Identifikasi Sistem Plant Suhu Dengan Metode Recrusive Least Square
Identifikasi Sistem Plant Suhu Dengan Metode Recrusive Least Square
I.
PENDAHULUAN
68
digunakan lebih lanjut dalam perancangan sistem
kontrol.
II.
IDENTIFIKASI SISTEM
TABLE 1
TABEL VARIASI PANJANG SEKUENSIAL PRBS
Posisi Tap
Umpan Balik
1 dan 2
1 dan 3
3 dan 4
3 dan 5
5 dan 6
4 dan 7
2, 3, 4, dan 8
5 dan 9
7 dan 10
()() =
Estimasi Parameter
Validasi
tidak
ya
Desain Kontrol
()
()
( ) +
()
()
() ...
(2)
Dengan :
() = 1 1 + 2 2 + +
() = 1 1 + 2 2 + +
() = 1 1 + 2 2 + +
() = 1 1 + 2 2 + +
() = 1 1 + 2 2 + +
() = keluaran
u() = keluaran
() = derau
Struktur model yang didapatkan tergantung pada
adanya polynomial A, B, C, D, dan F, seperti yang
ditunjukkan pada Tabel 2
TABLE 2
MACAM-MACAM STRUKTUR MODEL
Struktur
Model
B
C
AC
AB
ABC
ABD
BF
BFCD
AR
MA
ARMA
ARX
ARMAX
ARARX
Ouput-Error (OE)
Box-Jenkins (BJ)
u(t)
ADC
+
ZOH
PLANT
ADC
y(t)
(t)
(t)
MODEL DISKRIT
PARAMETER
ALGORITMA
ADAPTIF
69
Untuk mengestimasi parameter model, sebuah
kriteria estimasi harus dinyatakan terlebih dahulu.
Kriteria yang akan digunakan di sini adalah leastSquared error, yang dinyatakan dalam persamaan:
t
Vt (, Z t ) = i=1 (i)2 ................... (4)
dimana:
(t) = y(i) (i) .................................... (5)
= T (i) ............................................... (6)
(t) = y(i) T (i) ................................ (7)
(t) = [y(i 1) y(i 2) y(i
na ) u(i 1) u(i nb )]T ............. (8)
dengan:
= parameter estimasi
= error estimasi
() = output sebenarnya
() = output estimasi
= vektor regresi
Untuk meminimalkan () maka berlaku
Vt (, Z t ) = ti=1[y(i) T (i)]2 ............ (9)
Sehingga
t
t
T
LS
t = arg min Vt (, Z ) = [i=1 (i 1) (i
1 t
1)]
i=1 (i 1)y(i 1).. ................. (10)
Dimana
F(t)1 = ti=1 (i 1)T (i 1) ............. (11)
Persamaan (10) masih merupakan persamaan least
square yang belum recursive, untuk membuat
persamaan tersebut menjadi recursive maka diberikan:
(t + 1) = F(t + 1) t+1
i=1 (i 1)y(i) .......... (12)
T
1
F(t + 1)1 = t+1
+
i=1 (i 1) (i 1) = F(t)
(t)(t)
................................ (13)
(t + 1) = (t) + (t + 1) .................... (14)
Dari persamaan 13 (dengan menambah persaman
(t)T (t)(t)), maka diperoleh
t
t+1
i=1 y(i)(i 1) = i=1 y(i)(i 1) +
y(t + 1)(t) (t)T (t)(t) ......... (15)
Berdasarkan persamaan (10), (12), dan (13),
persamaan (15) dapat ditulis kembali dalam persamaan
(16)
t+1
1
T
t+1
i=1 (i 1)y(i) = F(t) (t) + (t) (t)(t) +
T
(t)[y(t + 1) (t) (t)] ........ (16)
1 (t
F(t + 1) + 1) = F(t + 1)1 (t) + (t)(t +
1) ................................... (17)
(t + 1) = (t) + F(t + 1)(t)(t + 1) .......... (18)
Untuk membuat formula recursive bagi F(t)
digunakan persamaan recursive F(t)-1 pada persamaan
(13). Pada persamaan tersebut berlaku matrix inversion
lemma.
