisien B yang bernilai nol. Bentuk
persamaan identitas menjadi
AF z d BG Pd (3.48)
Tujuan Pengajaran
Tujuan pada bab ini adalah untuk memahami prosedur optimasi keluaran proses
yang dipengaruhi derau putih atau derau warna. Kemudian mahasiswa sanggup
merancang pengendali sederhana yang berbasiskan kepada konsep variansi
minimum serta sanggup mengkaitkan jenis pengendali ini dengan pengendali lain
seperti model-following atau prediktot Smith.
4.1 Pendahuluan
Dalam bab ini diperlihatkan langkah-langkah perancangan pengendali yang
memperhitungkan gangguan acak yang berpengaruh pada proses. Pertama-tama
dibahas pengendali variansi minimum serta pengujian karakteristik pengendali
tersebut. Dengan memperlihatkan keterbatasan-keterbatasan aplikasi pengendali
variansi minimum, algoritma pengendali tersebut dikembangkan menjadi
algoritma Generalized Minimum Variance (GMV). Kedua algoritma ini adalah yang
pertama kali yang dirancang khusus untuk aplikasi pengendali swa-tala, dan
sekarang disebut sebagai formulasi klasik. Bab ini juga memperlihatkan prosedur
perancangan yang harus diikuti dan cara-cara khusus yang dapat digunakan
untuk mendisain algoritma kendali dengan kinerja yang lebih baik. Sebuah contoh
sederhana juga diberikan untuk menunjukkan bagaimana algoritma yang
dijelaskan dalam bab ini diimplementasikan sebagai aturan kendali.
J MV E w (t ) y (t d )
2
(4.1)
Notasi E{.} menunjukkan suatu harga ekspektasi (atau nilai rata-rata) yang
merupakan fungsi dari data yang tersedia pada waktu t hingga waktu kedepan
t+d. Tanda kurung tutup dan buka menandakan bahwa variabel didalamnya
merupakan proses acak (random process). Dengan fungsi dari variabel acak
tersebut berupa fungsi kuadrat menunjukkan nilai variansi dari variabel tersebut.
Dalam kasus ini fungsi kriteria JMV menunjukkan variansi kesalahan antara sinyal
acuan w(t) dan keluaran yang dikendalikan d-langkah kedepan y(t+d). Dengan
demikian pengendali yang akan didisain adalah yang sanggup meminimumkan
variansi ini, sehingga disebut sebagai Pengendali Variansi Minimum. Agar dapat
meminimasi persamaan (4.1) terhadap sinyal kendali u(t), diperlukan hubungan
antara keluaran proses y(t) terhadap sinyal kendali u(t). Hal ini dapat dilakukan
dengan menggunakan model proses, umpamanya adalah model ARMAX (Auto
Regressive Moving Average eXogeneous):
dengan d adalah waktu tunda proses yang merupakan bilangan bulat kelipatan
dari periode pencuplikan, dan A(z-1), B(z-1), serta C(z-1) adalah polinomial-
polinomial dalam backward shift operator z-1, yaitu:
A( z 1 ) 1 a1 z 1 a1 z 1 ana z na
B( z 1 ) b0 b1 z 1 b1 z 1 bnb z nb (4.3)
C( z 1 ) 1 c1 z 1 c1 z 1 c nc z nc
dan e(t) adalah derau putih dengan rata-rata nol dan variansi 2, yaitu:
E e(t ) 0 dan
E e 2 (t ) 2 (4.4)
Hanya saja fungsi kriteria mengandung keluaran proses yang akan datang yaitu
y(t+d), yang tidak tersedia pada waktu t. Oleh karena itu minimasi tidak dapat
dilakukan, kecuali jika y(t+d) diganti dengan nilai estimasi . Hal ini dapat dilakukan
dengan menggunakan persamaan identitas berikut ini:
Bab 4: Metode Variansi Minimum 71
C FA z d G (4.5a)
dengan F dan G adalah polinomial dalam z-1. Persamaan identitas ini akan
memberikan polinomial hasil dan polinomial sisa pembagian:
C d G
F
z (4.5b)
A quotient A
C z d
G y (t ) z d FBu(t ) CFe(t ) (4.7a)
C z d
G y (t d ) FBu(t ) CFe(t d ) (4.7b)
Dengan mendefinisikan
yˆ (t d t ) y (t d ) Fe(t d ) (4.9)
keluaran saat sekarang dan lampau. Persamaan (4.10) dapat diatur kembali
kedalam bentuk yang lebih baik, yaitu:
H = (1 – C)z (4.12)
J MV
E w (t ) yˆ (t d | t )
2
E w (t ) FBu(t ) Gy (t ) Hyˆ (t d 1 | t 1)
2
Persamaan di atas kemudian diturunkan terhadap sinyal kendali u(t) dan hasilnya
disamakan dengan nol agar nilai kesalahan prediksi terhadap sinyal acuan adalah
minimum
J MV
2f0 b0 w (t ) FBu(t ) Gy (t ) Hyˆ (t d 1 | t 1) 0 (4.13)
u(t )
Dari persamaan (4.13) terlihat bahwa sinyal kendali yang dibutuhkan adalah
u (t )
w (t ) Gy (t ) Hyˆ (t d 1| t 1) (4.14)
FB
yˆ (t d | t ) Eu (t ) Gy (t ) Hyˆ (t d 1 | t 1) (4.15)
1 NG
u (t ) w (t ) ei u(t i ) Gy (t ) Hyˆ (t d 1 | t 1) (4.16)
e0 i 1
atau
Persamaan ini dikenal sebagai aturan kendali yang menyatakan bahwa sinyal
kendali yang dihitung dari persamaan (4.14) akan membimbing nilai prediksi d-
langkah kedepan yˆ (t d | t ) menuju sinyal acuan w(t). Dengan menggunakan
definisi pada persamaan (4.9)
Jika model proses akurat, maka keluaran yang dikendalikan akan mengikuti sinyal
acuan setelah periode waktu tunda d. Kesalahan yang terjadi hanya akibat dari
penjumlahan derau proses yang terbobot. Pengendali ini juga menyediakan
kompensasi terhadap waktu tunda dan respon yang diperoleh adalah yang terbaik
yang sanggup dihasilkan. Disamping itu jika tidak terdapat derau proses, terlihat
bahwa pengendali variansi minimum adalah ekuivalen dengan pengendali
deadbeat.
Persamaan (4.20) juga menunjukkan hubungan sistem lingkar tertutup, yaitu tidak
terdapat baik kutub-kutub maupun zero-zero. Hal ini mengindikasikan bahwa
pengendali variansi minimum memperoleh hasil kinerjanya dengan
menghilangkan dinamika proses. Dengan demikian pengedali ini tidak dapat
diaplikasikan untuk sistem fasa tidak-minimum. Pembatasan aplikasi pengendali
jenis ini adalah bahwa strategi variansi minimum selalu menghasilkan sinyal
kendali yang besar, yang tidak dapat ditoleransi dari sudut pandang operasional.
Kelemahan-kelemahan yang ada pada pengendali variansi minimum
74 Bab 4: Metode Variansi Minimum
Salah satu cara untuk mengurangi variansi keluaran proses adalah dengan
menggunakan metode detuned minimum variance, yaitu dengan menambahkan
filter untuk menapis variansi keluaran proses. Fungsi kriteria pengendali sekarang
berubah menjadi
J = E{(Ty(t+k))2} (4.21)
dengan T adalah filter atau polinom dengan derajat nt. Fungsi kriteria diminimasi
oleh pengendali yang diberikan dalam persamaan
G
u (t ) y (t ) (4.22)
BF
CT = FA + z-kG (4.23)
F
y (t ) e(t ) (4.24)
T
1 f12 f nf2 2
y2 (t ) e (t ) (4.25)
1 t 12 t nt2
Namun aturan kendali metode ini masih meniadakan semua zero proses seperti
pengendali variansi minimum standar. Untuk aplikasi pada sistem fasa non
minimum, permasalahan kerobusan pengendali akan dijumpai kembali.
dengan B* adalah polinom dengan B(0) ditetapkan unity dan memiliki zero yang
merupakan kombinasi dari zero polinom B yang stabil dan resiprok dari zero
polinom B yang tidak stabil. Zero yang tidak stabil akan dicerminkan terhadap
batas unit circle kedalam unit circle.
dalam polinom C dan B*, sehingga persamaan keluaran proses dan keluaran
pengendali akan menjadi
F
y (t ) e(t ) (4.28)
B*
G
u(t ) * e(t ) (4.29)
B
Dari persamaan ini terlihat bahwa besar sinyal kendali memang dapat diturunkan
dengan menghindari peniadaan zero proses oleh kutub pengendali. Namun akibat
yang ditimbulkan adalah variansi keluaran proses menjadi lebih besar
dibandingkan metode detuned minimum variance.
JGMV E Rw (t ) Py (t d ) Q' u(t )
2 2
(4.21)
Fungsi kriteria (4.21) memberikan bobot pada keluaran proses dan sinyal acuan,
serta suku sinyal kendali berturut-turut dengan P, R, Q’. Struktur ketiga faktor
bobot ini adalah berupa fungsi alih, misalkan P = Pn/Pd. Penggunaan suku sinyal
kendali u(t) dalam fungsi kriteria berkaitan dengan penghematan konsumsi energi
serta untuk membatasi (walaupun harus dicoba dengan trial-and-error) besarnya
sinyal kendali. Dengan model proses yang diberikan pada persamaan (4.2),
permasalahan sekarang adalah kembali untuk mencari bentuk prediktor untuk
menggantikan suku yang diketahui (t+k) = Py(t+k) didalam fungsi kriteria (4.21).
Persamaan identitas yang digunakan adalah
z d G
PC FA (4.22)
Pd
G
PC z d y (t ) z d FBu(t ) CFe(t ) (4.24)
Pd
G
PC z d y (t d ) FBu(t ) CFe(t d ) (4.25)
Pd
Gy (t )
CPy (t d ) CFe(t d ) FBu(t ) (4.26)
Pd
J GMV
2g 0 Rw (t ) Eu (t ) Gy ' (t ) Hˆ (t d 1 | t 1) 2e0Q' u(t ) 0
u(t )
e 0Q '
ˆ (t d | t ) Rw(t ) Qu(t ) 0 dengan E (4.28)
g0
NG
Rw ( t ) ei u(t 1) Gy ' (t ) Hˆ (t d 1 | t 1)
u (t )
i 1
(4.29)
e0 Q
78 Bab 4: Metode Variansi Minimum
NG
Rw ( t ) ei u(t 1) Gy ' (t ) Hˆ (t d 1 | t 1) u(t 1)
u (t )
i 1
(4.30)
e0
Struktur sistem lingkar tertutup untuk pengendali GMV lebih rumit dibandingkan
dengan kasus pengendali variansi minimum, tetapi hal tersebut tidak sulit untuk
ditentukan. Pertama-tama aturan kendali ditentukan sebagai:
ˆ (t d | t ) Pyˆ (t d | t ) Py (t d ) Fe(t d ) Rw (t ) Qu (t )
Rw (t d ) Py (t ) Fe(t )
Py (t ) Fe(t ) Rw (t d ) Qu(t d ) u(t d )
Q
Dari bentuk persamaan (4.31) dapat diketahui karakteristik sistem dengan skema
GMV. Persamaan ini menunjukkan bahwa pengendali GMV mempunyai
kompensasi terhadap waktu tunda, karena suku waktu tunda d tidak terdapat pada
polinomial karakteristik.
y (t ) w (t d ) Fe(t ) (4.32)
Pengendali GMV memberikan kinerja yang identik dengan kinerja yang diperoleh
dengan pengendali variansi minimum. Maka algoritma variansi minimum adalah
merupakan kasus khusus dari formulasi GMV.
Rw (t d ) Fe(t )
y (t ) (4.33)
P
yˆ (t d | t ) w (t ) Qu (t ) 0 (4.34)
atau
w (t ) yˆ (t d }t )
u (t ) (4.35)
Q
Kedua persamaan ini dapat direpresentasikan dengan diagram blok berikut ini:
^
y(t+d|t)
zd
Fe(t+d)
80 Bab 4: Metode Variansi Minimum
Maka 1/Q dapat disebut sebagai pengendali yang bekerja pada umpan balik
terprediksi, yang mirip dengan strategi kendali prediktor Smith. Hal yang menjadi
keuntungan adalah bahwa 1/Q dapat ditentukan untuk mempunyai bentuk struktur
pengendali PI (Proportional-Integrator). Ekspresi sistem lingkar tertutup adalah
Bw (t d ) FB QC e(t )
y (t ) (4.36)
B QA
y (t ) F (t ) k
Dengan demikian
Persamaan mengandung arti bahwa nilai keluaran pada keadaan tunak adalah
sama dengan F(1), tidak sama dengan nol seperti yang diharapkan.
Bab 4: Metode Variansi Minimum 81
E y (t )
F (1)B(1) Q(1)C(1) k 0 (4.38)
P (1)B(1) Q(1)A(1)
Analisa akan menunjukkan bahwa hasil-hasil di atas akan selalu terjadi jika
pengendali disintesa menggunakan model yang diberikan oleh persamaan (4.2),
tetapi proses berperilaku berdasarkan model berikut ini:
Ay (t ) z d Bu (t ) Ce(t ) kˆ (4.40)
dengan
kˆ(t ) kˆ (t 1) y (t ) yˆ (t | t d )
Variansi Minimum
ˆ (t d | t ) Eu (t ) Gy (t ) Fkˆ(t ) Hˆ (t d 1 | t 1)
82 Bab 4: Metode Variansi Minimum
NG
Rw ( t ) ei u(t i ) Gy ' (t ) Fdˆ (t ) H * (t d 1 | t 1)
u (t )
i 1
e0 Q
Galat tunak dapat pula terjadi selama pengendalian dengan GMV tersebut
berlangsung, jika bobot sinyal kendali adalah skalar seperti terlihat pada
persamaan (4.31). Untuk mengetahui lebih jelas, diumpamakan derau pada
proses tidak ada e(t) = 0, Q = , R = P = 1. Maka nilai keluaran proses pada
keadaan tunak adalah
B(1)w (t d )
y (t ) w (t d ) (4.35)
B(1) A(1)
Penjejakan sinyal acuan yang sempurna tidak akan pernah tercapai, kecuali jika
A(1) = 0, artinya proses dituntut untuk mempunyai sifat integrasi. Hal ini tentunya
akan membatasi penggunaan GMV pada proses tertentu saja. Hal ini dapat diatasi
dengan menggunakan solusi yang sederhana, yaitu fungsi kriteria dimodifikasi
untuk menggunakan perubahan sinyal kendali
J E Rw (t ) Py (t d ) (1 z 1 )u(t )
2
2
(4.36)
Sebagai alternatif lain bobot sinyal kendali mempunyai bentuk invers dari struktur
kompensator PI (proportional+integral). Walaupun kedua alternatif tersebut tidak
identik, namun keduanya mirip, karena pada kedua kasus tersebut Q(1) = 0, yaitu
menggunakan perubahan sinyal kendali. Hanya saja metode kedua lebih menarik,
karena pengendali dapat dianggap sebagai pengendali konvensional dengan blok
umpan balik prediktif seperti terlihat pada gambar 4.1. Keuntungannya adalah
bahwa bobot sinyal kendali dapat ditala seolah-olah pengendali ini adalah
pengendali konvensional.
