Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022

Yogyakarta, 16 Juni 2007

KENDALI KECEPATAN MOTOR DC SHUNT DENGAN FUZZY LOGIC

CONTROLLER DAN FUZZY CURENT LIMITTER
Pahrudin Hasibuan1, Muhammad Ashari2, Soebagio3
Jurusan Teknik Elektro ITS, Surabaya 60111
e-mail: 1dinhasy@yahoo.com, 2ashari@ee.its.ac.id, 3soebagio@ee.its.ac.id

ABSTRAKSI
Pengembangan kendali kecepatan motor dc untuk menjaga stabilitas operasionalnya dalam berbagai
aplikasi dengan menggunakan sistem cerdas. Pada penelitian ini akan dikembangkan Kendali kecepatan motor
dc shunt dengan kontroler yang berbasis logika fuzzy dan kontroler pembatas arus berbasis logika fuzzy dengan
menggunakan rangkaian konverter tegangan berupa PWM-Choper.
Dengan penelitian ini diharapkan bahwa pengaturan kecepatan motor dc akan sesuai refrensi dan pada
aplikasinya tidak terjadi arus yang berlebih.

Kata kunci: Kendali Kecepatan Motor, Fuzzy Logic Control, PWM-Choper

1. PENDAHULUAN Rangkaian daya yang digunakan adalah rangkaian

Motor DC adalah motor yang ideal untuk PWM-Choper.
digunakan dalam pengemudian elektrik (Electric
Drive). Umumnya Pengendalian Kecepatan Motor
DC tidak membutuhkan konverter. Pengendalian
kecepatan motor dc dapat dilakukan dengan cara:
1. Pengaturan arus magnetisasi.
2. Pengaturan tahanan jangkar.
3. Pengaturan Tegangan Jepitan.

Dari hasil survey yang didapat bahwa Gambar 1. Diagram Blok Sistem Kendali Motor
konsumsi daya pada motor yang didrive dengan DC shunt dengan logika Fuzzy
kecepatan konstan lebih besar dibandingkan dengan
konsumsi daya pada motor yang didrive dengan 2.1 Model matematika motor dc shunt
kecepatan variable, karena itu motor sangat banyak Model dinamik motor dc [1] dapat dilihat
digunakan dengan kecepatan variable. seperti pada gambar 2 berikut:
Motor DC dengan ukuran daya besar banyak Ra
mendapatkan suplai dari Konverter AC – DC tiga
fasa, karena sumber daya dc yang besar sulit
didapatkan. Karena itu pengaturan kecepatan motor La
dc dapat dilakukan dengan mengatur tegangan input Rf
converter tersebut. Vt ea Lf Vf
Untuk memperbaiki respon dari sistem secara
konvensional dapat dilakukan dengan menggunakan Te,ω
kontroler PI, namun kelemahan dari kontroler PI TL
adalah bila beban berubah maka parameter J
controller harus selalu ditala (tuned) dalam operasi Gambar 2. Skematis Motor DC
dengan kecepatan yang variable.
Sasaran Penelitian ini adalah kendali Rangkaian motor terdiri dari kumparan
kecepatan motor dc shunt dengan mengatur jangkar disuplai dengan tegangan terminal Vt,
tegangan melalui suatu konverter berupa DC PWM- sedangkan kumparan medan disuplai dengan
Choper menggunakan kontroler berbasis fuzzy. tegangan tetap Vf untuk mendapatkan fluksi tetap.
Seringkali dalam operasionalnya arus bisa Persamaan-persamaan yang berlaku pada
membesar melebihi harga nominalnya. Karena itu motor adalah:
perlu ditambahkan control pembatas arus. a. Tegangan terminal:
dia
2. PEMODELAN SISTEM Vt = ea + Ra ia + La Volt (1)
Model kendali kecepatan motor dc shunt dt
dengan fuzzy logic controller dan fuzzy curent Keterangan :
limitter [2] dapat dilihat pada gambar 1. Pada model Vt = tegangan terminal
ini fuzzy logic controller digunakan pada kontroler Ra = tahanan jangkar
kecepatan dan pada kontroler pembatas arus. La = induktansi jangkar

