PENGENDALIAN ADAPTIF FUZZY UNTUK SELF TUNING PI

PADA KONTROL KECEPATAN MOTOR INDUKSI

TIGA FASA TANPA SENSOR KECEPATAN
DENGAN OBSERVER MRAS
Ridwan Gunawan. Ane Prasetyowati R
Universitas Indonesia
Teknik Kontrol Industri
ane_prast@yahoo.com

ABSTRAK
Motor Induksi banyak digunakan namun perlu pengendalian putarannya agar dapat mengikuti
perubahan beban yang ditanggungnya sehingga banyak penelitian mengenai pengendalian putaran motor
induksi. Penelitian ini membahas bagaimana swatala dari konstanta proposional dan integral gain bila
kecepatan acu diubah dengan menggunakan adaptif fuzzy. Perancangan sistem kendali adaptif fuzzy ini
menggunakan Observer Model reference adaptif system (MRAS) untuk estimasi kecepatan motor induksi.
Pemodelan motor induksi tiga phasa dan MRAS dilakukan dalam kerangka acuan sumbu direct-
quadrature (dq), yang bertujuan mengurangi banyak transformasi , sehingga mengurangi kesalahan
akibat transformasi, hal ini karena pengendali, fluks model, serta banyak besaran lainnya berada pada
sumbu dq. Hasil simulasi dengan C-MEX S-function Matlab/Simulink 6.5 menunjukkan bahwa
penggunaan kendali Adaptif Fuzzy untuk self tuning PI dapat menala proporsional dan integral gain dengan
ketepatan 97%. Respon kecepatan rotor pada kecepatan acu 140 rad/det dengan menggunakan observer
MRAS tidak mengalami overshoot dibanding dengan respos Observer full order,. Pada parameter motor
yang sama, motor dengan nilai momen inersia besar memiliki putaran lebih stabil.

Kata kunci: Observer, adapif fuzzy, MRAS

I. Latar Belakang trasformasi yaitu

transformasi Clark dan Park yang digunakan
Motor induksi jenis squirrel-cage banyak
untuk menganalisa perhitungan arus, fluks, dan
digunakan dalam aplikasi industri, namun
tegangan tiga phasa ke bentuk dua phasa pada
mempunyai masalah pada pengaturan
sumbu dq
kecepatannya, sehingga untuk mencapai unjuk
Nilai io adalah arus urutan nol (zero squence
kerja yang baik, maka diperlukan suatu sistem
current) yang bernilai nol pada keadaan
pengendalian putaran motor agar bila terjadi
setimbang dan ideal, hubungan arus pada sumbu
perubahan beban, putaran dapat dipertahankan,.
dq dan arus phasa abc, ditunjukkan persamaan
Penggunaan kontroler logika fuzzy adalah
I.5:
salah satu metoda untuk memperbaiki unjuk
 2 2 
kerja kontroller PID pada pengaturan kecepatan,  cos e cos( e  ) cos(e  ) 
id  3 3
kontroler fuzzy yang digunakan untuk menala   ia 
  2 2 2   
parameter PI. Pada penelitian ini dirancang iq    sin  e  sin(e  )  sin( e  ) ib 
3 3 3 
suatu pengaturan kecepatan motor induksi tiga i 
0   ic 
fasa rotor sangkar dengan menggunakan  1 1 1 
 2 2 2 
pengontrol adaptif fuzzy. Dengan adanya
pengaturan kecepatan ini diharapkan kecepatan (I.5)
motor induksi dapat dikendalikan pada saat b.Model Motor Kerangka Acuan Sumbu dq
mengalami perubahan beban, sehingga Pemodelan motor induksi tiga phasa
menghasilkan performansi motor induksi yang kerangka acuan dq dilakukan berdasarkan
tinggi . kerangka acuan stator dengan parameter model
yang digunakan adalah dengan arus stator dan
a. Transformasi Clarke dan Park fluks rotor. Karena kerangka acuan yang
digunakan adalah kerangka acuan stator, maka
Pengubahan sistem sumbu tiga phasa ke alpha nilai kecepatan sinkron stator e  0 , sehingga
beta dan dq memerlukan suatu bentuk