B(1)R (1)
1 (4.37)
P (1)B(1) Q(1)A(1)
Suatu cara umum untuk mencegah masalah galat tunak adalah dengan
mengimplementasikan pengendali variansi minimum dan GMV dalam bentuk
Bab 4: Metode Variansi Minimum 83
d-incremental control
d 1 z 1 (4.38)
u(t ) Rw (t ) (t ) G d * (t d 1 | t 1) /Q d E (4.42)
k 1 z k (1 z 1 )(1 z 1 z 2 z k 1 )
dan jika Q juga mengandung faktor 1 – z-1, maka persamaan (4.42) mengandung
aksi kendali integrasi. Dengan demikian penggunaan prediktor d-incremental
kedalam aturan kendali GMV menghasilkan sebuah algoritma yang mempunyai
karakteristik kesanggupam untuk menghilangkan kesalahan keadaan tunak Dari
bentuk fungsi alih lingkar tertutup
84 Bab 4: Metode Variansi Minimum
Ce(t )
Ay (t ) z d Bu(t ) (4.46)
z d G
PC FA (4.47)
Pd
ˆ (t d | t ) Rw(t ) Qu(t ) 0
Rw (t ) Gy ' (t ) Hˆ (t d 1 | t 1)
u (t ) (4.49)
Q E
Jika Q mengandung faktor 1 – z-1, maka persamaan (4.49) juga mempunyai sifat
integrasi. Dengan demikian bentuk fungsi alih sistem lingkar tertutup menjadi
Bab 4: Metode Variansi Minimum 85
E y (t )
E (1)B(1)(1) Q(1)C(1) k 0 (4.51)
P (1)B(1) Q(1)A(1)
Bab 5
Tujuan Pengajaran
Tujuan dari bab 5 ini adalah untuk memahami konsep dasar sistem kendali
dengan multi-langkah-prediksi kedepan. Kemudian tujuan yang kedua adalah
kemampuan untuk mendisain pengendali sederhana yang berbasiskan kepada
konsep model predictive control yang digunakan untuk mengendalikan proses
yang mempunyai waktu tunda besar.
5.1 Pendahuluan
Sistem kendali prediktif termasuk kedalam katagori konsep perancangan
pengendali berbasis model proses, yaitu model proses digunakan secara eksplisit
untuk mendisain pengendali, dengan meminimumkan suatu fungsi kriteria. Ide
yang mendasari pada setiap jenis pengendali prediktif adalah:
Algoritma MPC yang beragam (yang disebut pula long-range predictive control)
hanya saling membedakan diantaranya pada model proses yang digunakan untuk
mendiskripsikan sistem, model derau, serta fungsi kriteria yang akan diminimasi.
Hingga saat ini banyak sekali dijumpai keberhasilan aplikasi pengendali prediktif
Bab 5: Model Predictive Control 87
bukan hanya didalam industri proses, tetapi juga aplikasi pengendalian lengan
robot, boimedik, industri semen, kolom destilasi, generator servo, dan lain-lain.
Kinerja yang memuaskan dari hasil aplikasi tersebut menunjukkan kepasitas MPC
untuk memperoleh sistem kendali yang berefisiensi tinggi serta mampu beroperasi
selama periode waktu yang lama dengan berbagai intervensi.
1. Keluaran proses yang akan datang untuk rentang horizon N yang ditentukan,
dinamakan prediction horizon, diprediksi pada setiap waktu pencuplikan
dengan menggunakan model proses. Keluaran proses terprediksi ini y(t+k|t)
untuk k = 1 ... N bergantung pada nilai masukan dan keluaran lampau dan
kepada sinyal kendali yang akan datang u(t+k|t), k = 0 ... N-1 yang akan
digunakan sistem dan yang harus dihitung.
Reference
trajectory
Past inputs Predicted +
and outputs outputs -
Model
Future
inputs
Optimizer
Future errors
Cost Constraints
function
Tiga teknik kendali prediktif yang paling banyak dipakai di industri adalah Dynamic
Matrix Control (DMC), Model Algorithmic Control (MAC), dan Generalized
Predictive Control (GPC). Dua teknik pertama termasuk kedalam katagori teknik
kendali prediktif yang menggunakan model non-parametrik. Kedua pendekatan ini
berbasiskan kepada respon model terhadap masukan step atau impulse.
Sedangkan GPC termasuk kedalam katagori metode parametrik, karena model
proses direpresentasikan dalam bentuk fungsi alih yang menyatakan letak kutub-
kutub serta zero-zero model.
Model proses yang digunakan pada teknik kendali ini adalah respon proses
terhadap masukan berupa fungsi step, dengan mengasumsikan gangguan
bernilai tetap selama control horizon. Persamaan keluaran proses adalah
y ( t ) g i u ( t i ) (5.1)
i 1
k
g i u ( t k i ) g u(t k i ) nˆ(t k | t )
i (5.2)
i 1 i k 1
k
yˆ (t k | t ) g i u(t k i ) g u ( t k i ) y
i m (t )
i 1 i k 1
k
g i u ( t i ) g i u ( t k i ) f ( t k )
i 1 i 1
Bab 5: Model Predictive Control 91
dengan f(t+k) adalah respon bebas sistem, yaitu bagian dari respon yang yang
tidak bergantung kepada aksi kendali yang akan datang. Bentuk persamaannya
adalah:
f (t k ) y m (t ) (g k i g i )u(t i ) (5.3)
i 1
Jika proses adalah stabil asimptot, koefisien-koefisien gi dari respon sistem akan
menuju ke suatu harga yang tidak berubah setelah N periode pencuplikan.
Dengan demikian dapat diperhitungkan bahwa tidak terdapat perbedaan nilai
antara dua buah nilai koefisien gi setelah N periode pencuplikan
g k i g i 0, i>N
N
f (t k ) y m (t ) (g k i g i )u(t i ) (5.4)
i 1
Yang perlu diperhatikan adalah bahwa N tidak eksis jika proses tidak stabil,
sehingga f(t+k) tidak dapat dihitung.
Nilai prediksi dapat dihitung selama prediction horizon (k = 1, ..., p), serta dengan
memperhitungkan m aksi kendali.
yˆ (t 1 | t ) g 1u(t ) f (t 1)
yˆ (t 2 | t ) g 2 u(t ) g 1 u(t 1) f (t 2)
m
yˆ (t p | t ) g u(t p i ) f (t p)
i 1
i
g1 0 0
g g1 0
2
G
g m g m 1 g1
g p g p 1 g p m 1
yˆ Gu f (5.5)
Tujuan dari pengendali DMC adalah untuk menuntun keluaran proses mendekati
sinyal acuan didalam kerangka kuadrat-terkecil, yaitu kesalahan kuadrat antara
keluaran proses dengan sinyal acuan adalah minimum. Dengan demikian variabel
termanipulasi ditentukan sedemikian untuk meminimumkan suatu fungsi kuadratik
yang dapat memperhitungkan minimasi kesalahan yang akan datang
p
J yˆ (t j | t ) w (t j )
2
(5.6)
j 1
Bentuk fungsi kriteria di atas dapat dibuat menjadi lebih umum dengan
mengikutsertakan pula sinyal kendali sebagai salah satu komponen yang harus
diminimumkan
p m
J yˆ (t j | t ) w (t j ) u(t j 1)
2 2
(5.7)
j 1 j 1
Jika tidak pembatasan pada besarnya sinyal kendali, solusi dari minimasi fungsi
kriteria J = eTe + uTu, dengan e adalah vektor kesalahan yang akan datang
selama horizon dan u adalah vektor yang berisi aksi kendali integrator yang akan
datang u(t), ..., u(t+m), dapat diperoleh secara analitik dengan menghitung
turunan dari J dan membuatnya sama dengan nol, sehingga menghasilkan
persamaan untuk keluaran sinyal kendali
u G G I
T
1 T
G (w f ) (5.8)
Yang perlu diperhatikan adalah bahwa pada semua strategi kendali prediktif
hanya elemen pertama dari vektor u (u(t)) yang benar-benar digunakan oleh
proses. Untuk mengimplementasikan semua rangkaian sinyal kendali yang
terhitung selama m interval adalah sangat tidak dianjurkan. Hal ini dikarenakan
sesuatu yang tidak mungkin untuk mengestimasi vektor gangguan dengan
sempurna, sehingga hal yang tidak mungkin pula untuk mengantisipasi dengan
tepat gangguan-gangguan yang tidak dapat dihindari yang menyebabkan
keluaran proses yang sebenarnya berbeda dengan nilai prediksi yang dipakai
untuk menghitung serangkaian aksi kendali. Alasan yang lain adalah bahwa sinyal
acuan dapat pula berubah selama m interval.
Bab 5: Model Predictive Control 93
Contoh 5.1
Suatu sistem yang tidak diketahui mempunyai bentuk fungsi alih
y (t ) 0.81z 1 0.405 z 2
G p ( z 1 )
u(t ) 1 0.2z 1 0.01z 2
Sistem ini adalah sistem yang kausal, sehingga harga awal keluarannya adalah
sama dengan nol, y(0) = 0. Sistem ini kemudian diidentifikasi kedalam bentuk
model step-response. Dalam kondisi lup terbuka sistem diberi masukan berupa
fungsi step dengan amplitudo satu. Hasil kurva respon keluaran sistem dapat
dilihat pada gambar di bawah ini
Nilai penguat statik dari sistem ini adalah yss = 1.5. Berdasarkan data keluaran
proses di atas, sistem masuk kedalam kondisi settle setelah pencuplikan ketiga,
p=3. Nilai parameter model sistem adalah g1 = 0.81, g2 = 1.377, dan g3 = 1.4823,
sedangkan g4, g5, ..., g diasumsikan sama dengan g3. Model non-parametrik yang
digunakan mempunyai bentuk
94 Bab 5: Model Predictive Control
3
y (t ) g u(t i )
i 1
i
Respon bebas sistem untuk prediction horizon p=3 diberikan oleh persamaan
berikut ini:
Jika control horizon ditentukan sebesar m=2 dan bobot sinyal kendali = 1, maka
matriks dinamik sistem dapat disusun menjadi
g1 0 0.81 0
G g 2
g 1 1.377 0.81
g 3 g 2 1.4823 1.377
dan
G T
G I
1 T 0.2751 0.2232 0.0879
G
0.2444 0.0297 0.3096
Jika sistem tidak berubah karakteristiknya, maka nilai matriks di atas akan selalu
konstan untuk setiap periode pencuplikan. Nilai yang berubah terhadap waktu
adalah respon bebas dan sinyal kendali. Jika sinyal acuan yang diberikan berupa
fungsi step, maka untuk pencuplikan ke-nol (t=0) hasil perhitungan respon bebas
dan vektor sinyal kendali adalah sebagai berikut
u G G w f
T
G I
1 T
1 0
u(0) 0.2751 0.2232 0.0879
u(1) 0.2444 0.0297 0.3096 1 0
1 0
u(0) 0.5861
u(1) 0.0948
Pada pencuplikan berikutnya (t=1) nilai keluaran proses yang dihasilkan adalah
1 0.807
u(1) 0.2751 0.2232 0.0879
u(2) 0.2444 0.0297 0.3096 1 0.8687
1 0.8687
0.0939
0.0026
Gambar 5.4 Kurva respon waktu keluaran sistem dan pengendali dengan
algoritma DMC
N
y (t ) h j u(t j ) H ( z 1 )u(t ) (5.9)
j 1
Model ini memprediksi keluaran proses pada waktu t dan tergantung kepada
kombinasi linier dari nilai masukan lampau, dengan bobot hi adalah koefisien-
Bab 5: Model Predictive Control 97
N
yˆ (t k | t ) h j u(t k j ) nˆ (t k | t ) (5.10)
j 1
Bagian sumasi pada persamaan di atas dapat dipisah menjadi dua suku:
N k
f r (t k ) h u (t k j )
j k 1
j f o (t k ) h j u (t k j )
j 1
(5.11)
N
nˆ (t k | t ) nˆ (t | t ) y (t ) h j u(t j )
j 1
yˆ (t k | t ) f r fo nˆ (t | t ) (5.12)
Jika M adalah horizon dan u+ adalah vektor aksi kendali, u- adalah aksi kendali
lampau, y adalah keluaran proses terprediksi, n adalah gangguan, dan w adalah
trayektori referensi
u (t ) u(t N 1) yˆ (t 1)
u(t 1) u(t N 2) yˆ (t 2)
u u y
u(t M 1) u(t 1) yˆ (t M )
nˆ (t 1) w (t 1)
nˆ (t 2) w (t 2)
n w
nˆ (t M ) w (t M )
h1 0 0 hN hi h2
h h1 0 0 hj h3
H1 2 H2
hM hM 1 h1 0 hN hM 1
y H 1u H 2 u n (5.13)
J e e u u
T T
(5.14)
dengan e adalah vektor kesalahan antara sinyal acuan dengan keluaran proses
e wy
w H 2 u n H 1u
w f H 1u
dan
f H 2u n
Jika tidak ada constraints yang diperhitungkan, maka solusi minimasi fungsi
kriteria di atas adalah:
u H 1 H 1 I H 1 w f
1 T
(5.15)
Contoh 5.2
Untuk sistem yang sama pada contoh 5.1 akan dirancang algortima pengendali
dengan berbasis Model Algortihmic Control dengan nilai control horizon m = 2 dan
bobot sinyal kendali = 0.1. Keluaran sistem lup terbuka untuk masukan berupa
fungsi impuls dapat dilihat pada gambar 5.5. Nilai keluaran sistem yang tertera
pada gambar tersebut adalah y(t) = {0, 0.81, 0.567, 0.1053, 0.0154, 0.002, 0.0003,
0, 0, ...}. Dari nilai keluaran ini terlihat bahwa sistem mulai menuju keadaan tunak
setelah pencuplikan keempat. Dengan demikian nilai prediction horizon dapat
ditentukan sebesar p = 4 serta nilai parameter model proses adalah h1 = 0.81, h2
= 0.567, h3 = 0.1053, h4 = 0.0154, dan h5, h6, ..., h sama dengan h4. Sinyal acuan
yang diberikan untuk sistem lingkar tertutup adalah berupa fungsi step.