Misalkan F adalah matrix dengan dimensi (nxn) dan
adalah vektor dari dimensi n, maka
(F 1 + T )1 = F
FT F
1+T F
................. (19)
F(t)(t)(t)T F(t)
1+(t)T F(t)(t)
................ (20)
(0) =
1
(0)
(0)
= 1 ....................... (22)
() =
=1 ()( ) ; = 1,2,3, , .... (23)
() =
()
(0)
kriteria
N=128
N=256
N=512
2.17
1.94
1.808
0.192
0.173
0.16
0.136
0.122
0.113
0.0096
0.087
0.08
...................... (28)
Dengan
N (N ) VN (, Z N ) +
Jp (M) = EV
20
N
p (0 )[V
p (0 )]1 ]
tr[V
Jp (M) = VN (, Z N ) + 0
N =
N ,ZN)
VN (
d
1( MN)
2dM
N
....................... (29)
................................ (30)
70
n
VN (, Z N ) =
1
(t)2
N
t=1
1(dM N)
1+(dM N) 1
1(dM N) N
III.
71
proses pembentukan sinyal PRBS ditunjukkan dalam
Gambar 6. Dan hasilnya dalam Gambar 7.
Perancangan perangkat lunak pada mikrokontroler
bertujuan untuk membangkitkan sinyal uji PRBS,
mengambil data respon plant, dan mengirimkan
kekomputer. Agar dapat melaksanakan tugas-tugas
tersebut maka perlu diatur waktu kerja dari
mikrokontroler (MK). Pertama yang dilakukan MK
adalah menyiapkan register sebanyak 7 bit untuk proses
pembangkitan sinyal PRBS. Setelah 7 bit register siap
maka MK akan memulai membangkitkan sinyal PRBS,
namun keseluruhan sekuensial sinyal PRBS tidak
langsung terbentuk sekali proses selesai melainkan
secara bertahap tiap bit. Setelah isi logika bit ke-7 dari
register dikeluarkan disalahsatu pin MK selanjutnya
MK akan melakukan proses PRBS selanjutnya (telah
ditampilkan pada Gambar 6.), namun di antara proses
itu MK diberi tugas mengambil data respon plant dari
ADC dan mengirimkan kekomputer (proses ambil data
dan kirim data dilakukan beberapa kali sesuai delay
waktu yang diinginkan). Setelah rutin ambil data dan
kirim data selesai MK akan melanjutkan proses PRBS.
Proses ini akan berulang terus. Flow chart nya
ditunjukkan oleh Gambar 8.
START
tidak
Data[1]=P
ya
tidak
i=0;i<=6;i++
Data[1]=S
Data[1]=K
tidak
printf("2.5")
B
E
PORTB.1=a[6]
temp=a[3]^a[6]
j=6;j>=1;j--
TABLE 4
PERIODE SAMPLING BERDASARKAN JENIS PLANT
ya
printf("6.5")
ya
n=0;n<127;n++
tidak
b[6]==1
ya
a[i]=1
putchar(0x20);
printf("B");
printf("%d",x);
printf("%d",y);
printf("%d",z);
putchar(13);
b[j]=a[j-1]
b[0]=temp
Jenis Plant
Tingkat Aliran
Level
Tekanan
Suhu
Distilasi
Mekanisme servo
Katalis reactor
Proses semen
Pengering
1-3
5-10
1-5
10-180
10-180
0.001-0.05
10-45
20-45
20-45
k=0;k<=6;k++
B
m=0;m<=2;m++
C
a[k]=b[k]
data_konversi=read_adc(1)
x=data_konversi/100;
data_konversi=data_konversi-(100*x);
y=data_konversi/10;
z=data_konversi-(10*y);
printf("A")
END
E
D
PORTB.1=1
K=1;k<=21;k++
PORTB.1=1
data_konversi=read_adc(1)
data_konversi=read_adc(1)
printf("A")
printf("A")
printf("6.5")
printf("6.5")
putchar(0x20);
printf("B");
printf("%d",x);
printf("%d",y);
printf("%d",z);
putchar(13);
x=data_konversi/100;
data_konversi=data_konversi-(100*x);
y=data_konversi/10;
z=data_konversi-(10*y);
putchar(0x20);
printf("B");
printf("%d",x);
printf("%d",y);
printf("%d",z);
putchar(13);
PORTB.1=0
K=1;k<=21;k++
data_konversi=read_adc(1)
printf("A")
printf("2.5")
x=data_konversi/100;
data_konversi=data_konversi-(100*x);
y=data_konversi/10;
z=data_konversi-(10*y);
putchar(0x20);
printf("B");
printf("%d",x);
printf("%d",y);
printf("%d",z);
putchar(13);
72
adalah whiteness test, uji dengan akaikes FPE (Final
Prediction Error), dan uji keakurasian dengan menguji
model yang diperoleh dengan member masukan step.
