Simulasi Kontrol Kecepatan Optimal pada Motor DC

Menggunakan Kontroler PID Konvensional dan

Kontroler Logika Fuzzy
1

Ritu Soni , DBV Singh , Pramod Pandey and Priyanka Sharma

1, 4

Jurusan Teknik Elektronik dan instrumentasi,

Jurusan Teknik Elektronik dan instrumentasi,
3
Jurusan Teknik Elektronik dan instrumentasi,
Universitas ITM, Gwalior (M.P).
2

Abstrak
Makalah ini menjelaskan kontrol kecepatan motor dc menggunakan kontroler PID
konvensional dan kontroler Logika Fuzzy. Karena kemudahan dalam operasi,
kontroler PID konvensional dipakai sebagai strategi pengendalian untuk berbagai
proses industri selama bertahun-tahun. Mereka menggunakan model matematik untuk
mengontrol perencanaan untuk proses pengendalian aplikasi yang berbeda. Kontrol
sistem berbasis logika Fuzzy diperkenalkan oleh Lotfi Zadeh untuk mengoptimalkan
parameter kontrol proses dalam cara yang lebih baik. Dalam tulisan ini, pelaksanaan
mengontrol DC motor dengan bantuan kontroler PID dan kemudian dioptimalkan
dengan bantuan kontroler logika fuzzy. Strategi kontrol logika fuzzy menunjukkan
peningkatan berbagai parameter kontrol seperti overshoot maksimum, settling time
untuk kontrol motor DC kemudian dibandingkan dengan strategi kontrol PID.
Kontroler dimodelkan ke dalam MATLAB, hasil simulasi menunjukkan bahwa
kontroller yang diusulkan memberikan kinerja yang lebih baik dibandingkan dengan
kontroller PID tradisional.
Kata kunci: Kontroler Logika Fuzzy, Kontroler PID, motor DC.
1. Pendahuluan
Karena reliabilities tinggi, fleksibilitas dan biaya rendah, Motor DC banyak
digunakan dalam aplikasi industri, manipulator robot, dan rumah tangga yang mana
diperlukan kecepatan dan posisi kontrol motor. Kontroler PID biasanya digunakan
untuk aplikasi kontrol motor karena struktur yang sederhana dan algoritma kontrol
yang dapat dipahami. Parameter kontroler umumnya di setting menggunakan handtuning atau metode respon frekuensi Ziegler-Nichols. Kedua metode ini memiliki
hasil yang sukses tapi lama waktu dan upaya diperlukan untuk memperoleh respon
sistem yang baik.
Metode respon frekuensi Ziegler-Nichols biasanya digunakan untuk
menyesuaikan parameter kontroler PID. Namun, memerlukan sistem ke mode osilasi
untuk memenuhi prosedur tuning. Tetapi itu tidak selalu dapat untuk memasukan
sebagian besar perencanaan teknologi ke dalam osilasi.

Kontrol logika Fuzzy (FLC) adalah salah satu aplikasi yang paling berhasil
dari teori fuzzy set, diperkenalkan oleh L.A Zadeh pada tahun 1973 dan diterapkan
(Mamdani 1974) dalam upaya untuk sistem kontrol struktural yang sulit ke dalam
model. Sejak itu, FLC telah sangat aktif dan banyak digunakan pada penelitian dengan
banyaknya aplikasi industri yang telah dilaporkan [1]. Dalam tiga dekade terakhir,
FLC telah berkembang sebagai alternatif atau komplementer untuk strategi
pengendalian konvensional di berbagai bidang teknik.
Analisis dan kontrol sistem kompleks, variasi waktu nonlinier and/or adalah
sistem yang menantang menggunakan metode konvensional karena ketidakpastian.
Fuzzy set teori [2] yang menghasilkan metode kontrol baru yang disebut Fuzzy
kontrol yang mampu mengatasi ketidakpastian sistem. Salah satu keuntungan yang
paling penting dari Fuzzy kontrol adalah bahwa bisa berhasil diterapkan untuk
mengontrol sistem nonlinier yang kompleks dengan menggunakan operator
pengalaman atau teknik pengetahuan tanpa model kontrol matematika di dalam
rencana [3], [4].
2. PID Kontroler
PID Kontroler digunakan untuk meningkatkan respon dinamis dan mengurangi
steady-state error. Persamaan umum PID kontroler adalah:
(1)
Dimana, Kp = gain proporsional, Ki = gain Integral, Kd = gain turunan.
Variabel E (S) mewakili pelacakan kesalahan yang mana perbedaan antara nilai input
dan output aktual. Sinyal kesalahan ini akan dikirim ke PID kontroler dan kedua
turunan dan integral dari sinyal kesalahan ini dihitung dengan kontroler. Kinerja
sistem dapat dievaluasi oleh kriteria parameter kinerja. Persyaratan kinerja ini dalam
waktu domain mencakup overshoot Mp, rise time tr, settrling time ts dan steady-state
error Es.
3. Plant Model
Kecepatan DC motor berbanding lurus dengan tegangan yang digunakan dan
torsi berbanding dengan arus motor: T = K . I untuk motor DC keluaran terpisah, emf
sebanding dengan kecepatan rotasi:
Vemf = K wm = K d/dt kecepatan kontrol dapat dicapai dengan tappings
variabel baterai, variabel tegangan suplai, resistor atau kontrol elektronik. Rangkaian
ekuivalen Motor DC ditunjukkan dalam gambar 1. Rangkaian armatur terdiri dari
resistansi (Ra) yang terhubung dengan seri dengan induktansi (La), dan sumber
tegangan (Vemf) kembali mewakili emf yang diinduksi di armatur selama rotasi.
[Ogata, 1998 dan 2002]. Persamaan motor DC berdasarkan hukum Newton yang
dikombinasikan dengan hukum Kirchhoff:
J d2/dt2 + b d/dt = K I (1); L di/dt + Ri = V - K d/dt
(2)
V= tegangan (V), R= tahanan listrik dari rangkaian armatur (), L= Induktansi
listrik dari rangkaian armatur (H), J = inertia beban (kgm2/s2), Vemf = tegangan emf
(V), B= redaman konstan (Nm.S)
Menggunakan transformasi Laplace, persamaan (3) dan (4) dapat ditulis
sebagai berikut:
J s2 (s) + b s (s) = K I (s) (3) ; L s I (s) + R I (s) = V(s)-K s (s)
(4)