T
H H 1 H 1 0.1I 2 1 T 1.0143
H1
0.0939
0.61608 1.0143
Selama tidak terjadi perubahan parameter sistem, maka nilai matriks H konstan.
Pada pencuplikan ke-nol besarnya derau yang terprediksi serta vektor sinyal
kendali lampau adalah sebagai berikut:
nˆ 0 0 nˆ 10
4
y (0 ) h j u ( j )
j 1
y (0) h1u( 1) h2u( 2) h3 u( 3) h4 u( 4)
0
0
f H2u n
0
u T
H 1 H 1 0.1I 2 H 1 w f
1 T
Hanya elemen baris pertama vektor sinyal kendali yang dipakai sebagai masukan
proses, sedangkan elemen selebihnya dibuang. Nilai u(1) yang dihitung pada
pencuplikan ke-nol tidak (harus) sama dengan u(1) yang dihitung pada
pencuplikan pertama t=1. Langkah-langkah di atas kemudian diulang untuk setiap
periode pencuplikan dengan data keluaran proses yang berbeda. Hasil lengkap
keluaran proses dan keluaran pengendali dapat dilihat pada kurva gambar 5.6.
Ide dasar metode ini adalah perhitungan rangkaian sinyal kendali yang akan
datang sedemikian sehingga meminimumkan suatu fungsi kriteria dengan multi
langkah yang didefinisikan sepanjang prediction horizon. Indeks yang akan
dioptimasi adalah harga ekspetasi dari suatu fungsi kuadratik yang mengukur
perbedaan antara keluaran sistem terprediksi dengan sinyal acuan sepanjang
horizon, serta fungsi kuadratik dari sinyal kendali yang diperlukan.
Bab 5: Model Predictive Control 101
Gambar 5.6 Kurva respon waktu keluaran sistem dan pengendali dengan
algoritma MAC
Jika constraints tidak diperlukan pada disain pengendali, maka metode GPC dapat
dipecahkan secara analitik. Kelebihan yang utama dibandingkan metode disain
pengendali lainnya adalah kemampuannya untuk mengendalikan sistem yang
tidak stabil, non-minimum phase, sistem yang berubah struktur model (misal: orde
sistem), serta sistem yang mempunyai waktu tunda besar.
Melihat keunggulan metode ini dibanding metode kendali prediktif lainnya, maka
metode GPC akan dibahas khusus pada sub-bab berikutnya.
Model Prediksi
102 Bab 5: Model Predictive Control
dengan u(t) dan y(t) adalah berturut-turut sinyal masukan dan keluaran proses,
dan e(t) adalah derau putih dengan rata-rata nol serta d adalah waktu tunda
proses. A, B, dan C adalah polinomial-polinomial yang dinyatakan dalam
backward shift operator z-1:
A( z 1 ) 1 a1z 1 a 2 z 2 ana z na
B( z 1 ) b0 b1 z 1 b2 z 2 bnb z nb
C( z 1 ) 1 c1z 1 c 2 z 2 c nc z nc
Model ini dikenal sebagai model ARMAX (Auto Regressive Moving Average
eXogenous). Untuk aplikasi-aplikasi di industri yang mempunyai gangguan yang
tidak stasioner maka model CARIMA (Controller Auto Regressive Integrated
Moving Average ) cocok digunakan. Model CARIMA dinyatakan oleh persamaan
berikut ini:
e(t )
A( z 1 )y (t ) z d B( z 1 )u(t 1) C( z 1 ) (5.17)
dengan
1 z 1
Untuk kemudahan maka pada bagian ini polinomial C ditentukan sebesar satu.
Kasus umum untuk derau warna akan dibahas terpisah.
Fungsi Kriteria
N2 Nu
J (N1, N 2 , N u ) ( j )yˆ (t j | t ) w (t j ) ( j )u(t j 1)
2 2
(5.18)
j N1 j 1
w(t+j) adalah trayektori acuan yang akan datang. Untuk penyederhanaan (j)
ditentukan sama dengan satu dan (j) tetap nilainya.
Tujuan kendali prediktif adalah untuk menghitung rangkaian sinyal kendali yang
akan datang u(t), u(t+1), ... sedemikian sehingga keluaran proses yang akan
datang y(t+j) dituntun untuk mendekati w(t+j). Hal ini dapat dilakukan dengan
meminimumkan fungsi kriteria J(N1, N2, Nu).
Dalam rangka mengoptimasi fungsi kriteria, maka bentuk prediksi optimal untuk j
N1 dan j N2 harus ditentukan. Langkah pertama yang harus dilakukan adalah
dengan menyelesaikan persamaan Diophantine berikut ini:
~ ~
1 E j ( z 1 )A( z 1 ) z j F j ( z 1 ) dengan A( z 1 ) A( z 1 ) (5.19)
Polinomial Ej dan Fj berturut-turut didefinisikan secara unik dengan derajat j-1 dan
~
na. Keduanya diperoleh dengan membagi 1 dengan A( z 1 ) sampai dengan sisa
pembagian dapat difaktorisasi sebagai z-jFj(z-1). Hasil pembagian adalah
polinomial Ej(z-1).
~
A( z 1 )E j ( z 1 )y (t j ) E j ( z 1 )B( z 1 )u(t j d 1)
(5.20)
E j ( z 1 )e(t j )
1 z j
F j ( z 1 ) y (t j ) E j ( z 1 )B( z 1 )u(t j d 1) E j ( z 1 )e(t j )
atau
Karena derajat polinomial Ej(z-1) = j-1, maka suku gangguan didalam persamaan
adalah untuk waktu yang akan datang. Dengan demikian prediksi terbaik yang
dapat dilakukan adalah
yˆ (t j ) F j ( z 1 )y (t ) G j ( z 1 )u(t j d 1) (5.21)
dengan
G( z 1 ) E j ( z 1 )B( z 1 ) (5.22)
104 Bab 5: Model Predictive Control
F j ( z 1 ) f j ,0 f j ,1 z 1 f j ,na z na
(5.23)
E j ( z 1 ) e j ,0 e j ,1z 1 e j , j 1z ( j 1)
Diasumsikan bahwa prosedur yang sama digunakan untuk memperoleh Ej+1 dan
~
Fj+1, maka sisa pembagian 1 dengan A( z 1 ) dapat difaktorisasi sebagai z-(j+1)Fj+1(z-
1), dengan
E j 1 ( z 1 ) E j ( z 1 ) e j 1, j z j (5.25)
Polinomial Gj+1 dapat pula diperoleh secara rekursif seperti berikut ini:
G j 1 E j 1B E j f j ,0 z j B (5.27)
G j 1 G j f j ,0 z j B
Dengan demikian j koefisien pertama dari Gj+1 akan identik dengan j koefisien
pertama dari Gj dan koefisien sisa diberikan dengan persamaan
Aturan Kendali
Untuk memecahkan permasalahan pada GPC serangkaian sinyal kendali u(t),
u(t+1), ..., u(t+N) harus dihitung untuk mengoptimasi fungsi kriteria. Jika sistem
mempunyai suku waktu tunda d yang merupakan kelipatan bilangan integer dari
perioda pencuplikan, maka keluaran sistem dipengaruhi oleh sinyal kendali u(t)
Bab 5: Model Predictive Control 105
setelah perioda pencuplikan d+1. Nilai N1, N2, dan Nu yang mendefinisikan horizon
dapat didefinisikan sebagai N1 = d+1, N2 = d+N, dan Nu = N.
yˆ (t d 1 | t ) Gd 1 u(t ) Fd 1 y (t )
yˆ (t d 2 | t ) Gd 2 u(t 1) Fd 2 y (t )
yˆ (t d N | t ) Gd N u(t N 1) Fd N y (t )
dengan
yˆ (t d 1 | t ) u(t )
yˆ (t d 2 | t ) u(t 1)
y u
yˆ (t d N | t ) u(t N 1)
g0 0 0
g g0 0
G 1
g N 1 g N 2 g0
Gd 1 ( z 1 ) g 0 z
1
G' ( z )
Gd 2 ( z 1 ) g 0 g 1 z 1 z 2
1 1
Gd N ( z ) g 0 g 1 z g N 1 z
( N 1)
z N
Fd 1 ( z 1 )
1 Fd 2 ( z 1 )
F (z )
1
Fd N ( z )
Dua suku terakhir dari persamaan (5.29) hanya bergantung pada nilai
sebelumnya. Dengan mengelompokkan suku-suku ini kedalam variabel baru f,
maka persamaan (5.29) menjadi
106 Bab 5: Model Predictive Control
y Gu f (5.30)
Jika semua kondisi awal sama dengan nol, maka respon bebas f juga sama
dengan nol. Jika fungsi step diberikan pada masukan pada waktu t, maka
f j 1 ~
z 1 A( z 1 ) f j B( z 1 )u(t j d ) (5.31)
J Gu f w Gu f w u u
T T
(5.32)
dengan
w w (t d 1) w (t d 2) w (t d N )
T
(5.33)
dengan
H T
2 G G I
2f w G
T T
b (5.35)
f0 f w T f w
Dengan mengasumsikan tidak terdapat constraints pada sinyal kendali u, nilai
minimum dari fungsi kriteria dapat diperoleh dengan membuat gradien dari J sama
dengan nol. Hal ini membuat persamaan sinyal kendali mempunyai bentuk
sebagai berikut:
1
u H b G G I T
1
G w f
T
(5.36)
Sinyal kendali yang dipakai oleh proses adalah elemen pertama dari vektor u,
yang diberikan oleh persamaan berikut ini:
Bab 5: Model Predictive Control 107
u(t ) K (w f ) (5.37)
dengan K adalah baris pertama dari matriks (GTG+I)-1GT. Skema dari persamaan
keluaran pengendali dapat dilihat pada gambar 5.7. Dari gambar tersebut terlihat
bahwa persamaan sinyal kendali mempunyai arti yang sama dengan skema dasar
suatu sistem kendali umpan balik negatif: jika tidak terdapat kesalahan terprediksi
yang akan datang, yaitu w - f = 0, maka tidak terjadi perubahan nilai sinyal kendali,
karena tujuan pengendalian sudah terpenuhi dengan perkembangan respon
bebas sistem. Sebaliknya akan terjadi perubahan pada aksi kendali sebanding
dengan kesalahan terprediksi yang akan datang.
w u y
+
K Process
f
Free response
calculation
Prosedur perhitungan sinyal kendali di atas diulang untuk setiap kali perioda
pencuplikan. Hal yang menjadi isu yang sangat penting pada implementasi
algoritma GPC untuk sistem riil adalah masalah komputasi sinyal kendali. Solusi
sinyal kendali masih melibatkan operasi invers N x N matriks yang membutuhkan
waktu yang cukup berarti jika ukuran matriks tersebut besar. Salah satu alternatif
pemecahannya adalah dengan menggunakan konsep control horizon untuk
mereduksi jumlah waktu komputasi yang diperlukan, dengan mengasumsikan
bahwa sinyal kendali terproyeksi akan menuju konstan setelah Nu < N. Hal ini
hanya membutuhkan invers matriks ukuran Nu x Nu yang mengurangi jumlah
waktu komputasi, tetapi membatasi optimalisasi dari GPC. Alternatif lain adalah
dengan menggunakan suatu fast algorithm untuk mengimplementasikan GPC
swa-tala untuk proses yang dapat dimodelkan dengan model non-parametrik.
Masalah waktu komputasi GPC tidak akan dibahas lebih lanjut pada diktat kuliah
ini.
~
C( z 1 ) E j ( z 1 )A( z 1 ) z j F j ( z 1 ) (5.38)
~
dengan (Ej(z-1)) = j-1 dan (Fj(z-1)) = ( A( z 1 )) 1 .
C( z 1 ) y (t j ) E j ( z 1 )e(t j ) E j ( z 1 )B( z 1 )u(t j 1) F j ( z 1 )y (t )
Karena suku-suku derau adalah untuk masa yang akan datang, nilai ekspektasi
dari ruas sebelah kiri persamaan di atas adalah:
E C( z 1 ) y (t j ) E j ( z 1 )e(t j ) C( z 1 )yˆ (t j | t )
Persamaan prediksi ini dapat dibuat untuk menghitung prediksi secara rekursif.
Ekspresi eksplisit untuk prediksi optimal j-langkah kedepan dapat diperoleh
dengan menyelesaikan persamaan Diophantine:
1 C( z 1 )M j ( z 1 ) z k N j ( z 1 ) (5.40)
yˆ (t j | t ) M j E j ( z 1 )B( z 1 )u(t j 1) M j ( z 1 )F j ( z 1 )y (t ) N j ( z 1 )y (t )
yˆ (t j | t ) G( z 1 )u(t j 1) G p ( z 1 )u(t j 1) M j ( z 1 )F j ( z 1 ) N j ( z 1 ) y (t )
dengan (G(z-1)) < j. Bentuk prediksi ini selanjutnya dapat digunakan didalam
fungsi kriteria yang dapat diminimumkan untuk kasus derau warna.