P-27
Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022
Yogyakarta, 16 Juni 2007

ia = arus jangkar 2.2 Model Matematika Rangkaian PWM-

ea = tegangan terbangkitkan pada Choper
jangkar Rangakaian daya konverter tegangan yang
digunakan pada penelitian ini berupa rangkaian
b. Tegangan Induksi pada Jangkar: PWM-Choper [4][5] seperti pada gambar 3.
ea = KaФdωm Volt (3)
Ka merupakan konstanta motor yang nilainya
tergantung pada kontruksi kutub dan lilitan armature
D S
pada motor yang dinyatakan sebagai:
Ka = PCa / 2πm (4)
Keterangan : G Ra
ωm = kecepatan putar rotor motor
Ka = konstanta motor VS -
Vc + La
Фd = fluks celah udara sumbu langsung Vt
Ca = jumlah lilitan konduktor pada Rff
armatur
ea Vf
M = banyaknya lintasan pararel melalui Lf
lilitan

c. Torka elektromagnetis pada motor: Gambar 3. Rangkaian Choper dan beban motor dc
Te = KaФdia N.m (5)
Keterangan :
Te = momen kakas magnet Pebandingan antara waktu penyalaan dan
Dengan mengabaikan kejenuhan magnetik waktu satu perioda gelombang (duty ratio) pada
medan, maka fluks celah udara sumbu langsung Фd rangkaian PWM adalah:
berbanding linier dengan arus medan if, sehingga t on Vc
persamaan diatas menjadi: D= = (12)
Te = kfifia N.m (6) Ts V st
ea = kfifωm Volt (7) Keterangan:
dimana kf merupakan suatu konstanta pada D = duty ratio
kumparan medan dan if merupakan arus pada Ts = Periode pulsa persegi
kumparan medan. Bila motor dc yang dicatu dengan Vc = Tegangan control
arus medan terpisah if konstan, momen V st = Puncak tegangan pulsa gigi gergaji
elektromagnetik dan tegangan yang dibangkitkan
dapat dinyatakan dengan persamaan:
Persamaan Tegangan keluaran dari PWM -
Te = Kmia N.m (8)
Choper ini adalah:
ea = Kmωm Volt (9)
dimana Km = kfif merupakan tetapan. Vs
Vt = D.V s = .V c = k .V c (13)
V st
d. Torka mekanik pada motor dc diberikan
dengan k adalah konstanta:
pada persamaan berikut ini:
V
dω m k= = kons tan (14)
Tm = J + TL N.m (10) V st
dt
Bentuk gelombang input output dari rangkaian daya
Keterangan :
PWM-Choper dapat dilihat pada gambar 4.
TL = momen kakas beban melawan
putaran Vst
Vc
J = momen kelembaman jangkar dan
beban
t
τa = La/Ra = tetapan waktu listrik Vtr
dalam keadaan seimbang torka elektromagnetik
sama besar dengan torka mekanik.
Vt t
e. Percepatan pada motor:
Dengan menyusun kembali persamaan 10
dapat dibentuk persamaan percepatan pada motor dc
sebagai berikut:
dω m Tm TL ton toff t
= − m/det2 (11) T
dt J J Gambar 4. Bentuk Gelombang input-output PWM-

P-28
 Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022
Yogyakarta, 16 Juni 2007

