PENDAHULUAN
1.1 Latar Belakang
Era modern kali ini pengembangan dari system kontrol adaptif sangat
dibutuhkan untuk memudahkan pengontrolan suatu system plant. Hal ini sangat
penting untuk industri – industri besar yang biasanya mempunyai suatu input
data alir,karena inputnya akan berubah-ubah jadi untuk mendapatkan output
yang sesuai diperlukan controller yang parameternya bisa mentuning sendiri
parameter kontroller tersebut agar mendapat output yang sesuai dengan yang
diharapkan.
Adapun salah satu metode yang digunakan adalah MRAS (Model
Reference Adaptife System ) ,dimana pada MRAS membutuhkan model
referensi dimana keluaran dari model referensi tersebut akan dibandingkan
dengan keluaran plan.
Untuk mendapatkan suatu fungsi alih plan dalam MRAS digunakan
identifikasi system,yang didapatkan menggunakan MATLAB.
1.2 Batasan Masalah
Untuk memebatasi permasalahan agar tepat sesuai dengan tujuan, maka
batasan masalah dalam tugas ini adalah:
1. Metode yang digunakan adalah MRAS (Model Refrence Adaptif System).
2. Untuk mengidentifikasi system menggunakan RLS (reqursive Least
Square).
3. Software yang digunakan MATLAB.
4. Input Output yang digunakan adalah data yang diperoleh oleh dosen
pengampu mata kuliah Sistem kontrol adaptive.
1.3 Rumusan Masalah
1. Bagaimana memodelkan system menggunakan MRAS
2. Bgaimana mengidentifikasi system menggunakan RLS
3. Bagaimana menggunakan MATLAB untuk menyelesaikan tugas
1.4 Tujuan Penelitian
Tujuan untuk penelitian kali ini adalah untuk menemukan identifikasi
suatu fungsi alih plan dan juga untuk menentukan parameter kontroler dengan
metode MRAS.
(3)
Persamaan (1) dapat dituliskan kembali sebagai :
t t −1
θˆ(t ) = P (t ) ∑ϕ (k ) y ( k ) = P(t ) ∑ϕ (k ) y (k ) + ϕ (t ) y (t ) (4)
k =1 k =1
dan dapat diperluas menjadi :
[
P (t ) = P (t −1) −1 + ϕ(t )ϕ(t ) T ] −1
(10)
Untuk mencari solusi Persamaan (10) diperlukan suatu Lemma tentang
pembalikan matriks :
(A + BCD)-1 = A-1- A-1B(C-1+DA-1B)-1DA-1 (11)
Dengan menggunakan lemma pada Persamaan (11) dan memisalkan
bagian ruas kanan Persamaan (10) sebagai berikut :
A = P(t)-1;
B = ϕ(t);
C = I;
D =ϕ(t)T;
maka didapatkan :
[
K (t ) = P (t )ϕ(t ) = P (t −1)ϕ(t ) I +ϕ(t ) T P (t −1)ϕ(t ) ] −1
(13)
Faktor Exponential Forgetting – Parameter Time Varying
Dari penurunan rumus estimasi parameter Recursive Least Squares di
atas, maka dapat dipilih beberapa persamaan penting di dalam metode RLS
sebagai berikut :
ˆ(t ) =θ
θ ˆ(t −1) +K (t )ε(t )
[
K (t ) = P (t −1)ϕ(t ) I +ϕ(t ) T P (t −1)ϕ(t ) ] −1
[ ]
P(t ) = I − K (t )ϕ(t )T P (t −1) (14)
dengan nilai awal (initial values) θ (0) = θ0 dan P(0) = rI, di mana r
merupakan nilai besar.
Persamaan di atas membutuhkan pertimbangan yang sangat intuitif.
Estimasi parameter sekarang θ(t) didapatkan dengan menambahkan suatu
perbaikan pada estimasi sebelumnya θ(t-1). Perbaikan yang diberikan
sebanding dengan prediksi error satu langkah ke depan ε(t), berdasarkan
estimasi parameter sebelumnya.