Contoh 5.3
Berikut ini adalah sebuah contoh sederhana untuk menunjukkan bagaimana
algoritma GPC diimplementasikan. Pengendali didisain untuk sistem orde satu
yang mempunyai fungsi alih sebagai berikut:
Bab 5: Model Predictive Control 109
~
A( z 1 ) A( z 1 )(1 z 1 ) 1 1.8z 1 0.8z 2
Pada contoh ini nilai horizon tidak terlalu besar, dengan demikian polinomial
~
prediktor dapat diperoleh secara langsung dengan membagi 1 dengan A( z 1 ) .
Seperti sudah dijelaskan pada bagian lalu, polinomial-polinomial tersebut dapat
dihitung secara rekursif, dimulai dari nilai yang diperoleh langkah pertama
pembagian, yaitu
Dengan hasil di atas dan juga polinomial B(z-1) = 0.4 + 0.6z-1, maka nilai polinomial
G(z-1) adalah
G1 0.4 0.6z 1
G2 0.4 1.32z 1 1.08c
G3 0.4 1.32z 1 2.056z 2 1.464z 3
yˆ (t 1 | t ) 0.4 0 0 u(t )
yˆ (t 2 | t ) 1.32 0.4 0 u(t 1)
yˆ (t 3 | t ) 2.056 1.32 0.4 u(t 2)
0.6u(t 1) 1.8y (t ) 0.8y (t 1)
1.08u(t 1) 2.44y (t ) 1.44y (t 1)
1.464u(t 1) 2.952y (t ) 1.952y (t 1)
f
110 Bab 5: Model Predictive Control
Langkah berikut adalah untuk menghitung H-1b. Jika ditentukan sama dengan
0.8, maka
Selama hanya u(t) yang diperlukan untuk kalkulasi, yaitu baris pertama dari
matriks di atas yang dipakai, maka bentuk persamaan sinyal kendali yang
diperoleh adalah
dengan w(t+i) adalah trayektori acuan yang dapat diasumsikan tetap nilainya dan
sama dengan sinyal acuan atau dengan pendekatan orde satu terhadap nilai yang
diinginkan. Dengan demikian sinyal kendali adalah fungsi dari acuan yang
diinginkan dan masukan dan keluaran lampau yang diberikan oleh persamaan:
Hasil simulasi pada gambar 5.8 menunjukkan kelakuan sistem lingkar tertutup.
Pada gambar tersebut terlihat bahwa keluaran proses mempunyai respon yang
halus dengan nilai tunak sama dengan satu serta sedikit overshoot terjadi.
Gambar 5.8 Kurva respon waktu keluaran sistem dan pengendali dengan
algoritma GPC
Nonlinier MPC
MPC yang menggunakan model non linier akan menjadi lebih umum sejalan
dengan tuntutan pengguna akan kinerja tinggi dan perangkat lunak baru akan
membuat model linier siap untuk digunakan dalam perancangan. Pengembangan
model nonlinier empiris yang cocok mungkin menjadi isu yang menarik. Sinyal uji
seperti Pseudo Random Binary Signal (PRBS) yang cocok dipakai pada model
linier tidak akan sama sukses untuk menyediakan eksitasi untuk sistem non linier.
Tidak akan ada bentuk model yang dapat mewakili proses non linier secara umum.
Model Volterra orde dua mungkin dapat menjembatani kesenjangan antara model
empiris linier dengan model non linier dalam waktu dekat ini.
Adaptif MPC
Beberapa algoritma MPC seperti GPC yang diusulkan Clarke et. al. dengan
kemampuan beradaptasi hanya terdapat pada satu produk di pasaran, yaitu STAR
dari perusahaan Dot Products. Hal ini memberi pangsa pasar yang besar untuk
pengendali MPC swa-tala. Hanya saja realisasi pengendali ini dalam dunia nyata
tidak sesederhana seperti pada kasus akademik.
Di lain fihak pengendali adaptif dan kebutuhan akan metode penalaan pengendali
PID telah sukses di pasaran. Hal ini menyarankan bahwa pengendali MPC adaptif
dapat mengambil alih peran pengendali PID pada lup tunggal, serta untuk
mengatasi sistem-sistem yang kompleks.
Tujuan Pengajaran
Tujuan dari bab 6 ini adalah untuk mengkombinasikan antara metode estimasi
parameter rekursif yang dibahas pada bab 2 serta metode disain pengendali pada
bab 3 dan 4 serta dioperasikan secara on-line untuk menghasilkan algoritma
sistem kendali swa-tala.
Performance
requirements Estimated system
parameters; A, B, C
Controller e(t)
parameters; H, F, G
C(z-1)
A(z-1)
Siklus Swa-Tala
Keluaran sistem y(t), sinyal acuan w(t) dan variabel-variabel lain yang penting
diukur.
Pencuplikan
data
keluaran sistem y(t)
masukan proses u(t)
Estimator
rekursif
estimasi parameter
model proses
Sintesa
pengendali
kalkulasi parameter
pengendali
Kalkulasi
sinyal kendali
kalkulasi sinyal
kendali u(t)
Gambar 6.2 Diagram timing dan sequence untuk sistem kendali swa-tala
116 Bab 6: Pengendali Swa-Tala
Pada akhir siklus ini algoritma swa-tala menunggu hingga akhir interval
pencuplikan dan kemudian mengulang kembali siklus untuk interval berikutnya.
Setiap langkah pada siklus dihitung secara sekuensial. Gambar 6.2
mengilustrasikan siklus ini kedalam diagram timing dan sequence. Waktu kalkulasi
keseluruhan dari langkah-langkah siklus swa-tala diasumsikan harus jauh lebih
kecil dari nilai waktu pencuplikan. Jika tidak, maka lup tertutup akan mempunyai
waktu tunda tambahan.
Untuk masalah servo sistem dideskripsikan sebagai sistem yang bebas derau
dengan bentuk persamaan sebagai berikut
Ay (t ) Bu(t 1) (6.1)
Tujuan pengendalian adalah membuat keluaran y(t) dapat mengikuti sinyal acuan
w(t) tanpa adanya galat tunak dan dinamika sistem lingkar tertutup dibentuk oleh
letak kutub yang ditentukan oleh polinomial Pd.
Aˆ y (t ) Bˆ u(t 1) (6.2)
Aˆ Fˆ z 1Bˆ Gˆ Pd (6.3)
dan
P
Hˆ d (6.4)
Bˆ z 1
Langkah (v) Tunggu hingga periode pencuplikan berikutnya dan ulangi langkah
(i).
Dalam masalah regulator keluaran proses diganggu oleh derau putih dengan rata-
rata nol. Model sistem didedeskripsikan oleh persamaan
F
y (t ) e(t ) (6.7)
Pd
Aˆ X 1 y (t ) Bˆ X 1u(t 1) eˆ (t ) (6.8)
dengan
Aˆ 1 aˆ1 z 1 aˆ na z na
Bˆ bˆ0 bˆnb z nb
dan X dipilih sebagai polinomial invers stabil didalam z-1 dengan derajat nx.
Aˆ Fˆ z 1Bˆ Gˆ Pd X (6.9)
Langkah (v) Tunggu hingga pencuplikan berikutnya, dan ulangi langkah (i).
118 Bab 6: Pengendali Swa-Tala
(t d ) Py (t d ) Qu(t ) Rw (t ) (6.11)
Persamaan ini dapat diuraikan menjadi dua bagian yang bebas linier, hanya
bagian pertama yang dipengaruhi oleh sinyal kendali:
1
(t d ) Fu(t ) Gy (t ) Hw (t ) Ee(t d ) (6.12)
C
Pd C EA z d G (6.13)
dan persamaan
Fu(t ) Gy (t ) Hw (t ) 0 (6.14)
Persamaan (6.14) adalah bentuk pengendali GMV, sehingga keluaran sistem lup
tertutup menjadi
(t ) Ee(t ) (6.15)
(t ) Py (t ) Qu(t d ) Rw(t d )
Langkah (iv) Tunggu hingga waktu pencuplikan berikutnya dan ulangi kembali
langkah (i).
Tujuan Pengajaran
Tujuan dari topik bab 7 ini adalah untuk memahami aspek-aspek praktis yang
harus dilakukan dalam mengimplementasikan sistem kendali swa-tala pada
proses riil.
Hanya saja beberapa masalah yang timbul membatasi aplikasi sistem kendali
swa-tala pada proses riil. Permasalahan tersebut khususnya adalah keperluan
akan pra-identifikasi yang baik untuk prosedur estimasi parameter yang
diakibatkan terjadinya cacat estimasi parameter dan kebutuhan untuk
menyediakan sejumlah parameter spesifik seperti waktu pencuplikan h yang tepat
dan struktur model. Disamping itu pula dalam banyak kasus permasalahan timbul
akibat sistem kendali swa-tala yang menghasilkan variasi sinyal masukan proses
yang besar, serta efek-efek yang tidak diinginkan seperti „bursting“ estimasi
parameter, yang baru dapat dikenali setelah proses berjalan cukup lama.
kendali juga mempunyai tingkat yang lebih tinggi yang disebut sebagai supervision
level. Level supervisi memonitor kerusakan dan kinerja estimasi parameter,
kerusakan dan kinerja pengendalian, dan kestabilan lup tertutup. Berdasarkan
kriteria-kriteria yang ditetapkan, level supervisi akan memutuskan apakah
estimator akan melakukan proses estimasi baru jika data yang diperoleh tidak
membawa informasi baru. Selain estimator yang dipantau oleh level supervisi,
juga blok disain pengendali dimonitor. Jadi level supervisi ini bertugas untuk
menata proses estimasi parameter serta disain pengendali.
Supervision level
F s, G s, H s
As, Bs A, B
Adaptation
level Synthesis Identifier
rule
F, G, H
Setpoint or
reference w(t) Output y(t)
Controller Process
+ u(t)
-
Untuk memilih metode estimasi parameter terdapat dua alasan yang menjadi
bahan pertimbangan pemilihan tersebut. Yang pertama berkaitan dengan
algoritma estimasi untuk menghasilkan estimasi yang unbiased, dan yang kedua
berkaitan dengan waktu komputasi.
Estimator rekursif yang dibahas pada bab 2 menyediakan dua jenis algoritma:
recursive least-squares (RLS) dan recursive extended least-squares (RELS). Jika
sistem tidak terganggu oleh derau acak atau walaupun terdapat derau namun
diasumsikan derau putih, maka metode RLS tepat dipakai. Tetapi jika deraunya
adalah derau warna, maka RELS harus digunakan. Dalam hal konvergensi RELS
lebih lambat dibandingkan RLS. Disamping itu pula RELS membutuhkan waktu
Bab 8: Aplikasi Sistem Kendali Swa-Tala 123
komputasi yang lebih lama, karena jumlah parameter yang diestimasi dan data
yang diperlukan lebih banyak.
Untuk memulasi estimasi proses, maka beberapa parameter di bawah ini harus
ditentukan:
Waktu pencuplikan h
Orde model proses: na, nb, dan nc
Waktu tunda proses d
Nilai awal matriks kovarian P(0)
Nilai awal parameter terestimasi (0)
1 1
T95 h T95 (7.1)
5 20
dengan T95 adalah waktu penetapan (settling time) dengan kriteria 5%. Penentuan
interval waktu pencuplikan yang terlalu kecil harus dihindarkan untuk menghindari
perubahan masukan proses yang terlalu besar. Interval pencuplikan yang terlalu
besar juga dapat mengakibatkan gagalnya rekonstruksi sinyal diskrit yang
dihasilkan oleh pengendali menjadi sinyal kontinu yang menjadi masukan proses.
Sistem kendali swa-tala sangat sensitif terhadap penentuan nilai orde proses na,
dan nb serta waktu tunda d. Jika nilai estimasi struktur model proses tersebut tidak
sesuai dengan nilai sebenarnya, maka akan mengakibatkan kinerja sistem
pengendalian menurun bahkan dapat mengganggu kestabilan sistem lup tertutup.
Untuk sistem yang terkontaminasi dengan derau yang besar, dianjurkan untuk
menentukan harga awal elemen diagonal matriks kovarian dengan = 1000 –
10000. Hal ini ditujukan untuk menghindari perubahan estimasi parameter yang
besar. Untuk sistem yang free-noise, nilai yang sangat besar dapat
mempercepat tingkat konvergensi estimasi parameter menuju nilai sebenarnya.
Persamaan matriks kovarian untuk algoritma estimasi parameter baik untuk RLS
maupun RELS mempunyai bentuk
(t ) (t )P (t 1)
T
P (t ) P (t 1)I m T
(7.2)
1 (t )P (t 1) (t )
Secara numeris bentuk persamaan ini tidak baik, karena akan membuat nilai
elemen dari matriks kovarian berharga negatif. Hal ini bertentangan dengan
definisi kovarian yang harus tidak boleh bernilai negatif. Kondisi ini biasanya
disebabkan karena masukan sistem tidak cukup tereksitasi, terutama terjadi ketika
sistem kendali swa-tala lup tertutup memasuki keadaan tunak dan tidak terjadi
perubahan sinyal acuan dan tidak terdapat gangguan eksternal yang
mempengaruhi keluaran proses, sehingga tidak ada informasi baru yang layak
diberikan ke estimator. Dalam hal ini manajemen algoritma swa-tala
memprioritaskan data baru dan mulai melupakan data lama berdasarkan
pemilihan faktor pelupa . Hal ini terkait dengan pembahasan sub-bab setelah ini.