1
didapat model motor dalam kerangka acuan dq m  n   x  x l  2 
y  ai exp   i l i  
l
 l
F(x) = 
adalah[7]:
 i1    i   (I.18)
d 1 R (1   ) Lm L  l 1
  
i sd  V sd  (  s  )i sd   rd  m r  rq   e i sq
dt L s L s  r L s L r  r L s L r
m  n   x  x l  2 
(I.14)   ail exp   i l i  
l 1  i 1
   i  
d 1 1 L2 L L   
isq  Vsq  (Rs  m )isq  m rq  m r rd eisd
dt Ls  Ls r Lr  Lsr Lr  Ls Lr
Parameter yang dapat diubah dari sistem logika
(I.15) fuzzy di atas yaitu:
d R R
 rd   r  rd  r L m i sd  ( e   r ) rq ail xl
dt Lr Lr Є (0,1),σil, yl Є V, i Є Ui, (I.19)
(I.16) dimana V adalah semesta pembicaraan pada
d Rr Rr
keluaran sedangkan Ui adalah semesta
 rq    rq  L m i sq  ( e   r ) rd pembicaraan pada masing-masing masukannya.
dt Lr Lr
M adalah banyaknya fungsi keanggotaan fuzzy
(I.17) dan N adalah banyaknya masukan sedangkan
a. Sistem Kendali Adaptif Fuzzy F(x) adalah sinyal keluaran jaringan fuzzy.
Pada pengendalian kecepatan motor ixl
digunakan metoda kendali Adaptif fuzzy pada Variabel dan σil masing-masing adalah
pengendali PI yang akan melakukan self tuning parameter titik tengah dan lebar fungsi
dalam menentukan nilai gain Proposional kp keanggotaan masukan Gaussian, sedangkan titik
dan nilai gain Integral ki, ketika parameter motor titik tengah fungsi keanggotaan keluarannya
mengalami perubahan secara automatik nilai kp al
adalah yl. Diasumsikan i = 1 karena harga
dan ki akan menyesuaikan dengan aturan dari
dari fungsi keanggotaan maksimum berharga 1.
masukan nilai parameter motor, dan aturan
Struktur jaringan adaptif fuzzy seperti yang
penggunaan metode adaptif fuzzy harus dalam
ditunjukkan pada Gambar I.1.
bentuk sebuah himpunan crisp.
Himpunan Crisp A didefinisikan oleh
elemen-elemen yang ada pada himpunan itu. Jika
aA, maka nilai yang berhubungan dengan a
adalah 1. Namun, jika a A, maka nilai yang
berhubungan dengan a adalah 0. Notasi A =
menunjukkan bahwa A berisi elemen x
dengan P(x) benar. Jika XA merupakan fungsi
karakteristik A dan properti P, maka dapat
dikatakan bahwa P(x) benar, jika dan hanya jika
XA(x) = 1.
Himpunan fuzzy didasarkan pada gagasan
untuk memperluas jangkauan fungsi karakteristik
sedemikian hingga fungsi tersebut akan
mencakup bilangan real pada interval [0,1]. Nilai
keanggotaan menunjukkan bahwa suatu elemen
dalam semesta pembicaraan tidak hanya berada Gambar I.1. Struktur Jaringan Adaptif Fuzzy
pada 0 atau 1, namun juga nilai yang terletak b. Algoritma adaptif fuzzy
diantaranya.
Algoritma pembelajaran yang digunakan Adaptif Fuzzy adalah penggabungan
adalah gradient descent atau yang dikenal mekanisme fuzzy inference system yang
dengan error backpropagation. Sistem logika digambarkan dalam arsitektur jaringan syaraf.
fuzzy yang akan digunakan yaitu fuzzyfikasi Sistem inferensi fuzzy yang digunakan adalah
singleton, defuzzyfikasi rata-rata tengah (center sistem inferensi fuzzy model Tagaki-Sugeno-
average defuzzifier), dan fungsi keanggotaan Kang (TSK) orde satu dengan pertimbangan
gaussian, sehingga keluaran adaptif fuzzy dapat kesederhanaan dan kemudahan komputasi,
dinyatakan dalam bentuk pers. (I.8)[5] mekanisme inferensi fuzzy TSK orde satu
dengan dua masukan x dan y ditunjukkan pada
gambar I.2. dengan dua aturan fuzzy if-then
seperti dibawah ini :