Dalam hal ini matriks P(t) diinterpretasikan sebagai kovarians dari
vektor parameter. Magnitudnya menunjukkan pengukuran ketidakpastian
nilai-nilai parameter. Dalam kasus sistem dengan parameter berubah terhadap
waktu secara perlahan, lebih diutamakan data pengukuran yang terakhir
daripada data lama.
Suatu pendekatan yang digunakan adalah memodifikasi kriteria least
squares (LS) :
1 t t −k
J (θ , t ) = ∑λ ( y ( k ) − ϕ ( k ) T θ ) 2
2 k =1
(15)
[
K (t ) = P (t −1)ϕ(t ) λI + ϕ(t ) T P (t −1)ϕ(t ) ] −1
(16)
[ ]
P (t ) = I − K (t )ϕ(t ) T P (t −1) / λ (17)
“memori” dari estimator diberikan oleh :
2h
t0 = (18)
1−λ
Dengan h adalah interval sampling. Nilai tipikal untuk faktor pengabaian
adalah
λ = 0.95 .... 0.98.
Dalam hal ini αp(z) adalah polinomial berderajat n,βp(z) adalah polinomial
berderajat m < n. Diasumsikan bahwa koefisien αp(z) dan βp(z) tidak
diketahui, hanya n, m dan tanda gain kp yang diketahui.
Persamaan plant dalam persamaan state space dinyatakan sebagai berikut :
x p (k +1) = A p ⋅ x p (k ) + b p ⋅ u (k )
(2.2)
y p ( k ) = c Tp ⋅ x p ( k )
dengan
xp(k) adalah vektor state yang terdiri dari n-vektor;
yp(k) adalah vektor output yang terdiri dari m-vektor;
u(k) adalah vektor input yang terdiri dari r-vektor;
Ap adalah matrik state dengan dimensi nxn;
Bp adalah matrik input dengan dimensi nxr;
c Tp adalah matrik output dengan dimensi mxn;
dengan
xm(k) adalah vektor state yang terdiri dari n-vektor;
r(k) adalah vektor input yang terdiri dari r-vektor;
ym(k) adalah vektor output yang terdiri dari m-vektor;
Am adalah matrik state dengan dimensi nxn;
Bm adalah matrik input dengan dimensi nxr;
T
cm adalah matrik output dengan dimensi mxn;
Output model referensi akan menyatakan output yang dikehendaki dari
plant yang dikendalikan, jika sistem tersebut ditambah dengan kontroler yang
tepat.
Di dalam menentukan model referensi, derajat relatif model referensi harus
sama dengan plant (Narendra dan Annaswamy, 1989). Derajat relatif adalah
selisih antara orde pole dan zero atau n – m (Butler, 1992).
dengan
C = cnzn-1+....+ c2 z+ c1
N = zn-1+ nn-1 zn-2+ ....+ n1
D = dn zn-1+ ....+ d2 z+ d1
Polinomial N(z) pada pembangkit sinyal bantu adalah zero model referensi
(Sastry dan Bodson, 1993). N(z) adalah polinomial berorde m atau n-1, C(z)
dan D(z) adalah polinomial berorde n-2 (Narendra dan Annaswamy, 1989).
Struktur MRAS dapat digambarkan dalam bentuk sederhana seperti yang
ditunjukkan di dalam Gambar2.3.
