Kontroler Logika Fuzzy

Ir Rusdhianto EAK, MT
Pelatihan PC-Based Control

Desain KLF Tipe PD

Pelatihan PC-Based Control

Desain KLF Tipe PD

K

dan Kde digunakan untuk menormalisasi range error dan delta error ke dalam range -1 s/d +1 K digunakan untuk deNormalisasi range u sinyal kontrol dari 0 s/d 1 ke 0 s/d Umax atau -1 s/d 1 ke Umin s/d Umax
e

Pelatihan PC-Based Control

Langkah-langkah Desain
1. Mendefinisikan fungsi keanggotaan untuk error, delta error dan sinyal kontrol dalam bentuk ternormalisasi.
1a. Dalam bentuk fungsi segitiga dengan 5 himpunan pendukung

Pelatihan PC-Based Control

Langkah-langkah Desain
1b. Dalam bentuk segitiga dengan 7 himpunan pendukung

x dapat berupa error, delta error atau sinyal kontrol

Pelatihan PC-Based Control

Langkah-langkah Desain
Catatan: Bentuk fungsi keanggotaan dapat didefinisikan dalam bentuk yang lain seperti fungsi distribusi s, Z, Pi dan Gaussian Untuk sinyal kontrol unipolar (range 0 1) hasil defuzifikasi ditambahkan dengan 1, kemudian dibagi dengan 2

Pelatihan PC-Based Control

Langkah-langkah Desain
2. Mendefinisikan Rule Base, dengan pilihan cara:
a. Menggunakan Logika verbal b. Tabel Mack Vicar Whelan c. Eksperimen d. Self organizing

Pelatihan PC-Based Control

Langkah-langkah Desain
2b. Tabel Mack vicar whelan untuk respons waktu relatif cepat tanpa overshoot

Pelatihan PC-Based Control

Langkah-langkah Desain
Untuk memodifikasi Rule base agar respons lebih lambat atau respon lebih cepat :

mempercepat respon

memperlambat respon

Pelatihan PC-Based Control

Langkah-langkah Desain
3. Mendefinisikan inference Rule, a.l:
3a. Generalize Modul Ponens (GMP) atau Mamdani Rule
(k ) = max [ min { u (k ), R ( E (i ), E ( j ))} ] 3b. Larsen y

atau

u (k ) = max [ u (k ) R { E (i ), E ( j )} ]
u (k ) =
1 2

[ u (k ) + u (k ) R { E (i), E ( j )} ]
Pelatihan PC-Based Control

Langkah-langkah Desain
3c. Formulasi Fuzzi Analitik Takagi Sugeno
u (k ) = f ( R ) ; R = R { E (i ), E ( j )}
f : fungsi analitik

3d. dll

Pelatihan PC-Based Control

Langkah-langkah Desain
4. Mendefinisikan metode fuzzifikasi - MOM - COA 5. Melakukan tuning pada Ke, Kde, dan Ku untuk menyesuaikan range kerja dari e(k), e(k) dan (k) sesuai kebutuhan plant.

Pelatihan PC-Based Control

Desain KLF Tipe PI

KLF

tipe PI dapat dibangun melalui prosedur desain KLF tipe PD, dengan prosedur desain sbb. 1. Lakukan prosedur desain KLF tipe PD 2. Definisikan fungsi keanggotaan sinyal kontrol dengan pusat di 0 (range -1 s/d 1) 3. Buat gain Ku sebagai integral gain Ki (umumnya dipilih nilai kecil).
Pelatihan PC-Based Control

Desain KLF Tipe PI

4. Skema KLF PI sbb.

Pelatihan PC-Based Control

Desain KLF Tipe PID

1.

2.

Salah satu struktur KLF tipe PID adalah model gabungan antara KLF PD dan KLF PI. Prosedur desain KLF tipe PID adalah sbb. Lakukan prosedur desain KLF-PD dan KLFPI dengan rule base RB1 dan RB2. Atur gain KuPD dan KuPI sebagai gain diferential dan gain integral.
Pelatihan PC-Based Control

Desain KLF Tipe PID

Catatan:

RB1 boleh sama dengan RB2, struktur menjadi lebih sederhana.

Pelatihan PC-Based Control

Jaringan Syaraf Tiruan (JST)

Artificial Neural Network (NN)

Pelatihan PC-Based Control

JST
Adalah

salah satu bentuk penyederhanaan dari jaringan sistem syaraf biologis dinyatakan dalam formulasi matematika jaringan simbolik

Pelatihan PC-Based Control

Pemodelan Sel Syaraf (Neuron)

Pelatihan PC-Based Control

Pemodelan Sel Syaraf (Neuron)

Xi, i = 1N : N buah input pada Neuron Wi, i = 1N : N buah bobot untuk N input = proses pengumpulan informasi, didefinisikan sebagai jumlahan dari perkalian nilai input dengan bobot.
Z = Wi X i
i =1 N

f(..) = proses penarikan kesimpulan, didefinisikan sebagai fungsi aktivasi dari proses sebelumnya. y : output dari Neuron, y = f(z)
Pelatihan PC-Based Control