2
 Gambar I.3. Arsitektur Jaringan Syaraf
Rule 1 : if x is A1 and y is B1 then f1 = p1x + Feedforward
q1y + r1
premis consequent Pada gambar I.3 terlihat sistem neuro-fuzzy
Rule 2 : if x is A2 and y is B2 then f2 = p2x + terdiri atas lima lapisan dengan fungsi yang
q2y + r2 berbeda untuk tiap lapisannya.
premis consequent Lapisan 1. Semua simpul pada lapisan ini
Input : x dan y. adalah simpul adaptif (parameter dapat berubah)
Consequent-nya adalah f dengan fungsi simpul :
O1,i   A ( x ), i  1, , atau
(I.22)
O1,i   B i2 ( y ), i  3,4

dengan x dan y adalah masukan pada simpul

Gambar I.2 Sistem inferensi fuzzy TSK
dua masukan dengan dua aturan
w1 f1  w 2 f 2
f 
w1  w 2
 w1 f1  w 2 f 2 (I.20)
c. Fungsi keanggotaan masukan
Fungsi keanggotaan fuzzy masukan (premis)
yang digunakan adalah fungsi Generalized-Bell
pada persamaan I.21 dibawah ini :
1 (I.21)
gbell ( x, a, b, c )  2b
xc
1
a
Fungsi Generalized-Bell dipakai sebagai
fungsi keanggotaan dari masukan, untuk
menentukan parameter awal a, b, c dan jumlah
himpunan fuzzy masukan . Parameter premis
a,b,c akan diubah dengan cara pembelajaran.
Struktur adaptif fuzzy yang menggambarkan
sistem fuzzy TSK seperti yang digambarkan
pada Gambar I.2. dapat terlihat pada diagram
blok atau arsitektur jaringan syaraf feedforward
pada gambar I.3:
i, Ai (atau Bi-2) adalah fungsi keanggotaan
masing-masing simpul. Simpul O1,i berfungsi
untuk menyatakan derajat keanggotaan tiap
masukan terhadap himpunan fuzzy A dan B.
Fungsi keanggotaan yang dipakai adalah jenis
generalized bell (gbell). Parameter a, b, c, pada
fungsi keanggotaan gbell dinamakan parameter
premis yang adaptif.
Lapisan 2. Semua simpul pada lapisan ini
adalah nonadaptif (parameter tetap). Fungsi
simpul ini adalah mengalikan setiap sinyal
masukan yang datang. Fungsi simpul :
O2i  wi   A ( x)  Bi ( y ), i  1, 2 (I.23)
Tiap keluaran simpul menyatakan derajat
pengaktifan (firing strength) tiap aturan fuzzy.
Fungsi ini dapat diperluas apabila bagian premis
memiliki lebih dari dua himpunan fuzzy.
Banyaknya simpul pada lapisan ini menunjukkan
banyaknya aturan yang dibentuk. Fungsi
perkalian yang digunakan adalah interpretasi
kata hubung and dengan menggunakan operator
t-norm. Lapisan Setiap simpul pada lapisan ini
adalah simpul nonadaptif yang menampilkan
fungsi derajat pengaktifan ternomalisasi
(normalized firing strength) yaitu rasio keluaran
simpul ke-i pada lapisan sebelumnya terhadap
seluruh keluaran lapisan sebelumnya, dengan
bentuk fungsi simpul:
wi
O 3,i  w i  , i  1, 2
w1  w 2 (I.24)
Apabila dibentuk lebih dari dua aturan,
fungsi dapat diperluas dengan membagi wi
dengan jumlah total w untuk semua aturan.
Lapisan 4. Setiap simpul pada lapisan ini
adalah simpul adaptif dengan fungsi simpul :
O4,i  wi f i  wi ( pi x  qi y  ri )
(I.25)
dengan adalah derajat perngaktifan
ternormalisasi dari lapisan 3 dan parameter p, q,
r menyatakan parameter konsekuen yang adaptif.