2.3 Fuzzy Logic Controller (FLC) - Fungsi Keanggotaan (Membership Function)

Kontrol Logika Fuzzy (Fuzzy Logic Fungsi keanggotaan Fuzzy merupakan fungsi
Controller) merupakan salah satu bentuk Kontrol untuk menyatakan tingkat keanggotaan fuzzy yang
cerdas (intelligent controll). Penggunaan kontrol nilainya antara nol dan satu. Ada beberapa bentuk
logika fuzzy dapat menyelesaikan permasalahan fungsi keanggotaan fuzzy, diantaranya adalah:
pada sistem yang memiliki prilaku komplek. segitiga (Triangular Function), trapezium (Trapezoid
Struktur dasar dari Kontrol Logika Fuzzy dapat Function), sigmoid, gauss dan lain-lain. Bentuk
digambarkan sebagai berikut : fungsi keanggotaan yang dipakai pada paper ini
Data-Base yang digunakan adalah bentuk segitiga dan
trapezium.
Fuzzifikasi Fuzzy Rule-Base
Definisi Triangular function secara
Defuzzifikasi
x y matematika adalah:
Gambar 5. Struktur dasar sistem Fuzzy logic
controller

- Fuzzifikasi
Pada proses fuzzifikasi terjadi konversi
variabel crisp kedalam variable fuzzy melalui teknik
fungsi keanggotaan, dimana error dan delta error
dipetakan kedalam rentang kerja semesta
pembicaraan melalui persamaan berikut:
Qe(k)= G1 * e(k) (15)
Qe(k)= G2 * e(k) (16) Gambar 6. Fungsi keanggotaan Triangular function
Pada unit fuzzifikasi ini terjadi proses ⎧ 0 u<a
transformasi dengan cara pemetaan ruang masukan ⎪u − a
⎪⎪ − a a≤u≤b
dengan bantuan faktor penskala. Perbedaaan T (u; a, b, c) = ⎨ bc − (17)
kecepatan (error) diskala dengan gain G1, sedangkan u
⎪ b≤u≤c
perbedaan perubahan kecepatan (delta error) diskala ⎪ b
c −
dengan gain G2. ⎩⎪ 0 u>c

- Kumpulan aturan Fuzzy

Kumpulan aturan fuzzy terdiri dari beberapa Definisi Trapezoidal function secara
aturan fuzzy yang dikelompokkan kedalam basis matematika adalah:
aturan yang merupakan dasar dari pengambilan ⎧ 0 u<a
keputusan (inference process) untuk mendapatkan ⎪u − a
⎪b − a a≤u≤b
aksi keluaran sinyal kontrol dari suatu kondisi
⎪ (18)
masukan. Proses pengambilan keputusan Tr (u; a, b, c, d ) = ⎨ 1 b≤u≤c
menghasilkan sinyal keluaran yang masih dalam ⎪d − u c≤u≤d
bentuk bilangan fuzzy, yaitu derajat keanggotaan ⎪d − c
⎪ 0 u>d
dari sinyal kontrol. Basis aturan dari kontroller ⎩
logika fuzzy dapat dilihat pada tabel 1.
T(u,a,b,c,d)
Tabel 1. Rule base kontroller logika fuzzy
Masukan delta error ( E) 1

nb Nm nk nol pk pm pb
Nb nb Nb nb nb nm nk nol
Nm nb Nb nm nm nk nol pk
Masukan error (E)

Nk nb Nm nk nk nol pk pm 0 a b c d u
Nol nb Nk nk nol pk pk pm
Pk nm Nk nol pk pk pm pb Gambar 7. Fungsi keanggotaan Trapezoidal
function
Pm nk Nol pk pm pm pb pb
Pb nol Pk pm pb pb pb pb - Fungsi Implikasi Fuzzy
Pada umumnya aturan-aturan fuzzy
dinyatakan dalam bentuk logika IF-THEN yang
merupakan dasar relasi fuzzy (R). Relasi fuzzy
dalam basis pengetahuan fuzzy didefinisikan sebagai