Inisialisasi awal theta
dan matrik kovarian
auxiliary parameter
Start
Gambar 12. Grafik relasi input output Plant Suhu dengan sinyal
Uji PRBS
Connect
Tidak
Ya
<>9
Cek jumlah
karakter data
yang diterima,
=9
Pecah data
menjadi 2:
Data sinyal uji dan
data pembacaan
adc
auxiliary parameter
Tampilkan
hasil
perhitungan
End
IV.
Pengujian ini meliputi pengambilan data inputoutput, pemilihan orde sistem, proses estimasi
parameter dan validasi. Dari pengujian ini akan
diketahui kinerja dari modul identifikasi sistem yang
telah dirancang.
73
diperoleh dari pengurangan nilai output pengukuran
dengan nilai output model dan error estimasi sudah
relatif kecil ketika data kurang dari 50.
Proses evolusi estimasi parameter A dan B dan hasil
estimasi relatif tidak terlalu besar perubahannya pada
kisaran data ke-150 hingga 200 sedangkan estimasi
parameter B lebih cepat mencapai daerah steady,
dimana parameter estimasi sudah tidak mengalami
perubahan besar yaitu pada kisaran data ke-100.
Sedangkan gambar yang terakhir yaitu Gambar 15
menunjukkan perubahan error estimasi.
D. Validasi
Validasi ini dibedakan menjadi 2 macam berdasarkan
cara memperlakukan model hasil identifikasi. Yang
pertama, model diberi input dan output hasil dari
pengukuran (model=pengukuran ). Sedangkan yang
kedua, model diberi input yang sama dengan
pengukuran namun set data output yang digunakan
berasal dari output model sendiri (model=model ).
Kedua data akan diuji dengan whiteness test, akaikes
FPE, dan fitness test.
Syarat minimum lolos whiteness test ditentukan dari
persamaan (25) dan (26). Dari uji tersebut diperoleh
syarat maksimum untuk data dengan sinyal uji PRBS
adalah:
2,17
|RN(i)|
= 0,106
417
TABLE 6
ESTIMASI AUTOKORELASI SINYAL UJI PRBS
No.
Perlakuan 1
Perlakuan 2
R (0)
RN (0)
RN (1)
RN (2)
RN (3)
RN (4)
0.00046
1
-0.064
-0.079
0.095
0.106
0.0039
1
0.93
0.902
0.876
0.825
No.
Perlakuan 1
Perlakuan 2
R (0)
RN (0)
RN (1)
RN (2)
RN (3)
RN (4)
0.000712
1
0.2526
0.2906
0.2968
0.4262
0.0230
1
0.9855
0.9762
0.9607
0.9407
No
1
2
3
4
TABLE 5
PARAMETER MODEL
Parameter
A
B
-0.7239
0.036707
-0.29944
0.024597
-0.053383
0.02324
0.17119
0.007775
No.
Perlakuan 1
Perlakuan 2
R (0)
RN (0)
RN (1)
RN (2)
RN (3)
RN (4)
0.0003141
1
0.1563
-0.0622
0.2585
0.3321
0.0061
1
0.9697
0.9471
0.9364
0.9086
74
pada percobaan dengan sinyal uji lain berkorelasi
dengan data percobaan.
Uji Akaikes FPE (Final Prediction Error) mengacu
pada persamaan (31) diperoleh hasil FPE yang
ditunjukkan sbb:
FPEperlakuan 1 = 0,00047884
FPEperlakuan 2 = 0,0039
Terlihat dari perlakuan 1 memperoleh nilai FPE yang
lebih kecil dari perlakuan 2 dan itu berarti pada
perlakuan 1 error prediksi lebih kecil dan output model
mendekati output pengukuran.
Uji
keakurasian
dilakukan
dengan
cara
membandingkan antara keluaran model dengan plant
yang sebenarnya yang diberi sinyal masukan PRBS,
kotak, dan step. Gambar 1618 menunjukkan
perbandingan keduanya.
TABLE 9
PERBANDINGAN FIT DENGAN SINYAL UJI BERBEDA
Sinyal Uji
FIT (%)
PRBS
Kotak
Step
91.3989
79.922
91.532
, hasil validasi
[3]
Gambar 17. Perbandingan Antara Output Plant dan Model dengan
Input Kotak
[4]
[5]