Pada penggunaan metode RLS atau RELS sebagai estimator hal di atas dapat
terindikasi dengan bertambahnya variansi parameter terestimasi. Pada waktu
tertentu estimasi parameter menjadi tidak terkendali dan menyimpang jauh dari
nilai sebenarnya, serta nilai elemen diagonal dari matriks kovarian menjadi
divergen. Fenomena ini disebut sebagai bursting. Cacat estimasi parameter ini
dapat menyebabkan respon sistem yang tidak stabil. Cara sederhana untuk
menghindari masalah ini adalah dengan menghentikan proses estimasi
parameter, jika terdeteksi nilai elemen matriks kovarian negatif. Cara yang lain
adalah dengan menggunakan faktor pelupa yang berubah [24], sehingga ketika
terdeteksi kondisi buruk estimator, maka nilai faktor pelupa dibuat menjadi
membesar mendekati satu.
a) Besaran sinyal:
(i.) a priori error e(k)
(ii.) rata-rata a priori error E{e(k)}
(iii.) variansi a priori error e2(k)
(iv.) fungsi autokorelasi ee(k)
(v.) fungsi kroskorelasi ue(k)
(vi.) loss function J(k)
b) Besaran parameter:
(i.) nilai ekspektasi parameter terestimasi E{}
(ii.) variansi parameter terestimasi 2(k)
(iii.) matriks kovarian P(k)
(iv.) matriks informasi H(k) = P-1(k)
Untuk perubahan parameter proses yang kecil, nilai rata-rata dan variansi
parameter terestimasi dapat dihitung. Pada kasus ini, estimator rekursif sanggup
untuk mengikuti perubahan parameter proses, jika faktor pelupa ditentukan lebih
kecil dari satu. Dengan demikian parameter pengendali dapat dikalkulasi dan
diadaptasi secara kontinu.
126 Bab 8: Aplikasi Sistem Kendali Swa-Tala
Akan tetapi jika perubahan estimasi parameter tersebut cepat, estimator rekursif
tidak sanggup mengikuti dengan cepat. Dalam kasus ini perhitungan parameter
pengendali untuk sementara dihentikan, dan kendali on-line menggunakan nilai
parameter pengendali yang lama. Setelah fasa transien tertentu dimana kondisi
tunak mulai tercapai, perhitungan parameter pengendali dapat dimulai kembali.
n N 1 n N 1 n N 1
u 2
( k ) u (k )u (k 1) u(k )u (k n 1)
n N 1 k n k n
n N 1
k n
n N 1
u (k )u (k n 2)
u ( k )u ( k 1) u 2 (k )
H 22 k n k n k n
n N 1 n N 1 n N 1
u (k )u (k n 1) u (k )u (k n 2) u 2
( k )
k n k n k n
ruu (0) ruu (1) ruu (n 1)
r (1) ruu (0) ruu (n 2)
uu
ruu (n 1) ruu (n 2) ruu (0)
Jika sinyal acuan yang diberikan bernilai konstan untuk jangka waktu yang lama,
maka informasi yang diberikan kepada estimator mempunyai kualitas data yang
rendah atau tidak ada informasi baru yang dapat diberikan. Kondisi ini sangat tidak
baik untuk estimator dan pada kondisi ini nilai autokorelasi dari sinyal masukan
sangat tinggi. Akibatnya pada matriks H22 terdapat kemungkinan muncul baris
yang tidak bebas linear yang mengakibatkan determinan dari matriks H22 ini nol
atau mendekati nol. Proses estimasi parameter model proses tidak akan
dieksekusi, model sistem sebelumnya yang akan digunakan dalam disain
parameter pengendali.
Bab 8: Aplikasi Sistem Kendali Swa-Tala 127
Untuk perubahan parameter proses yang kecil, nilai rata-rata dan variansi
parameter terestimasi dapat dihitung. Pada kasus ini, estimator rekursif sanggup
untuk mengikuti perubahan parameter proses, jika faktor pelupa ditentukan lebih
kecil dari satu. Dengan demikian parameter pengendali dapat dikalkulasi dan
diadaptasi secara kontinu.
Akan tetapi jika perubahan estimasi parameter tersebut cepat, estimator rekursif
tidak sanggup mengikuti dengan cepat. Dalam kasus ini perhitungan parameter
pengendali untuk sementara dihentikan, dan kendali on-line menggunakan nilai
parameter pengendali yang lama. Setelah fasa transien tertentu dimana kondisi
tunak mulai tercapai, perhitungan parameter pengendali dapat dimulai kembali.
Sebelum mengganti nilai parameter pengendali lama dengan nilai yang baru,
analisis kestabilan lup kendali dapat dilakukan berbasiskan kepada model proses
terestimasi dan pengendali yang sudah dirancang. Secara teoritis perbaikan
kestabilan lup kendali dengan menggunakan nilai parameter pengendali baru
diamati ulang dengan menggunakan simulasi sistem kendali lup tertutup secara
on-line. Simulasi ini dilakukan berdasarkan model proses terestimasi terakhir,
harga awal riil untuk nilai masukan proses saat ini dan sebelumnya, serta nilai
keluaran proses sebelumnya.
Jika kesalahan antara hasil prediksi dengan keluaran proses sebenarnya kecil
untuk memberikan respon sistem yang lebih baik, maka nilai parameter
pengendali baru ini dapat digunakan untuk mengendalikan proses riil.
128 Bab 8: Aplikasi Sistem Kendali Swa-Tala
Sifat ketidaklinieran sistem pressure process rig tidak terlalu kuat, sehingga jika
parameter tuning estimator yaitu =1, artinya nilai estimasi parameter model
cenderung konstan (gambar 7.5), begitu pula nilai parameter pengendali hampir
tidak berubah, namun dapat memberikan kinerja pengendalian yang baik seperti
terlihat pada gambar 7.4. Gambar 7.6 menunjukkan penurunan kinerja hasil
pengendalian, jika nilai faktor pelupa ini diturunkan hingga Hasil estimasi
parameter model juga mempunyai kecenderungan tidak konvergen pada nilai
tertentu seperti terlihat pada gambar 7.7.
Tabel 7.1 di bawah ini merupakan resume dari hasil simulasi dan uji eksperimen
pengendali adapatif pada sistem pressure process rig untuk nilai faktor pelupa
yang berbeda.
Gambar 7.3 Hasil estimasi parameter model simulasi pressure process rig
dengan kutub lup tertutup z=+0.9 dan =0.85
Gambar 7.5 Hasil uji eksperimen estimasi parameter model pressure process rig
dengan kutub lup tertutup z=+0.9 dan =1.0
Gambar 7.7 Hasil uji eksperimen estimasi parameter model pressure process rig
dengan kutub lup tertutup z=+0.9 dan =0.9
Gambar 7.9 Hasil uji eksperimen estimasi parameter model pressure process rig
dengan kutub lup tertutup z=+0.9 dan =0.85
Hasil pengendalian sistem kendali adaptif pada sistem pressure process rig
dengan dua bentuk sinyal acuan yang berbeda dibandingkan untuk menganalisa
pengaruh kecukupan eksitasi sinyal masukan proses terhadap kualitas estimator.
Sinyal estimator yang diamati untuk menganalisa kualitas model terestimasi
adalah kesalahan sinyal prediksi e(k), rata-rata kesalahan prediksi E{e(k)},
variansi kesalahan prediksi e2(k), loss function J(k), variansi nilai parameter
model terestimasi 2(k), dan determinan dari matriks informasi sinyal masukan
H22.
Sinyal acuan pertama mempunyai periode perubahan sinyal acuan yang pendek,
sehingga dapat memberikan kecukupan informasi pada estimator. Sinyal acuan
yang kedua dipilih yang memiliki nilai yang konstan dalam waktu yang cukup lama,
seperti terlihat pada gambar 7.8.
Gambar 7.10 hingga gambar 7.13 merupakan hasil uji eksperimen pada
parameter kualitas estimator dengan kondisi sinyal acuan pertama. Semua
besaran sinyal estimator cenderung monoton turun dan konstan. Di lain pihak,
besaran sinyal estimator tersebut mempunyai kecenderungan monoton naik pada
pengendalian yang menimbulkan fenomena bursting, seperti terlihat pada gambar
7.14 hingga gambar 7.16. Informasi yang diberikan kepada estimator juga buruk,
134 Bab 8: Aplikasi Sistem Kendali Swa-Tala
Gambar 7.11 Grafik nilai loss function untuk faktor pelupa =1
Bab 8: Aplikasi Sistem Kendali Swa-Tala 135
Gambar 7.12 Grafik variansi estimasi parameter model proses a1, a2, b1, dan b2
untuk faktor pelupa =1.0
Gambar 7.13 Grafik eksitasi sinyal masukan u(k) dilihat dari nilai determinan
matriks informasi H22 yang berisi nilai auto korelasi ruu(0) dan ruu(1) untuk =1
136 Bab 8: Aplikasi Sistem Kendali Swa-Tala
Gambar 7.15 Grafik nilai loss function untuk faktor pelupa =0.85
Bab 8: Aplikasi Sistem Kendali Swa-Tala 137
Gambar 7.16 Grafik variansi estimasi parameter model proses a1, a2, b1, dan b2
untuk faktor pelupa =0.85
Gambar 7.17 Grafik eksitasi sinyal masukan u(k) dilihat dari nilai determinan
matriks informasi H22 yang berisi nilai auto korelasi ruu(0) dan ruu(1) untuk =0.85
138 Bab 8: Aplikasi Sistem Kendali Swa-Tala
Mayoritas metode perancangan pengendali yang dikenal saat ini berbasis model
proses. Kinerja pengendalian yang diberikan oleh pengendali akan sangat
bergantung kepada kualitas model. Jika kualitas model buruk yang mempengaruhi
kemungkinan pengendali memiliki kutub (akar polinom F(z-1)) diluar unit circle
seperti terlihat pada gambar 7.20, akan membuat hasil pengendalian juga buruk.
Sistem pressure process rig tidak akan dapat dikendalikan tetap stabil dengan
menggunakan pengendali yang tidak stabil.
Gambar 7.18 Pergerakan letak estimasi kutub (atas) dan zero (bawah) disekitar
batas kestabilan sistem untuk =0.85
Sementara itu, hasil pengendalian yang baik tidak terjadi fenomena bursting
dipengaruhi oleh pengendali yang memiliki kutub dan zero didalam unit circle
Bab 8: Aplikasi Sistem Kendali Swa-Tala 139
sepert terlihat pada gambar 7.21. Hal ini dapat terjadi dikarenakan model proses
terestimasi juga mempunyai kualitas yang cukup baik, ditandai dengan
pergerakan estimasi letak kutub model proses selalu berada didalam unit circle
pada gambar 7.19.
Gambar 7.19 Pergerakan letak estimasi kutub (atas) dan zero (bawah) disekitar
batas kestabilan sistem untuk =1.0
Gambar 7.20 Pergerakan letak estimasi zero polinom G(z-1) (atas) dan kutub
polinom F(z-1) (bawah) disekitar batas kestabilan sistem untuk =1.0
140 Bab 8: Aplikasi Sistem Kendali Swa-Tala
Gambar 7.21 Pergerakan letak estimasi zero polinom G(z-1) (atas) dan kutub
polinom F(z-1) (bawah) disekitar batas kestabilan sistem untuk =1.0
Bab 8
Tujuan Pengajaran
Bab 8 yang berisi pembahasan aplikasi sistem kendali swa-tala pada sistem
pressure process rig bertujuan untuk memahami langkah-langkah yang diperlukan
dalam mengimplementasikan sistem kendali swa-tala serta memecahkan
permasalahan yang dijumpai.
Pemanfaatan alat ini untuk kegiatan penelitian masih belum optimal. Kegiatan
terakhir yang menggunakan alat ini dilaporkan oleh Simanjuntak dalam kerangka
Kerja Praktek di laboratorium Kendali [1]. Untuk mengendalikan pressure process
rig masih menggunakan model non parametrik yang masih kasar, dimana model
tersebut diturunkan terhadap kurva respons transien sistem jika diberikan
masukan fungsi step pada kondisi lup terbuka. Dari respons transien ditentukan
tiga parameter karakteristik berupa penguat statik, konstanta waktu, dan waktu
142 Bab 8: Aplikasi Sistem Kendali Swa-Tala
tunda untuk membentuk model orde satu plus waktu tunda. Nilai parameter
pengendali PID ditentukan menurut aturan penalaan Ziegler-Nichols. Walaupun
hasil pengendalian yang ditunjukkan dapat mencapai kondisi zero steady-state
error baik untuk perubahan sinyal acuan dan gangguan, namun sisi respons
transien masih belum baik karena overshoot yang tinggi dan settling-time yang
lama. Uji coba yang sudah dilakukan juga menunjukan, bahwa sistem ini memiliki
karakteristik nonlinier. Sehingga manakala terjadi perubahan titik operasi, maka
pengendali PID gagal untuk memberikan kinerja yang sama untuk titik operasi
yang berbeda. Hal tersebut membutuhkan penalaan ulang parameter pengendali
yang tentunya membutuhkan waktu yang lama dan cost yang tidak sedikit.
Hanya saja beberapa masalah yang timbul membatasi aplikasi sistem kendali
swa-tala pada proses riil. Permasalahan tersebut khususnya adalah keperluan
akan pra-identifikasi yang baik untuk prosedur estimasi parameter yang
diakibatkan terjadinya cacat estimasi parameter dan kebutuhan untuk
menyediakan sejumlah parameter spesifik seperti waktu pencuplikan h yang tepat
dan struktur model. Disamping itu pula dalam banyak kasus permasalahan timbul
akibat sistem kendali swa-tala yang menghasilkan variasi sinyal masukan proses
yang besar, serta efek-efek yang tidak diinginkan seperti „bursting“ estimasi
parameter, yang baru dapat dikenali setelah proses berjalan cukup lama.
Sistem pressure process rig feedback 38-714 memiliki satu masukan berupa arus
yang disalurkan kedalam I/P converter dan satu keluaran berupa tekanan
(pressure). Sistem juga dilengkapi dengan blok process interface yang berfungsi
mengubah transmisi sinyal 7 kawat menjadi 2 kawat, jika pengguna ingin
menghubungkan dengan komputer. Disamping itu pula alat ini dilengkapi dengan
blok pengendali dengan modul struktur pengendali PID (proportional-integral-
diferensial). Parameter pengendali PID dapat ditala secara manual atau secara
otomatis (auto-tuning). Dalam modus manual, pengguna harus menentukan
sendiri nilai parameter pengendali. Metode penalaan otomatis disediakan didalam
blok pengendali, dimana parameter pengendali dihitung berdasarkan kriteria
aturan penalaan Ziegler-Nichols. Parameter kritis berupa penguat kritis dan
periode osilasi diperoleh dengan menghubungkan pengendali dengan sebuah
relay sedemikian, sehingga diperoleh kondisi limit-cycle pada keluaran di sekitar
sinyal acuan.
sinyal acuan dan gangguan, namun sisi respons transien masih belum baik karena
overshoot yang tinggi dan settling-time yang lama.