P-29
Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022
Yogyakarta, 16 Juni 2007

fungsi implikasi fuzzy. Beberapa fungsi implikasi rangkaian dan perubahan selisih arus refrensi
fuzzy terdapat pada tabel 2. dengan arus jangkar sebagai masukan.
Output dari kontroler ini merupakan tegangan
Tabel 2. Beberapa tipe fungsi implikasi fuzzy kontorl untuk mengatur lebar pulsa penyalaan pada
NAMA Operator Imp. φ[ µ A ( x), µ B ( y)] = rangkaian PWM.
φm , Zadeh Max - Min ( µ A ( x)Λµ B ( y ))ν (1 − µ A ( x))
φc , Mamdani Min µ A ( x ) Λµ B ( y ) 3. DATA DAN SIMULASI
φp , Larsen Product µ A ( x).µ B ( y )
3.1 Data
Untuk pembuatan model dan simulasi pada
φa , Aritmetic 1Λ (1 − µ A ( x) + µ B ( y ))
paper ini digunakan data dari motor dc shunt 3 HP
φb , Boolean (1 − µ A ( x)νµ B ( y ))
yang ada pada laboratorium Teknik Elektro
Universitas Lancang Kuning. Data-data ini terdiri-
dari:
- Defuzzifikasi 1. Tegangan Terminal : 150 Volt dc
Defuzzifikasi merupakan proses dimana suatu 2. Tegangan Medan : 100 Volt dc
nilai fuzzy output dari fuzzy rule diambil dan 3. Daya : 3 Hp
dimasukkan kedalam suatu fungsi keanggotaan 4. Kecepatan : 0 – 1500 RPM
keluaran untuk mendapatkan hasil akhir yang 5. Resistansi Jangkar : 0,38 Ohm
disebut crisp output. Metoda defuzzifikasi yang 6. Induktansi Jangkar : 0,0098 H
umum digunakan adalah Centre of Gravity (COG) 7. Tegangan Tacho : 0 – 35 Volt Dc pulse
defuzzification, didefinisikan sebagai berikut:
R

∑c ∫µ
3.2 Simulasi
j
(u ) du
j =1
Uˆ j
Model simulasi dibuat dengan menggunakan
y= R
(19) MatLab Simulink. Flowchart proses kontrol dapat
∑ ∫ µUˆ (u )du
j =1
j dilihat pada gambar 8:
Mulai 1
dengan
y = nilai keluaran (output) Masukan data-data motor
dan beban
Hitung Ia dan ω dari model
motor
cj = nilai tengah dari keluaran fungsi
Tentukan Refrensi
keanggotaan ke-j Kecepatan, set nilai T
Ia = Iref
µUˆ j (u ) = keluaran fungsi keanggotaan
awal : 2
ω=0, ton=0, Va = 0
Y
3
j T
Û = fuzzy set Fuzzy Speed Controler 3 et = Vref
Proses
R = jumlah aturan (rule) 2 Y
Fuzzy Curent Limiter Proses
Cetak Hasil
- Pemodelan Kontrol Logika Fuzzy
Pada paper ini dikembangkan sistem kontrol PWM-Choper
Selesai
motor dc mengunakan Logika Fuzzy yang dibentuk
1
kedalam 2 kontroler:
- Fuzzy Speed Controller yang digunakan untuk Gambar 8. Flow Chart Simulasi
mengontrol kecepatan motor . Model simulasi simulink dibuat dengan
- Fuzzy Current Limitter yang digunakan untuk membandingkan model kontroler menggunakan
membatasi arus jangkar pada motor. kontroler PI dan model kontroler menggunakan
kontroler fuzzy. Model simulasi ini dapat dilihat
2.3.1. Fuzzy Speed Controller pada gambar 9:
Pada kontroler ini masukan diambil dari PI Ia
sinyal speed error (selisih antara tegangan refrensi PI Speed

dan tegangan umpan balik yang dihasilkan oleh Controller

...
2.5 Vc
tacho meter) dan perubahan sinyal speed error Reff
Cl1 -K-
wm
Selector Iref PWM-Choper
(selisih sinyal error sebelumnya dengan sinyal error Fuzzy Current dc_motor
du/dt Fuzzy Speed du/dt
Limitter Gain Osciloscope
Vtc Controller
DErr DIerr Selector2

sekarang) sebagai masukan. ...