Fungsi alih pada Persamaan 2.9 disesuaikan dengan fungsi alih model
referensi, untuk itu dimisalkan :
N(z) – C(z) = βp(z)
αp(z) – kpD(z) = αm(z)
Dengan pemisalan ini, maka fungsi alih plant dan kontrolernya dapat
dituliskan kembali sebagai
β p ( z ) βm ( z )
W ( z) = k m ( z) = Wm ( z ) (2.10)
β p ( z )(α p ( z ) − k p D ( z ))
F2 : ω ( k + 1) = A ⋅ ω (k ) + b ⋅ Y p (k ) dω ( 2) (k ) = d T ω ( 2)
(2) ( 2)
(4.11)
dengan
A adalah matrik nxn;
b adalah n vektor;
cT = [c1, c2,...., cn];
dT = [d1, d2,...., dn];
x p (k + 1) A p 0 0 x p (k ) b p
ω (1) (k + 1) = 0 A
0 ω (1) (k ) + b u (k )
ω ( 2) ( k + 1) bc Tp 0 A ω ( 2 ) (k ) 0 (2.12)
Y p (k ) = c Tp x p (k )
θ (k ) = θ ∗ + φ ( k ) (2.14)
Dalam hal ini θ* adalah vektor konstan yang menyatakan parameter kontroler
pada saat fungsi alih plant dan kontrolernya sesuai dengan fungsi alih model
referensi. φ(k) adalah parameter error (Sastry dan Bodson, 1993). θ*
dinyatakan dengan :
θ ∗T = [k 0∗ ( k ), c1∗ (k ),...., c n∗ (k ), d1∗ (k ),...., d n∗ ( k )]
θ ∗T = [k 0∗ , c ∗T , d ∗T ]
Proses adaptasi berlangsung dengan mengubah θ (k) menjadi θ*.
T
Perubahan ini dilakukan agar output plant bergerak menuju nilai output
model referensi yang diinginkan.
Persamaan 2.14 disubstitusikan ke dalam Persamaan 2.12 membentuk
persamaan sinyal kontrol u yang terdiri dari nilai parameter konstan θ* dan
parameter error φ¸ yang dituliskan sebagai berikut :
u (k ) = θ T (k )ω(k )
(2.15)
= k 0∗r (k ) + c ∗T ω(1) ( k ) + d ∗T ω( 2 ) (k ) + φ T (k )ω(k )
x p (k + 1) A p b p c ∗T b p d ∗T x p (k ) b p
ω (1) (k + 1) = 0
A + bc ∗T
[
bd ∗ ω (1) (k ) + b k 0∗ r (k ) + φ (k )ω (k ) ]
ω (k + 1) bc A ω ( 2 ) (k ) 0
(2) T
0
Dari Persamaan 4.16 dan 4.17, maka persamaan error antara plant
bersama kontrolernya dengan model referensi dinyatakan dalam persamaan
state space dapat dituliskan sebagai berikut :
e(k +1) = A0 e(k ) + b0 [φT (k )ω(k )]
(2.19)
e1 ( k ) = y p (k ) − y m (k ) = c 0T e(k )
dengan
e(k) = x(k) – xm0(k).
Jika persamaan error dinyatakan dalam fungsi alih, maka persamaan error
antara yp dan ym dinyatakan dengan :
Wm T
e1 ( k ) = φ (k )ω(k ) (2.20)
k 0*
pada model referensi, di mana matrik ini akan memenuhi kestabilan asimtotik
apabila Q adalah matrik definit positif. Q dapat dinyatakan sebagai matrik
identitas I. Apabila kedua kondisi ini terpenuhi, maka akan didapatkan matrik
P definit positif :
ATP + PA = -Q (2.24)
Untuk menentukan hukum adaptasi, selain didapatkan dari penurunan
fungsi Lyapunov juga ditentukan dari fungsi alih model referensi Wm sebagai
berikut :
dalam hal ini c1T = (1,0,....,0),dan matrik P merupakan matrik definit positif,
sehingga
bmT Pe = c1T e = e1
3. PEMBAHASAN
Dari fungsi ident pada MATLAB telah ditemukan orde yang paling bagus
adalah orde 5, setelah kita menemukan ordenya maka dengan model ARX kita
menemukan parameter estimasi a dan b.
%Basic recursive least squares methode
%N - number of identificatioan steps
Fungsi alih sistem bisa diliat dari ident yaitu sebagai berikut :
Dengan rumus
b=[0 0.03243 0.957 1.364 0.877 0.364];
a=[1 0.6579 -0.1001 0.008052 0.1197 0.1124];
Gz=tf(b,a,1);
Gs=d2c(Gz,'zoh');
4. KESIMPULAN
Dan
SARAN
Kesimpulan