Gambar 8.1 Hasil respons masukan dan keluaran pressure process rig
Hasil penelitian yang sudah dilakukan juga menunjukan, bahwa sistem ini memiliki
karakteristik nonlinier. Dalam kondisi lup terbuka, sistem pressure process rig
diberikan masukan fungsi step dengan amplitudo yang berbeda-beda. Untuk
setiap nilai amplitudo fungsi step, direkam nilai tunak keluaran tekanan y0, dan
hasilnya ditunjukkan dalam gambar 8.2. Dari kurva respons tunak tersebut terlihat
bahwa terdapat minimal tiga titik kerja pada pressure process rig, yaitu titik kerja
pada tekanan tinggi, menengah, dan rendah. Dengan demikian diperlukan tiga
model linier untuk merepresentasikan sistem pressure process rig ini dengan baik,
dimana satu model linier mewakili satu titik kerja. Jika terjadi perubahan titik kerja,
maka pengendali PID yang sudah ditala pada titik kerja sebelumnya gagal untuk
memberikan kinerja yang diinginkan untuk titik operasi yang baru. Hal tersebut
membutuhkan penalaan ulang parameter pengendali, dan konsekuensinya
membutuhkan waktu yang lama dan bukan merupakan tugas yang mudah.
Dalam pengiriman sinyal kendali untuk Pressure Process Rig yang berasal dari
komputer, dibutuhkan rangkaian pengubah sinyal tegangan menjadi sinyal arus.
Dalam hal ini, V/I Converter digunakan untuk mengubah sinyal tegangan 0,4-2 volt
menjadi sinyal arus 4-20 mA sesuai dengan standar pensinyalan yang digunakan
oleh Pressure Process Rig. Sebuah Op Amp berkaki lima (UA741CN), enam buah
resistor, dan dua buah pencatu DC digunakan untuk membentuk V/I converter
seperti terlihat pada gambar 8.4. Dengan menggunakan bantuan Perangkat Lunak
Electronics Workbench, didapatkanlah konfigurasi resistor-resistor sebagai
berikut:
R1 = 3 K Ohm
R2 = 3 K Ohm
R3 = 100 Ohm
R4 = 3,1 K Ohm
R5 = 3 K Ohm
RL = 159 Ohm (hambatan total lup tertutup pada I/P Converter)
Walaupun amplitudo keluaran V/I converter sesuai dengan yang diinginkan, nilai
arus yang dihasilkannya berharga negatif, sehingga pada koneksinya dengan
Process Interface, pengkabelan harus dibuat terbalik. Kutub positif keluaran V/I
converter terhubung langsung dengan ground pada process interface dan ground
keluaran V/I converter terhubung langsung dengan kutub positif pada Process
Interface.
146 Bab 8: Aplikasi Sistem Kendali Swa-Tala
Pemilihan sinyal uji masukan; yaitu berupa penentuan sinyal masukan yang
akan diberikan kepada sistem untuk membangkitkan sinyal keluaran yang
akan digunakan untuk mengestimasi nilai parameter model ARX. Sinyal
pseudo random binary signal (PRBS) dipilih sebagai sinyal masukan yang
diberikan kepada sistem. Sinyal ini dapat memberikan eksitasi yang cukup
pada masukan pressure process rig, sehingga reaksi keluaran yang diberikan
sistem dapat memberikan cukup informasi yang sangat diperlukan estimator.
Hasil keluaran sistem yang diberikan sinyal uji PRBS dapat dilihat pada
gambar 8.5.
Penentuan struktur model, yaitu bagaimana memilih fungsi pemetaan linier f(.)
dari masukan terhadap keluaran. Untuk sistem skala laboratorium seperti
pressure process rig tidak terdapat a-priori knowledge yang dimanfaatkan
untuk menentukan struktur model. Dengan mempertimbangkan
kesederhanaan bentuk model ARX ini dan variansi derau yang mempengaruhi
keluaran sistem sistem tidak terlalu besar, model Autoregressive eXogenous
(ARX) dipilih sebagai model linier.
y (t ) B( z 1 )
Gp (z)
u(t ) A( z 1 )
A( z 1 ) 1 a1 z 1 ana z na
B( z 1 ) b0 b1z 1 bnb z nb
Sekumpulan model ARX dengan orde yang berbeda dimulai dari orde satu
hingga orde sepuluh disediakan untuk diestimasi nilai parameter masing-
masing model tersebut. Model terbaik dipilih setelah melewati proses validasi
model pada tahapan keempat.
Gambar 8.5 Grafik masukan PRBS dan keluaran pressure process rig
(t ) y (t ) ψT (t )θˆ (t 1)
1
P(t ) P(t 1) Im ψ(t ) 1 ψT (t )P(t 1)ψ(t ) ψT (t )P(t 1) /
θˆ (t 1) θˆ (t ) P
(t
1
)ψ 1) (t 1)
(t
γ ( t 1)
Satu set model ARX dengan orde berbeda, dimulai dari orde satu, dua, dan
tiga, diestimasi nilai masing-masing parameter model dengan
148 Bab 8: Aplikasi Sistem Kendali Swa-Tala
Gambar 8.6 Grafik pergerakan theta untuk orde 1 selama 500 detik
Gambar 8.9 menampilkan nilai FOE untuk orde satu hingga orde sepuluh.
Terlihat dari kurva tersebut bahwa model orde dua memiliki nilai FOE yang
terkecil, sehingga dapat disimpulkan bahwa model ARX dengan orde dua
adalah model terbaik yang dapat mewakili perilaku pressure process rig. Model
terbaik hasil identifikasi mempunyai persamaan sebagai berikut:
Gambar 8.7 Grafik pergerakan theta untuk orde 2 selama 500 detik
Gambar 8.8 Grafik pergerakan theta untuk orde 3 selama 500 detik
150 Bab 8: Aplikasi Sistem Kendali Swa-Tala
Gambar 8.9 Kurva nilai final output error untuk orde berbeda
F ( z 1 ) 1 f1z 1 f nf z nf
G( z 1 ) g 0 g 1z 1 g ng z ng
H ( z 1 ) h0 h1z 1 hnh z nh
Spesifikasi target pengendalian diwakili oleh polinom T, yaitu polinom dalam z-1
yang koefisien-koefisiennya diperoleh berdasarkan kutub-kutub fungsi alih
tertutup yang ingin dicapai.
1 0 0 b1 0 0 f1 t 1 a1
a1 1 b2 b1 f 2 t 1 a 2
a a1 b2
2
a2 1 bnb b1 f nf a na
a na a1 0 bnb b2 g 0 0
a na a2 0 g 1 0
bnb
0
0 a na 0 0 0 g ng 0
nf = nb
ng = na – 1
A dan B tidak mempunyai faktor sekutu
nt na + nb
F(z-1) = 1 + f1z-1
152 Bab 8: Aplikasi Sistem Kendali Swa-Tala
G(z-1) = g0 + g1z-1
Gambar 8.12 Grafik sinyal acuan dan keluaran model pressure process
Bab 8: Aplikasi Sistem Kendali Swa-Tala 155
Hasil pengendalian yang kurang baik ini disebabkan oleh sifat nonlinear yang
dimiliki pressure process rig. Algoritma RLS terlalu lamban mengkalkulasi nilai
parameter model proses, sehingga keluaran sistem tidak sanggup memberikan
kinerja yang baik untuk setiap kali perubahan titik kerja. Pada pengendali swa-tala
dengan struktur dua-derajat-kebebasan kondisi zero steady-state error akan
dicapai apabila kualitas estimasi polinom B(z-1) sangat baik. Karakteristik
ketidaklinieran yang kuat pada pressure process rig menyebabkan munculnya
variansi keluaran proses, yang mempengaruhi akurasi estimasi parameter,
sehingga pengendalian tidak berjalan dengan baik dan galat tunak tidak hilang
pada beberapa trayektori. Apabila RLS kurang mendapat informasi yang cukup
untuk perpindahan titik kerja, maka estimasi parameter proses yang didapatkan
tidak dapat mewakili daerah kerja baru di awal perubahan titik kerja.
yang memiliki sifat integrasi tetapi dapat dipakai untuk sistem dengan orde
sembarang.
Gambar 8.14 Grafik hasil pengendalian pressure process rig dengan algoritma
penempatan kutub
A y (t ) Bu(t 1) e (t )
dengan
A (1 z 1 )A A
G
u(t ) y (t ) r (t )
F
F A z 1BG T
data lama pada pengestimasian parameter. Daerah kerja yang diestimasi oleh
RLS pada saat tersebut adalah di sekitar sinyal acuan baru. Akurasi hasil estimasi
hanya berlaku di sekitar titik acuan. Ketika titik kerja kemudian diubah dan titik
kerja baru tersebut berada di luar garis kelinearitasan aktual, maka timbul lonjakan
estimasi theta sebagai aksi penyesuaian tehadap daerah kerja baru.
Gambar 8.16 Grafik perbandingan setpoint dan keluaran proses dengan kedua
kutub lingkar tertutup yang diinginkan terletak pada z=+0,9 dan = 0,99
Gambar 8.17 Grafik pergerakan dengan kedua kutub lingkar tertutup yang
diinginkan terletak pada z=+0,9 dan =0,99
Gambar 8.18 Grafik perbandingan setpoint dan keluaran proses dengan kedua
kutub lingkar tertutup yang diinginkan terletak pada z=+0,92 dan = 0,9999
160 Bab 8: Aplikasi Sistem Kendali Swa-Tala
Gambar 8.19 Grafik pergerakan dengan kedua kutub lingkar tertutup yang
diinginkan terletak pada z=+0,92 dan = 0,9999
R( z 1 )u(t ) T ( z 1 )w (t ) S( z 1 )y (t )
T ( z 1 ) 1 t 1z 1 t nt z nt
R( z 1 ) r0 r1z 1 r nr z nr
S( z 1 ) s 0 s1z 1 s ns z ns
Polinomial T dapat ditentukan sama dengan nilai polinom C pada model CARIMA
[16]. Untuk mengoptimasi fungsi kriteria, maka bentuk prediksi optimal untuk j
N1 dan j N2 harus ditentukan. Langkah pertama yang harus dilakukan adalah
dengan menyelesaikan persamaan Diophantine berikut ini:
T ( z 1 ) E j ( z 1 )A( z 1 ) z j F j ( z 1 )
Fj EjB
yˆ (t j | t ) y (t ) u(t j 1)
T T
dimana Hj adalah elemen matriks G dan Ij adalah elemen baris matriks GT. Dengan
demikian persamaan keluaran prediksi menjadi
Ij Fj
yˆ (t j | t ) H j u(t j ) u(t 1) y (t )
T T
u(t 1) y (t )
f I( z 1 ) 1
F( z 1 )
T (z ) T ( z 1 )
N2 N2 N2
Ii F
i N1
k i w (t i ) k i
i N1 T
u(t 1) k i i y (t )
i N1 T
Dengan mengasumsikan trayektori acuan konstan sehingga w(t+i)=w(t), maka
persamaan di atas dapat ditulis kembali menjadi
162 Bab 8: Aplikasi Sistem Kendali Swa-Tala
N2
N2 N2
T z k i I i (t ) u(t ) T k i w (t ) k i Fi (t )
1
i N1 i N1 i N1
k
i N1
i
N2
k F
i N1
i i
1
S( z ) N2
k
i N1
i
cukup besar hingga mencapai 16%. Hal ini disebabkan model proses masih belum
sempurna. Namun seiring dengan bertambahnya waktu, sifat konsistensi
algoritma RLS diperbaiki dengan bertambahnya informasi baru yang diperoleh
terutama untuk setiap perubahan titik kerja. Dengan demikian model yang
dihasilkan juga bertambah keakuratannya. Efeknya terlihat langsung pada
respons transien pada setiap perubahan titik kerja, dimana nilai overshoot dapat
ditekan menjadi kecil. Perubahan nilai parameter pengendali S(z-1) dan R(z-1)
sesuai dengan perubahan titik kerja dapat dilihat pada gambar 8.22.
Untuk melihat ketegaran pengendali GPC swa-tala, maka pada detik ke-425
keluaran sistem ditambahkan gangguan. Pemberian gangguan ini dilakukan
dengan cara menutup katup V7 yang sebelumnya dibuka sedikit. Penutupan katup
V7 ini akan menyebabkan perubahan tekanan sebesar 10%. Setelah terjadinya
gangguan seperti terlihat pada gambar 8.20, pengendali GPC swa-tala dengan
cepat memberikan aksi untuk membimbing kembali keluaran menuju sinyal acuan
yang diberikan.
Gambar 8.21 Respons keluaran pressure process rig untuk RLS= 0.9999 dan
GPC=2
164 Bab 8: Aplikasi Sistem Kendali Swa-Tala
Pre-identification
Gambar 8.22 Kurva perubahan nilai parameter pengendali R(z-1) dan S(z-1)
(a) (b)
Gambar 8.23 (a) Bentuk fisik Coupled-Tank Control Apparatus PP-100. (b)
Sketsa Coupled-Tank Control Apparatus PP-100.
Bab 8: Aplikasi Sistem Kendali Swa-Tala 165
Sistem Coupled-Tank Control Apparatus PP-100 terdiri dari dua menara tangki
yang terletak di atas sebuah reservoir yang digunakan untuk menyimpan air. Air
dari reservoir dapat dipompa ke dalam setiap tangki dengan menggunakan dua
pompa yang saling terpisah untuk masing-masing tangki. Ketinggian air pada
masing-masing tangki dapat dilihat pada mistar yang terletak di depan kedua
tangki. Pada setiap tangki dari alat tersebut dilengkapi juga oleh saluran keluar air
yang letaknya di samping dan berada dekat dengan bagian bawah masing-masing
tangki. Besarnya saluran keluar tersebut dapat diatur dengan cara mengatur katup
pada tabung keluaran menggunakan sebuah sekrup penjepit. Kondisi katup yang
berbeda akan menyebabkan model alat menjadi berbeda. Oleh sebab itu, kondisi
bukaan katup harus selalu dibuat tetap selama pembuatan model. Ketinggian air
pada setiap tangki dapat diketahui dengan menggunakan sebuah penggaris
mistar atau dengan menggunakan sensor tipe kapasitif yang terdapat pada setiap
tangki. Sensor tersebut mengkonversi ketinggian air menjadi tegangan listrik.