Transfer Fungtion diberikan oleh :

(5)
Nilai nominal dari model motor DC yang diinginkan
Kecepatan maksimum motor (N) = 1200 rpm, tegangan suplai (V)= 240 V,
emf (E) = 230.3V, Arus jangkar (i) = 16.2 A, Power (P) = 3731 W atau 5 HP, Bidang
resistensi (Rf) = 240 , Hambatan jangkar (R) = 0.6
Induktansi mutual (L) = 1.8 H, inersia motor (J) = 1 Kg.m2, torsi motor (T) =
29.2 N.m, torsi motor konstan (K) = 1,88 N.m/A, koefisien redaman (b) = 0.24 N.m.s.

Gambar. 1: Rangkaian ekuivalen

motor DC

Gambar. 2: Sistem loop tertutup

pada motor DC

4. Kontroler Logika Fuzzy

Logika Fuzzy adalah metode pengambilan keputusan berbasis aturan yang digunakan
untuk sistem expert dan proses kontrol yang menyamai aturan proses pikir yang
digunakan oleh manusia. Dasar logika fuzzy adalah teori himpunan fuzzy yang
dikembangkan oleh Lotfi Zadeh di tahun 1960-an. Teori himpunan fuzzy berbeda dari
teori himpunan Boolean tradisional (two-valued) bahwa sebagian keanggotaan dalam
satu set diperbolehkan. Teori himpunan Boolean tradisional adalah two-valued dalam
arti bahwa anggota milik satu set atau tidak dan masing-masing diwakili oleh 1 atau 0.
Teori himpunan fuzzy memungkinkan untuk keanggotaan parsial, atau derajat dari
keanggotaan, yang mungkin merupakan nilai apapun sepanjang kontinum 0-1. Istilah
Linguistik dapat didefinisikan secara kuantitatif oleh jenis himpunan fuzzy dikenal
sebagai fungsi keanggotaan. Fungsi keanggotaan khusus mendefinisikan derajat
keanggotaan berbasis pada properti seperti suhu atau tekanan. Dengan fungsi
keanggotaan yang ditetapkan untuk kontroler atau sistem input dan output, perumusan
dari aturan dasar IF-THEN tipe aturan bersyarat telah selesai. Seperti aturan dasar dan
fungsi keanggotaan yang digunakan untuk menganalisis controller input dan
menentukan kontroler output oleh proses logika fuzzy. Dengan mendefinisikan
seperti fuzzy kontroler, pengendalian proses dapat dilaksanakan dengan cepat dan
mudah. Banyak sistem yang sulit atau tidak mungkin untuk menjadi model matematis,
yang diperlukan untuk desain kontrol algoritma tradisional. Selain itu, banyak proses
yang mungkin atau tidak mungkin dapat dimodelkan secara matematis terlalu
kompleks atau kontrol nonlinier dengan strategi tradisional. Namun, jika strategi
kontrol yang dapat diuraikan secara kualitatif dengan detail, logika fuzzy dapat

digunakan untuk menentukan controller yang menyamai strategi aturan heuristic. Oleh
karena itu, logika fuzzy dapat digunakan untuk mengontrol proses yang manusia dapat
mengontrol secara manual dengan keahlian yang diperoleh dari pengalaman. Aturanaturan kontrol linguistik dimana manusia ahli bisa menggambarkan intuitif dan dapat
langsung diterjemahkan ke basis aturan untuk kontroler logika fuzzy.