Berbagai Bentuk Fungsi Aktivasi

a. Linier, y = z = learning gain
y

Pelatihan PC-Based Control

Berbagai Bentuk Fungsi Aktivasi

Linier

dengan saturasi y = 1 untuk Z > Zmax

y

y = z untuk -Zmin<Z< Zmax y = -1 untuk Z < -Zmin

-zmin zmax z

Pelatihan PC-Based Control

Berbagai Bentuk Fungsi Aktivasi

c. Hard Limiter y = sign (Z)
y +1

z -1

Pelatihan PC-Based Control

Berbagai Bentuk Fungsi Aktivasi

d. Unipolar sigmoid
1 y= 1 + exp( Z )
y 1 1/2 z

Pelatihan PC-Based Control

Berbagai Bentuk Fungsi Aktivasi

e. Bipolar sigmoid y = tanh(z)
y 1

-1

Pelatihan PC-Based Control

Arsitektur JST
Struktur

JST dapat diklasifikasikan atas beberapa struktur, a.l.: 1. Single Layer Feed Forward Networks
x1 y1

input layer

x2

y2
output layer

xN neuron input nueron output

yN

Pelatihan PC-Based Control

Arsitektur JST
b. Multilayer feedforward networks
x1 y1

input layer

x2

y2
output layer

xN neuron input

hidden layer

yN nueron output

Pelatihan PC-Based Control

Arsitektur JST
3. Recurrent Network
x1 y1

x2

y2

xN

yN

feedback link

Pelatihan PC-Based Control

Karakteristik JST
1. Memiliki kemampuan pemetaan 2. Memiliki mekanisme learning melalui training pada suatu kasus 3. Memiliki kemampuan memprediksi 4. JST merupakan sistem yang robust, fault tolerant 5. Memproses data secara paralel, high speed dan distributed
Pelatihan PC-Based Control

Proses Learning JST

Adalah

proses untuk merevisi nilai bobot berdasarkan pada kriteria tertentu yang harus dipenuhi oleh hubungan input output dari JST

Pelatihan PC-Based Control

Proses Learning JST

Dapat diklasifikasikan atas: a. Supervised learning (error base) - Error correction gradient descent - back propagation - least mean square - Stochastics b. Unsupervised learning - Hebbian - Competitive c. Reinforce learning (output base)
Pelatihan PC-Based Control

Berbagai arsitektur JST

ADALINE

(Adaptive Linear Neural Element) ART (Adaptive Resonance Theory) BAM (Bidirectional Associative Memory) Hopfield Network RBF Radial Basis Function dll

Pelatihan PC-Based Control

Penggunaan JST Dalam Sistem Kontrol

1. Untuk Kontroler 2. Untuk pemodelan plant 3. Untuk mekanisme estimasi dan prediksi 4. Filtering, dll

Pelatihan PC-Based Control

JST Sebagai Kontroler

model yang diinginkan

+
learning signal

training signal

+ -

JST kontroler

plant

Pelatihan PC-Based Control

JST untuk Permodelan Plant

plant

+
training signal learning signal

JST

Pelatihan PC-Based Control

Desain kontroler JST untuk Sistem Pengaturan

Prosedur Desain

1. Tentukan struktur kontroler JST 1a. Menetapkan jumlah neuron, input, hidden output - Jumlah input neuron tergantung pada orde kontroler - Jumlah neuron hidden sembarang - Jumlah neuron output tergantung pada jumlah input plant
Pelatihan PC-Based Control

dan

Prosedur Desain
1b. Menetapkan bentuk fungsi aktivasi - Umumnya digunakan fungsi bipolar sigmoid untuk output layer dan linier untuk hidden layer - Gain learning dapat dipilih sembarang

Pelatihan PC-Based Control

Prosedur Desain
Contoh struktur kontroler JST-ARMA (NARMA) orde 2 dengan satu hidden layer
i e(k) e(k-1) Z-1 e(k-2) j Z-1 k u(k)

u(k-2) Z-1 u(k-1) Z-1 w(i,j)

w(j,k)

Pelatihan PC-Based Control

Prosedur Desain
2. Tentukan model hasil desain yang diinginkan
yr(s)

N(s) D(s)

ym(s)

Pelatihan PC-Based Control

Prosedur Desain
3. Struktur sistem untuk proses learning
N(s) D(s)
ym(s) learning signal

+ -

yr

+ -

JST kontroler

plant

Pelatihan PC-Based Control

Prosedur Desain
4. Susun algoritma untuk learning bobot kontroler JST dengan Back Propagation - Formulasi forward (perhitungan sinyal kontrol)
Z = wij xi
h j i =1 N

y h = f j (Z h ) j j Z = w jl y jh
0 l j =1 m

yl0 = ul = f h ( Z l0 )

fj dan fl fungsi aktivasi

Pelatihan PC-Based Control

Prosedur Desain
- Formulasi backward (revisi bobot) - Revisi bobot neuron hidden ke output
f l w jl (k + 1) = w jl (k ) + l ym (k ) y p (k ) u (k 1) u (k 2) zl

y p (k ) y p (k 1)

Pelatihan PC-Based Control