Tegangan keluaran 0,275 volt diberikan pada posisi ketinggian air terendah
(dibawah saluran keluaran ke reservoir), yaitu sekitar 14 mm, sedangkan
tegangan keluaran 5,6 volt diberikan pada posisi ketinggian air tertinggi tepat
sebelum pipa keluaran atau sekitar 300 mm. Pipa keluaran berfungsi untuk
menjaga air agar air tidak meluap dari atas tangki.
Sebagai masukan dan keluaran pada sistem tangki terhubung adalah catu
tegangan pompa u(t) yang mengirim debit fluida qin(t) kedalam tangki pertama dan
ketinggian permukaan fluida h2(t) pada tangki kedua. Rentang tegangan catu
pompa dan ketinggian fluida berturut-turut adalah berkisar diantara 0 Volt hingga
10 Volt dan 0 cm hingga 30 cm. Pada kondisi mass-balance, perubahan volume
pada kedua tangki adalah sama dengan jumlah debit fluida masuk dikurangi
jumlah debit fluida keluar. Banyaknya debit fluida yang masuk pada tangki 1
ditentukan dari nilai tegangan pompa yang diberikan, dan kedua variabel tersebut
diasumsikan memiliki hubungan linier. Dengan demikian perubahan volume pada
kedua tangki dapat dirumuskan dalam persamaan diferensial nonlinier:
166 Bab 8: Aplikasi Sistem Kendali Swa-Tala
dh2 k1sign(h1 h2 ) | h1 h2 | k 2 h2
.
dt A2
Gambar 8.24 Blok SIMULINK yang digunakan untuk mengambil data masukan
dan keluaran dari Coupled-Tank Control Apparatus PP-100
Pada saat pengambilan data, terdapat satu buah masukan dan dua buah variabel
keadaan yang dicatat sebagai informasi untuk menentukan nilai parameter-
parameter estimasi model ruang keadaan dari alat tersebut. Model ruang keadaan
sistem tangki terhubung adalah sebagai berikut.
x1 (k 1) a11 a12 x1 (k ) b1 k
x (k 1) a u ( k ) 1
2 21 a 22 x 2 (k ) b2 k 2
atau
a11 a 21
a22
x1 (k 1) x 2 (k 1) x1 (k ) x 2 (k ) u(k ) 1
b1 b2
k a12
x
T
T
k
1
k2
ˆ
Dari persamaan di atas, maka dapat diturunkan rumus untuk menghitung nilai
parameter-parameter estimasi ˆ . Langkah-langkah untuk menghitung nilai
parameter estimasi ˆ adalah sebagai berikut
1. Modifikasi fungsi kriteria menjadi
T
J LS X ˆ X ˆ
T T T
X X ˆ X X ˆ ˆ ˆ
T T T
ˆ
(a)
168 Bab 8: Aplikasi Sistem Kendali Swa-Tala
3.5
3
Tegangan (Volt)
2.5
1.5
0.5
0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
Waktu (s)
(b)
3.5
3
Tegangan (Volt)
2.5
1.5
0.5
0
0 200 400 600 800 1000 1200 1400 1600 1800 2000
Waktu (s)
(c)
Gambar 8.25 (a) Grafik sinyal masukan saat identifkasi. (b) Grafik dari sensor
ketinggian pada tangki pertama. (c) Grafik dari sensor ketinggian pada tangki
kedua
Vektor K adalah vektor kompensasi nilai masukan. Karena keluaran sistem adalah
ketinggian air pada tangki kedua, maka persamaan keluaran untuk model ruang
keadaan adalah
x k
y k 0 1 1
x 2 k
Grafik keluaran proses dan keluaran model dapat dilihat pada gambar 8.26,
sedangkan grafik selisih keluaran proses dan keluaran model pada tangki kedua
dapat dilihat pada gambar 8.27.
4.5
3.5
3
Tegangan (Volt)
2.5
1.5
Gambar 8.26 Grafik keluaran proses dan keluaran model pada tangki kedua.
0.7
0.6
0.5
0.4
Selisih Keluaran (Volt)
0.3
0.2
0.1
-0.1
-0.2
-0.3
0 200 400 600 800 1000 1200 1400 1600 1800 2000
Waktu (s)
Gambar 8.27 Selisih antara keluaran proses dengan keluaran model pada tangki
kedua
170 Bab 8: Aplikasi Sistem Kendali Swa-Tala
Dari gambar 82.6 dan gambar 8.27 terlihat bahwa model yang digunakan sudah
cukup baik karena selisih antara keluaran proses dan keluaran model relatif kecil.
Berdasarkan hasil estimasi, didapatkan nilai lost function (JLS)
2
1 N
J LS y 2 yˆ 2 0,0361
N i 1
Dari perhitungan ternyata didapatkan nilai JLS yang cukup kecil, hal ini
membuktikan bahwa model yang akan digunakan sudah cukup baik.
1
1 z 1
z 1
Diagram alir untuk perhitungan sinyal kendali dengan menggunakan MPC dengan
constraints adalah seperti pada gambar 8.29.
berdasarkan constraints
U (k )
172 Bab 8: Aplikasi Sistem Kendali Swa-Tala
2
1 T
d 2
2
T
H d d 2H U r G V ( U r )
r
dengan constraints
r d 0
d r
T
0 r 0
dimana nilai U r yang terdapat pada matriks r ditentukan pada langkah (2).
Hasil perhitungan d dan λr akan mempengaruhi tahapan berikutnya, yaitu:
a. Jika semua λr > 0 dan d = 0, maka proses komputasi selesai dan nilai U r
merupakan nilai optimal untuk U (k ) .
b. Jika semua λr > 0 dan ada nilai d ≠ 0, maka lanjut ke langkah (5).
c. Jika ada nilai λr < 0, maka constraint yang memiliki nilai λr paling negatif
dibuang, kemudian lanjut ke langkah (5).
Bab 8: Aplikasi Sistem Kendali Swa-Tala 173
b ai U r
r min1, min i
iA ai d r
ai d r 0
Gambar 8.29 Diagram alir metode Active Set untuk menyelesaikan Quadratic
Programming.
dengan ai adalah baris dari pertidaksamaan batasan yang tidak aktif dan bi
adalah batasannya. Selanjutnya, nilai U r dalam arah d dihitung sebagai
berikut
U r 1 U r r d
174 Bab 8: Aplikasi Sistem Kendali Swa-Tala
6. Jika nilai r < 1, maka constraint yang membuat nilai r < 1 ditambahkan ke
r.
7. Tetapkan r = r + 1 dan kembali ke langkah (3) untuk proses iterasi berikutnya.
4.5
4 Hu = 3
3.5
Tegangan Sinyal Keluaran (Volt)
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(a)
4.5
4 Hu = 6
3.5
Tegangan Sinyal Keluaran (Volt)
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(b)
Bab 8: Aplikasi Sistem Kendali Swa-Tala 175
4.5
4 Hu = 9
Tegangan Sinyal Keluaran (Volt) 3.5
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(c)
Gambar 8.31 Keluaran sistem hasil simulasi dengan nilai control horizon yang
berbeda.
Hasil simulasi dengan prediction horizon tetap dan control horizon yang berbeda
terdapat pada gambar 8.31 dan gambar 8.32.
3.5
Tegangan Sinyal Masukan (Volt)
2.5
1.5
0.5 Hu = 3
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(a)
176 Bab 8: Aplikasi Sistem Kendali Swa-Tala
3.5
Tegangan Sinyal Masukan (Volt)
2.5
1.5
0.5 Hu = 6
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(b)
4
3.5
Tegangan Sinyal Masukan (Volt)
2.5
1.5
0.5 Hu = 9
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(c)
Gambar 8.32 Sinyal kendali hasil simulasi dengan nilai control horizon yang
berbeda.
Berdasarkan gambar 8.31, ternyata hasil pengendali terlihat bagus jika besarnya
control horizon mendekati nilai prediction horizon. Hal ini terjadi karena dengan
nilai matriks R yang kecil, perubahan sinyal kendali tidak terlalu ditekan. Jika nilai
control horizon kecil, naka sinyal kendali selalu ingin berubah sebesar-besarnya
supaya keluaran sistem dapat dengan segera mencapai nilai yang sama dengan
nilai trayektori acuan, sehingga perubahan sinyal kendali akan memiliki variansi
yang besar pada saat akan terjadi perubahan nilai trayektori acuan (gambar
8.32.a). Perubahan sinyal kendali dengan variansi yang besar tersebut
menyebabkan keluaran sistem menjadi tidak bagus (gambar 8.31.a). Semakin
dekat nilai control horizon dengan nilai prediction horizon, variansi perubahan
sinyal kendali akan semakin kecil. Hal tersebut dapat terlihat pada saat akan
terjadi perubahan treyektori acuan. Dengan nilai control horizon yang hampir
sama dengan nilai prediction horizon, prediksi perubahan sinyal kendali
menyesuaikan dengan nilai prediksi keluaran sehingga variansi perubahan sinyal
kendali tidak terlalu besar (gambar 8.32.b dan gambar 8.32.c).
Bab 8: Aplikasi Sistem Kendali Swa-Tala 177
Selain simulasi, dilakukan percobaan dengan alat untuk nilai control horizon yang
berbeda dan nilai prediction horizon tetap. Dari hasil percobaan pada gambar 8.33
terlihat bahwa keluaran sistem akan semakin bagus jika nilai control horizon dibuat
mendekati nilai prediction horizon.
Percobaan dengan Nilai Control Horizon tetap dan Nilai Prediction Horizon
Bervariasi
Untuk melihat pengaruh prediction horizon (Hp) terhadap hasil pengendalian
MPC, dilakukan beberapa percobaan dengan nilai control horizon (Hu) dibuat
tetap, yaitu sebesar 3, dan nilai prediction horizon dibuat bervariasi. Variasi
prediction horizon yang digunakan pada percobaan adalah sebesar 6, 9, dan 12.
Faktor bobot kesalahan (Q) yang digunakan adalah IHp sedangkan faktor bobot
perubahan sinyal kendali (R) yang digunakan adalah 0,01 IHu.
4.5
4 Hu = 3
3.5
Keluaran Sistem(Volt)
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(a)
4.5
4 Hu = 9
3.5
Tegangan Keluaran (Volt)
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(b)
Gambar 8.33 Keluaran sistem hasil percobaan dengan nilai control horizon yang
berbeda.
178 Bab 8: Aplikasi Sistem Kendali Swa-Tala
Hasil simulasi dengan control horizon tetap dan prediction horizon yang berbeda
terdapat pada gambar 8.35 dan gambar 8.36. Dari hasil simulasi terlihat bahwa
untuk nilai faktor bobot perubahan sinyal kendali R yang kecil, maka hasil
pengendali akan tetap bagus jika nilai control horizon dibuat mendekati nilai
prediction horizon. Hal ini sama seperti yang terjadi pada percobaan pertama (nilai
Hu tetap dan nilai Hp bervariasi), dimana semakin dekat nilai control horizon
dengan nilai prediction horizon, maka variansi perubahan sinyal kendali saat akan
terjadi perubahan trayektori acuan semakin kecil.
3.5
3
Sinyal Masukan (Volt)
2.5
1.5
0.5 Hu = 3
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(a)
4
3.5
3
Sinyal Masukan (Volt)
2.5
1.5
0.5 Hu = 9
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(b)
Gambar 8.34 Sinyal masukan hasil percobaan dengan nilai control horizon yang
berbeda.
Bab 8: Aplikasi Sistem Kendali Swa-Tala 179
4.5
4 Hp = 6
3.5
Keluaran Sistem(Volt) 3
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900
Waktu (s)
(a)
4.5
4 Hp = 9
3.5
Keluaran Sistem(Volt)
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900
Waktu (s)
(b)
4.5
4 Hp = 12
3.5
Keluaran Sistem(Volt)
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(c)
Gambar 8.35 Keluaran sistem hasil simulasi dengan nilai prediction horizon yang
berbeda.
180 Bab 8: Aplikasi Sistem Kendali Swa-Tala
3.5
3
Sinyal Masukan (Volt)
2.5
1.5
0.5 Hp = 6
0
0 100 200 300 400 500 600 700 800 900
Waktu (s)
(a)
4
3.5
3
Sinyal Masukan (Volt)
2.5
1.5
0.5 Hp = 9
0
0 100 200 300 400 500 600 700 800 900
Waktu (s)
(b)
4
3.5
3
Sinyal Masukan (Volt)
2.5
1.5
0.5 Hp = 12
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(c)
Gambar 8.36 Sinyal masukan hasil simulasi dengan nilai prediction horizon yang
berbeda.
Percobaan dengan alat untuk nilai prediction horizon yang berbeda dan nilai
control horizon tetap juga dilakukan untuk membuktikan hasil simulasi. Dari hasil
Bab 8: Aplikasi Sistem Kendali Swa-Tala 181
percobaan pada gambar 8.37 dan gambar 8.38 ternyata terbukti bahwa ketika nilai
control horizon mendekati nilai prediction horizon, variansi perubahan sinyal
kendali saat akan terjadi perubahan trayektori acuan tidak terlalu besar. Hal ini
tentu dapat membuat keluaran sistem menjadi lebih halus.
4.5
4 Hp = 6
3.5
Keluaran Sistem(Volt)
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900
Waktu (s)
(a)
4.5
4 Hp = 12
3.5
Keluaran Sistem(Volt)
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(b)
Gambar 8.37 Keluaran sistem hasil percobaan dengan nilai prediction horizon
yang berbeda.
182 Bab 8: Aplikasi Sistem Kendali Swa-Tala
3.5
3
Sinyal Masukan (Volt)
2.5
1.5
0.5 Hp = 6
0
0 100 200 300 400 500 600 700 800 900
Waktu (s)
(a)
4
3.5
3
Sinyal Masukan (Volt)
2.5
1.5
0.5 Hp = 12
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(b)
Gambar 8.38 Sinyal kendali hasil percobaan dengan nilai prediction horizon
yang berbeda.