Gambar. 3: Triangular input fungsi keanggotaan untuk input (error).

Gambar. 4: Triangular input fungsi keanggotaan untuk input

(change in error).

Gambar. 5: Triangular input fungsi keanggotaan untuk output (position).

Tabel 1: Aturan IF-THEN untuk Kontrol Logika Fuzzy.

E
CE
LN
MN
SN
Z
SP
MP
LP

LN

MN

SN

SP

MP

LP

LN
LN
LN
LN
MN
SN
Z

LN
LN
LN
MN
SN
Z
SP

LN
LN
MN
SN
Z
SP
MP

LN
MN
SN
Z
SP
MP
LP

MN
SN
Z
SP
MP
LP
LP

SN
Z
SP
MP
LP
LP
LP

Z
SP
MP
LP
LP
LP
LP

5. Simulasi dan Hasil

Gambar.7 : Simulink diagram untuk

PID kontroler

Gambar. 9: Hasil dari PID kontroler

dengan metode Z-N

Gambar. 8: Simulink digram untuk Fuzzy

kontroler

Gambar. 10: Hasil dari Logika Fuzzy

kontroler.

Tabel 2: Perbandingan dari overshoot maksimum, settling time dan

steady state error untuk PID and Logika fuzzy kontroler
S. No. controller Max.
overshoot
1
Z-N
PID 48.5%
controller
2
Fuzzy logic 0
controller

Settling
Time
21.5 sec.

SS Error
1.4%

14.41 sec. 0.2%

6. Conclusion
Dalam makalah ini motor DC dikendalikan menggunakan kontroler logika fuzzy dan
PID. Model matematis untuk mengontrol DC motor dikembangkan dan motor
dikendalikan menggunakan kontroler PID konvensional. Simulasi hasil yang
diperoleh menunjukkan bahwa kontroler PID memberikan overshoot yang besar dan
settling time. Oleh karena itu, kontroler logika fuzzy didesain dan diimplementasikan
menggunakan prinsip-prinsip buatan intelijen. Kontrol logika fuzzy dilakukan dan
hasilnya dibandingkan dengan kontroler PID konvensional. Kontrol logika fuzzy
menunjukkan kontrol motor yang lebih baik, parameter dibandingkan dengan
kontroler PID konvensional.

Refrensi
[1]

[2]
[3]
[4]
[5]
[6]

[7]

H.X.Li and S.K.Tso, "Quantitative design and analysis of Fuzzy ProportionalIntegral- Derivative Control- a Step Towards Autotuning", International journal of
system science, Vol.31, No.5, 2000, pp.545-553.
Zadeh, L. A., Fuzzy Sets. Information and Control, 8, 338-353, 1965.
Assilian, S. and Mamdani, E.H., An Experiment in Linguistic Synthesis with a Fuzzy
Logic Controller. International Journal of Man-Machine Studies, 7(1), 1-13, 1974.
Kickert, W. J. M. and van Nauta Lemke, H. R., Application of a Fuzzy Controller in a
Warm Water Plant. Automatica, 12(4), 301-308, 1976.
B.G. Hu, G.K.I Mann and R.G Gosine, New methodology for analytical and optimal
design of fuzzy PID controllers, IEEE Transaction of fuzzy systems, vol. 7, no. 5,
pp. 521-539, 1999
Han-Xiong Li,Lei Zhang, Kai-Yuan Cai, And Guanrong Chen, An Improved Robust
Fuzzy-PID Controller With Optimal Fuzzy Reasoning, IEEE Transactions On
Systems, Man, And Cybernetics Part B: Cybernetics, Vol. 35, No. 6, December 2005;
1283-1292
G. Haung and S. Lee, PC based PID speed control in DC motor, IEEE Conf.
SALIP-2008, pp. 400- 408, 2008.

[8]

Zhen-Yu Zhao, Masayoshi Tomizuka, Satoru Isaka, Fuzzy gain scheduling of PID
controllers, IEEE transactions on systems, man and cybernetics, vol. 23, no. 5,
September/October 1993; 1392-1398.
[9] Cheong, F., Lai, R., Constraining the Optimization of a Fuzzy Logic Controller Using
an Enhanced Genetic Algorithm, IEEE Transactions on Systems, Man and
Cybernetics-Part B: Cybernetics, Vol 30, No.1, Feb 2000.
[10] Arpit Goel, Ankit Uniyal, Anurag Bahuguna, Rituraj S. Patwal and Husain Ahmed
Performance
[11] Comparison Of PID and Fuzzy Logic Controller Using Different Defuzzification
Techniques for Positioning Control Of DC Motors Journal of Information Systems
and Communication ISSN: 0976-8742 & E-ISSN: 0976-8750, Volume 3, Issue 1,
2012, pp.-