Cl2
TL
Motor DC
Te

Keluaran dari kontroler ini merupakan PI

-K-
... Jl1
referensi arus yang akan dibandingkan dengan arus PI Current
Limitter
Cl -K-

jangkar sebagai masukan untuk kontroler berikutnya Perubahan Beban Jl2

yang merupakan pembatas arus. Tacho

-K-
wm

Gambar 10. Model Simulasi dengan MatLab

2.3.2. Fuzzy Current Limiter Simulink
Kontroler ini memanfaatkan output dari
Speed Controller yang dibandingkan dengan Arus
Jangkar yang diambil dari sensor arus pada

P-30
Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI 2007)
Yogyakarta, 16 Juni 2007
3.3 Grafik Hasil Simulasi
3.3.1 Grafik simulasi dengan PI Kontroler
3.3.2. Grafik Hasil Simulasi dengan Fuzzy Logic
Controller
4. ANALISA DAN KESIMPULAN
Dari grafik hasil simulasi dapat dianalisa dan
diambil kesimpulan bahwa performance sistem
pengaturan ditinjau dari: Maximum Over shoot,
delay time, rise time dan setling time untuk Arus
Jangkar, Kecepatan sudut dan Torka Elektrik untuk
kedua jenis kontroler:
1. Tanggapan sistem dengan menggunakan Fuzzy
Logic Kontroler lebih baik daripada
menggunakan PI kontroler.
2. kemampuan kontroler dalam mengembalikan
kestabilan saat mendapat gangguan (dalam hal
ini disimulasikan dengan perubahan torka beban
secara mendadak) pada fuzzy logic kontroler
lebih baik daripada PI kontroler.
PUSTAKA
[1] Fitzerald, A.E, Charles Kingsley, Jr, Stephen D.
Umans, Djoko Achyanto, Msc.EE, Ir, “Mesin –
Mesin Listrik”, Erlangga, edisi ke empat.
[2] Paul C. Krause, Oleg Wasynczuk, Scott D.
Sudhoff, “Analysis Of Electric Machinery And
P-31
ISSN: 1907-5022
Drive Systems”, A Jhon Wiley & Sons, Inc
second edition 2002
[3] Ogata, “Modern Control Enggineering”,
Prentice Hall International, Inc, 1997
[4] Dewan, S.B, Straughen, A, “Power
Semiconductor Circuits”, A Jhon Wiley & Sons,
Inc 1975.
[5] Mohan, Undeland, Robbins, “Power Electronic:
Converter, Aplication and Design”, John Willey
& Sons, Inc, New York, second edition 1995
[6] Muhammad H, Rashid, “Power Electronic:
Circuit, Device and Aplication”, Prentice Hall
International, Inc, Second edition.
[7] El-Sharkawi, M.A, Tony C. Huang, “Induction
Motor Efficiency Maximizer Using Multi-Layer
Fuzzy Control”, IEEE Transactions on Energy
Convertion 1996
[8] El-Sharkawi, M.A, Tony C. Huang, “High
Performance Speed and Position Tracking of
Induction Motors”, IEEE Transactions on
Energy Convertion 1996
[9] El-Sharkawi, M.A, Tony C. Huang, El-Samahi,
Adel, “Intelligent Control for High
Performance Drives”, IEEE Transactions on
Energy Convertion 1997
[10] Jyh Shing Roger Jang, Chuen-Tsai Sun, Eiji
Mizutani, “Neuro-Fuzzy and Soft Computing A
Computational Approach to Lerning and
Machine Intelligence”, Prentice Hall Upper
Sadle River Nj 07458, 1997.
[11] Hosein Zadeh, H, Kalam, H, “A Rule-Based
Fuzzy Power System Stabilizer Turned by
Neural Network. IEEE Transactions on Energy
Convertion, vol. 14, No. 3, September 1999.
[12] Cirstea, M.N, Dinu, A, Khor, J.G, McCormick,
M, “Neural and Fuzzy Logic Control Of Drives
and Power Systems”, Newnes, firts Published
2002.