4.5
4 R = 0,01
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(a)
4.5
4 R = 0,1
3.5
Keluaran Sistem(Volt)
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(b)
4.5
4 R=1
3.5
Keluaran Sistem(Volt)
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(c)
Gambar 8.39 Keluaran sistem hasil simulasi untuk nilai matriks R yang berbeda-
beda.
184 Bab 8: Aplikasi Sistem Kendali Swa-Tala
3.5
3
Sinyal Masukan (Volt)
2.5
1.5
0.5 R = 0,01
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(a)
4
3.5
3
Sinyal Masukan (Volt)
2.5
1.5
0.5 R = 0,1
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(b)
4
3.5
3
Sinyal Masukan (Volt)
2.5
1.5
0.5 R=1
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(c)
Gambar 8.40 Sinyal masukan hasil simulasi untuk nilai matriks R yang berbeda-
beda.
Dari hasil simulasi pada gambar 8.39 dan gambar 8.40 terlihat bahwa semakin
besar nilai matriks R, perubahan sinyal kendali menjadi semakin ditekan sehingga
Bab 8: Aplikasi Sistem Kendali Swa-Tala 185
Untuk membuktikan hasil simulasi, dilakukan juga percobaan dengan alat untuk
nilai matriks R sebesar 0,01IHu dan IHu. Keluaran sistem dari percobaan dengan
nilai matriks R yang berbeda terdapat pada gambar 8.41, sedangkan grafik sinyal
kendali terdapat pada gambar 8.42. Dari hasil percobaan ternyata juga terlihat
bahwa hasil pengendali akan semakin bagus jika nilai matriks R semakin besar
(mendekati IHu).
4.5
4 R = 0,01
3.5
Keluaran Sistem(Volt)
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(a)
4.5
4 R=1
3.5
Keluaran Sistem(Volt)
2.5
1.5
0.5
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(b)
Gambar 8.41 Keluaran sistem hasil percobaan untuk nilai matriks R yang
berbeda-beda.
186 Bab 8: Aplikasi Sistem Kendali Swa-Tala
3.5
3
Sinyal Masukan (Volt)
2.5
1.5
0.5 R = 0,01
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(a)
4
3.5
3
Sinyal Masukan (Volt)
2.5
1.5
0.5 R=1
0
0 100 200 300 400 500 600 700 800 900 1000
Waktu (s)
(b)
Gambar 8.42 Sinyal kendali hasil percobaan untuk nilai matriks R yang berbeda-
beda.
Daftar Acuan
[1] P.C. Gregory (eds), „Proceedings of the self adaptive flight control systems
symposium,“ WADC Technical Report, Wright Air Development Centre,
Wright-Patterson Air Force Base, Ohio, 59-49, 1959.
[2] R.E. Kalman, “Design of self-optimising control systems,” Trans. ASME, 80,
468-478, 1958.
[3] K.J. Astrom and B. Wittenmark, “On self-tuning regulators,” Automatica, 9,
185-199, 1973.
[4] N. Andreiev, „A new dimension: a self-tuning controller that continually
optimizes PID constants,“ Control Eng., Aug., 84-85, 1981.
[5] R. Isermann, “Stand und Entwicklungstendenzen bei adaptiven
Regelungen,” Automatisierungstechnik, 35, 133-143, 1987.
[6] Y.D. Landau, “Adaptive control – the model reference approach,” New York:
Marcel Dekker, 1979.
[7] C.J. Harris and S.A. Billings, „Self-tuning and adaptive control: Theory and
Applications,“ London: Peter Peregrinus, 1981.
[8] K.S. Narendra (eds.), „Adaptive and learning systems,“ New York: Plenum
Press, 1986.
[9] P.J. Gawthrop, “Continuous time self-tuning control: Vol. 1 (Design),” New
York: Wiley, 1987.
[10] K.J. Astrom and B. Wittenmark, „Adaptive control,“ Reading, Addison-
Wesley, 1989.
[11] R. Isermann, “Digital control systems: Vol. 1,“ Berlin: Springer-Verlag, 1989.
[12] R. Isermann, “Digital control systems: Vol. 2,“ Berlin: Springer-Verlag, 1991.
[13] Richalet, J. et. al., “Model predictive heuristic control: Application to
industrial processes,” Automatica, 14(2):413-428, 1978.
[14] Cutler C.R. dan B.C. Ramaker, “Dynamic matrix control – A Computer
control algorithm,” In Automatic Control Conference, San Francisco, 1980.
[15] Peterka, V., “Predictor-based self-tuning control,” Automatica, 20(1):39-50,
1984.
[16] Ydstie, B.E., “Extended horizon adaptive control,” In Proc. 9th IFAC, World
Congress, Budapest, Hungary, 1984.
[17] De Keyser, R.M.C., dan A.R. Van Cuawenberghe, “Extended prediction
self-adaptive control,” In IFAC Symp. on Identification and System
Parameter Estimation, York, UK, hal. 1317-1322, 1985.
[18] Clarke, D.W., C. Mohtadi, dan P.S. Tuffs, “Generalized predictive control:
Part I the basic algorithm,” Automatica, 23(2): 137-148,1987.
[19] Greco, C. et. al., “Performance improvement of self-tuning controllers by
multistep horizons: the MUSMAR approach,” Autoatica, 20:681-700, 1984.
188 Daftar Acuan
1. P.E. Wellstead and M.B. Zarrop, „Self-tuning systems: control and signal
processing,“ John Wiley & Sons, 1991.
2. R. Isermann et.al., „Adaptive control systems,“ Prentice-Hall, 1992.
3. K.J. Astrom and B. Wittenmark, „Adaptive control,“ Addison-Wesley, 1989.
4. E.F. Camacho and C. Bordons, „Model predictive control,“ Springer-Verlag,
1999.
Soal Latihan
(1) Diketahui 7 data hasil pengukuran masukan u(k) dan keluaran proses y(k)
k 1 2 3 4 5 6
u(k) 10 10 -10 10 -10 10
y(k) -0.0016169 -1.6149 3.4482 7.3001 -1.1912 3.332
y (k ) aˆ1 y (k 1) bˆ 2 u(k 2) a
T
a) Apakah sistem di atas termasuk sistem statik atau sistem dinamik? Berikan
alasan singkat pada jawaban saudara!
b) Dengan menggunakan metode least-squares tentukanlah nilai parameter â1
and b̂1 .
(2) Model proses dari soal no. 1 sekarang diestimasi dengan metode kuadrat-
terkecil rekursif.
diberikan sinyal masukan u(t) berupa sinyal pseudo random binary signal
(PRBS). Keluaran sistem y(t) disamping dipengaruhi oleh sinyal masukan
juga dipengaruhi secara aditif oleh unmeasureable disturbance e(t) berupa
derau putih yang memiliki karakteristik uncorrelated dan zero mean. Data
sinyal masukan dan sinyal gangguan e(t) (diasumsikan diketahui nilainya)
diberikan pada tabel di bawah ini.
t 1 2 3 4 5 6
u(t) -1 -1 -1 -1 -1 -1
e(t) -0.0295 -0.1076 0.0354 0.0367 -0.0701 0.10238
Sistem sebenarnya memiliki nilai parameter a1=-0.7, b1=0.2, dan c1=-0.9 dan
diasumsikan nilainya konstan selama sistem berjalan.
a) Jika sistem adalah kausal dengan nilai keluaran dan gangguan sama dengan
nol untuk waktu t negatif atau nol, maka hitunglah nilai keluaran sistem
hingga t=6.
b) Dengan menggunakan algoritma recursive least squares (RLS), hitunglah
nilai parameter dari model autoregressive eXogenous (ARX) untuk na=1,
nb=0 untuk sistem di atas, dengan harga awal matriks kovarian P(0)=100I2,
dan vektor parameter (0)=0, hingga pencuplikan ke-4.
c) Sama dengan pertanyaan (b), hanya gunakan algoritma sequential learning
untuk mengestimasi nilai parameter model ARX dengan nilai =1 dan =1.5
d) Hitunglah nilai parameter model autoregressive moving average eXogenous
(ARMAX) untuk na=1, nb=0, nc=1 dengan menggunakan algoritma recursive
extended least squares, dengan harga awal matriks kovarian dan vektor
parameter yang sama seperti pada soal nomer (b).
u(t)
10
ns
1 2 3 4 5
-10
Nilai dari sinyal keluaran proses yang terukur diberikan pada tabel berikut ini:
n 0 1 2 3 4 5
y(ns) 0 0 1 0.9 1.81 1.629
d) Jika proses tersebut stokastik dengan variansi derau besar, apakah metode
RLS tepat digunakan sebagai estimator? Berikan alasan pada jawaban anda
dengan singkat!
(6) Untuk proses yang berubah umumnya digunakan faktor pelupa agar
estimator dapat menghitung nilai parameter proses yang baru. Sebutkan 2
jenis faktor pelupa (forgetting factor)!
(7) Jika proses tersebut stokastik dengan variansi derau besar, apakah metode
RLS tepat digunakan sebagai estimator? Berikan alasan pada jawaban anda
dengan singkat!
(8) Nilai parameter model yang diestimasi kemudian digunakan dalam bagian
disain pengendali agar respon sistem dipercepat dan juga kesalahan
194 Soal Latihan
a) Berbasiskan kepada hasil estimasi model proses pada soal no. 1 disainlah
sebuah pengendali dua-derajat-kebebasan dengan menggunakan metode
penempatan kutub, kemudian tentukan nilai parameter pengendali tersebut
sehingga unjuk kerja yang diinginkan tersebut tercapai!
b) Tunjukkan keluaran proses pada keadaan tunak sama dengan nilai sinyal
acuan yang diberikan! (Diasumsikan sistem kendali lingkar tertutup stabil)
c) Faktor apa yang membuat sehingga keluaran proses pada keadaan tunak
sama dengan nilai sinyal acuan?
d) Dengan menggunakan pengendali yang mengandung unsur integrator galat
tunak juga dapat dihilangkan. Apa perbedaan antara pengendali integrator
ini dengan pengendali dua-derajat-kebebasan?
(9) Jika model filter derau pada sistem soal no. 6 diwakili oleh fungsi alih
1 n(t ) 1 0.8z 1
Gn ( z )
e(t ) 1 a1z 1
dengan e(t) adalah derau putih dan a1 adalah nilai estimasi parameter
proses, maka disainlah pengendali dua-derajat-kebebasan dan tentukan
nilai parameter pengendali!
A( z 1 ) 1 0.9z 1
B( z 1 ) 1 1.5z 1
C( z 1 ) 1 0.5z 1
A(z-1)y(t) = B(z-1)u(t-1)
Pd ( z 1 )y (t ) B ( z 1 )H ( z 1 )w (t 1)
dengan
B( z 1 ) 1 0.6z 1
C( z 1 ) 1 1.1z 1 0.3z 2 1 0.5z 1 1 0.6z 1
a) Untuk k = 1 tentukan nilai parameter pengendali variansi minimum g0 dan g1
dalam bentuk aksi kendali
u (t )
g 0 g 1 z 1
y (t )
B( z 1 )
u (t )
g g 1 z 1
0
y (t )
1 f1 z 1 B( z 1 )
y (t )
z 2 1 0.6z 1
u ( t
)
1 1.1z 1 0.6z 2
e(t )
1 0.9z 1 1 0.9z 1
(14) Mengapa metode variansi minimum tidak dapat digunakan pada sistem
nonminimum-phase?
(16) Diketahui suatu sistem diwakili oleh model CARIMA (controlled auto-
regressive integrated moving average) berikut ini
0.4u(t 1) e(t )
y (t )
(1 0.5z ) (1 0.5z 1 )
1
(17) Diketahui suatu sistem diwakili oleh model CARIMA (controlled auto-
regressive integrated moving average) berikut ini
0.6u(t 1) e(t )
y (t )
(1 0.8z ) (1 0.8z 1 )
1
b) Sistem yang dikendalikan adalah kausal dengan harga awal keluaran proses
y(0) sama dengan nol. Tentukan keluaran sinyal kendali u(0) dan nilai cost
function J untuk t=0!
(18) Diketahui suatu sistem diwakili oleh model CARMA berikut ini
Ay (t ) z d Bu(t ) Ce(t )
dengan
a) Untuk d=2, tentukan nilai parameter pengendali variansi minimum f1, g0, g1
dalam
(g 0 g 1z 1 )
u (t ) y (t )
(1 f1z 1 )B
b) Tentukan nilai variansi keluaran proses y(t) jika variansi e(t) adalah satu-
satuan.
(19) Diketahui suatu sistem diwakili oleh model ARX (auto regressive exogenous)
berikut ini
1.12(1 0.6z 1 )
y (t ) u (t 1)
(1 0.2z 1 )(1 0.2z 1 )
t 0 1 2 3 4 5
y(t) 0 1.12 2.24 2.6432 2.7597 2.7901
1, 0 t 10
y (t ) 1, 10 t 20
1, 20 t 30
Plot respons keluaran y(t) terhadap sinyal acuan r(t) dalam satu grafik, dan
plot respons sinyal kendali u(t). Buatlah analisa respons transien dan galat
tunak dari kedua grafik tersebut
d) Jika hasil kinerja tidak memuaskan, lakukan penalaan parameter pengendali
DMC parameter bobot , prediction horizon p, atau control horizon m
sedemikian, sehingga sistem kendali prediktif memberikan kinerja
memuaskan.
0.25z 1 0.15z 2
y (t ) u (t )
1 2z 1 0.96z 2
(21) Diketahui suatu sistem diwakili oleh model CARIMA (controlled auto-
regressive integrated moving average) berikut ini
0.4u(t 1) e(t )
y (t )
(1 0.5z ) (1 0.5z 1 )
1
b) Jika harga awal keluaran proses y(0) sama dengan nol, maka tentukan
keluaran sinyal kendali u(0) dan nilai cost function J untuk t=0!
c) Selain GPC, sebutkan dua metode kendali prediktif lain yang menggunakan
model proses non-parametrik seperti yang pernah diajarkan didalam kuliah!
Sebutkan satu keuntungan dan satu kerugian penggunaan model non-
parametrik dibandingkan model parametrik!