Anda di halaman 1dari 5

A Novel Soft Sensor Model Based On Artificial Neural Network in The Fermentation Process

Peningkatan produktivitas dan kualitas produk industri biokimia sangat membutuhkan diketahuinya pengukuran dari beberapa variable penting fermentasi sekunder yang tepat dan aktual. Namun sensor teknologi yang ada belum mendukung hal ini sehingga beberapa variable penting dalam proses fermentasi tidak bisa langsung dilakukan pengukuran. Permasalahan ini membawa pada pengembangan soft sensor (Gee et al., 1996; Cheruy, 1997; Assis and

Filho,2000). Model soft sensor ini dilengkapi dengan model matematika dan algoritma, dengan informasi variable online yang tersedia seperti suhu, pH, tekanan oksigen, tekanan relatif dan kecepatan agitator-rotated dalam fermentasi untuk estimasi parameter penting dalam bioprocess. Hampir keseluruhan metode pemodelan soft sensor dapat dirangkum dalam 2 kelas yang berbeda yaitu model-driven dan data-driven (Petr et al., 2009; Vapnik, 1995). Metode modedriven umumnya menyebabkan permasalahan berat dari estimasi on-line karena ketidakakurasian instrument yang tersedia dan bergantung pada akurasi dari model proses (Kesavan et al., 2000; Gulnur and Cenk, 2002). Soft sensor data-driven meningkatkan popularitas dari industri proses. Karena model data-driven berbasis dari pengukuran data dengan penanaman pemrosesan, yang menggambarkan kondisi nyata proses. Sebagai pemodelan data-driven, ANN memiliki kemampuan untuk memperkirakan setiap hubungan non linear kompleks untuk setiap derajat akurasi yang diinginkan. Pemodelan soft sensor dengan ANN dalam bioprocess merupakan suatu hal menarik yang dapat dipertimbangkan. A Novel Soft Sensor Model Based On Artificial Neural Network in The Fermentation Process (SS-ANN) dimaksudkan untuk menghasilkan pemodelan soft sensor yang lebih efisien.

Gambar 1. Diagram Alir SS-ANN Novel

Variable sekunder diambil dari analisis grey-box model dari proses fermentasi. Mempertimbangkan dari model nonlinear berikut, digambarkan dengan m sebagai orde pertama persamaan diferensial:

Terdapat fungsi hubungan antara variable terukur dan variable tak terukur sebagaimana berikut:

Turunan x1 dapat dituliskan sebagai:

Variabel tak terukur dapat diperjelas sebagai berikut:

Keterangan:
Xi = Variabel tetap fi(x) = Nilai nyata fngsi dengan variable m = Variable tak terukur ( ) = Variabel terukur

Asumsi di atas sangat penting untuk penentuan variable sekunder dari pemodelan soft sensor dimana tergambarkan bahwa terdapat kaitan antara variable terukur dan variable tak terukur. Variable terukur diambil sebagai input dari ANN, dan turunan dari variable tak terukur sebagai output dari ANN. Tiga layer ANN, termasuk input nilai nyata m-L+1, 1 layer tersembunyi dengan neuron H dan satu output layer dengan output nilai nyata L, digunakan untuk memperkirakan fungsi nonlinear ji(x). Dengan memberikan set nilai imput sebagai berikut: , output jaringan digambarkan

dimana v(ki) sebagai beban sinapsis dari ith neuron tersembunyi untuk output, wij sebagai koefisien dari jth komponen pada input spasial untuk ith neuron tersembunui; bt sebagai nilai bias dan ith sebagai neuron tersembunyi serta s : fungsi aktivasi logistic.

Denotasi

sebagai set parameter yang dapat disesuaikan. Dalam pelatihan, dan set parameter disesuaikan dari algoritma

nilai yang diinginkan dari ANN adalah

Levenberg Marquardt yang digunakan untuk mengoptimalkan BP ANN. Fungsi total error adalah:

Dimana p adalah positive constant; orde pertama turunan dari

adalah sampel data yang dikumpulkan; dan dijelaskan dengan menggunakan 5 poin

penomoran metode turunan dan n sebagai nomor sample. Dengan ANN dilatih baik, set data menjadi:

Berdasarkan teori perkiraan dari ANN (Cybenko, 1989), diberikan e > 0 dalam formula.

Substitusi persamaan (5) dan (7) menghasilkan:

dapat diperoleh dengan memperkirakan integerasi

Sulit untuk membangun model matematika yang akurat untuk fermentasi erythromycin. Suatu model yang disebut gray box telah digunakan dan dapat digambarkan sebagai berikut, dengan makna symbol pada tabel:

Gambar 2. Tabel variable proses utama dari tahap fermentasi

Nilai estimasi dari variable tak terukur dikalkulasi dengan integrasi output ANN yang dlatih dengan baik. Proses pelatihan ANN adalah sama dengan yang telah disebutkan dalam pemodelan novel soft sensor . Setelah latihan ulang ANN sebanyak 300 kali, ultimate training error berkurang menjadi 0.00009852. Nilai beban dan bias dari ANN yang dilatih disimpan untuk mengembangkan model soft sensor berikutnya. Nilai estimasi dijelaskan pada persamaan (9) di atas. Nilai estimasi telah sesuai dan lebih halus setelah paling sedikit 5 menit tahapan metode kuadrat penyesuaian. Dapat dilihat dimana model novel soft sensor tidak hanya memberikakn estimasi yang baik dari nilai aktual tapi juga menangkap gejala dinamisnya. . Novel SS-ANN memiliki kemampuan memperkirakan yang leboh baik dari SS-ANN lain dimana dapat terlihat pada gambar kurva variable proses yang berubah dengan cepat. Tabel estimasi juga menunjukkan nilai maximum relative error (MRE), maximum absolute error (MAE), dan mean squared error (MSE) yang mana secara umum digunakan untuk evaluasi jalannya pemodelan soft sensor .

Gambar 3. Perbandingan nilai estimasi dan nilai analisis off-line dari konsentrasi mycelia,konsentrasi gula dan potensi kimia.

Tabel 2. Hasil statistik nilai estimasi untuk konsentrasi mycelia

Tabel 3. Hasil statistik nilai estimasi untuk konsentrasi gula

Tabel 2. Hasil statistik nilai estimasi untuk potensi kimia

Berdasarkan table 2, 3, dan 4, setiap indikator dari tiga kriteria tujuan model novel berdasarkan ANN adalah lebih baik dari SS-ANN umumnya. Keseluruhan hasil menunjukkan bahwa novel soft sensor model layak sebagai aplikasi akutual. Disimpulkan bahwa soft sensor pada makalah ini dapat dipertanggungjawabkan dan efektif.