3
 Lapisan 5. Pada lapisan ini hanya ada satu ; ; ;
simpul tetap yang fungsinya untuk (II.2)
menjumlahkan semua masukan. Fungsi simpul :
w fi i
Dari persamaan II.1 dan II.2, didapat rotor fluk
O 5 ,i  w i fi 
i w i
(I.26) vector, seperti pada persamaan II.3 dibawah ini :
Jaringan adaptif dengan lima lapisan
tersebut ekivalen dengan sistem inferensi fuzzy (II.3)
TSK.
Dengan :
d. Perancangan kendali adaptif fuzzy untuk
self tuning PI pada kontrol kecepatan
Metode pengendalian yang digunakan
adalah berdasarkan arus stator dan fluks rotor, di f. Perancangan Pengendali fuzzy logic
mana penelitian ini menggunakan pengendali Pengendali Logika fuzzy untuk self tuning PI
vektor Rotor Fluks Oriented Control atau RFOC, pada penelitian ini, menggunakan dua buah
seperti terlihat pada gambar II.1. fuzzy, yang digunakan untuk menala konstanta
ia gain proporsional dan gain integral. Inputan
ib
r ic kedua fuzzy beruba nilai variable e dan e

dari nilai konstanta P dan I yang diset
Te
disesuaikan dengan parameter motor karena
i qs* dq i*s ia* ia
keluaran fuzzy berupa nilai K p dan K i yang
* ib
i b
akan ditambahkan pada nilai konstanta P dan I
* ic
r* iqs* i *s i c yang telah diset. Berikut gambar II.3. bagan dari
d cara kerja FLC untuk menala nilai konstanta P
dan I.
r

Gambar II.1. Diagram blok RFOC dengan  r* er Te*

Kontrol Kecepatan
e. Pengendali Kecepatan
Untuk pengendali kecepatan digunakan juga er KP

pengendali PI. Konstanta proporsionalnya dan FLC

er K I
konstanta Integral diset menggunakan trial error,
disesuaikan dengan parameter motor, adaptif
fuzzy diharapkan dapat menala nilai konstanta Gambar II.3. Fuzzy Self Tuning PI untuk control
yang diset bila kecepatan motor dan momen kecepatan
inersia motor diubah dengan beberapa variabel.
Diagram bloknya adalah sebagai berikut: Pengendali Logika Fuzzy yang
digunakan pada penelitian ini menggunakan
metode MAMDANI dan operator yang
digunakan adalah operator AND saja karena
untuk mendapatkan hasil minimum aturan dari
aplikasi operator AND tersebut. Pada tahap
Gambar II.2. Diagram blok pengendali kecepatan defuzzifikasi akan dipilih suatu nilai dari suatu
Keluaran dari pengendali kecepatan ini variable solusi yang merupakan konsekuen dari
torsi elektromagnetik , Sudut dan daerah fuzzy. Metode yang digunakan adalah
metode centroid, karena metode ini memiliki
mengekspresikan perubahan ke sumbu d,
tingkat daerah yang sensitive yang sangat tinggi,
vektor fluks rotor pada sumbu d didapat dari maka diharapkan proses tuning mendapatkan
substitusi persamaan II.1 dan II.2, dapat dilihat hasil dengan error yang sangat kecil. FIS pada
seperti berikut : program MATLAB dari pengendali logika fuzzy
dapat terlihat pada gambar 3.7 dibawah ini :
(II.1)

4
 Langkah-langkah untuk menala gain
proporsional dari nilai set point menggunakan
Adaptif fuzzy :
1. Pendefinisian karakteristik model
2. Dekomposisi variabel model menjadi
himpunan fuzzy.
3. Pembuatan aturan fuzzy.
4. Penentuan metode defuzzy untuk tiap-
tiap variabel solusi.
5. Pelaksanaan simulasi sistem.
g. Pendefinisian karakteristik model
Pada pendefinisian karakteristik model
ditentukan batas max dan min batas e dan
e yang telah ditentukan, diharapkan batas
max dan min dapat menala gain P dan I dengan
batasan error yang diharapkan kecil ( > 0.06).
Dengan menentukan batasan error > 0.06 maka
didapat variable-variabel untuk semesta
pembicaran seperti tabel II.1 dibawah ini :
Tabel II.1 Variabel karakteristik model PI
fungsi keanggotaannya, atau berupa pergeseran
pusat dari setiap himpunan keanggotaan. Tujuan
dari adaptasi ini adalah untuk memepercepat
adaptasi penyesuaian nilai Kp dan Ki pada
parameter motor yang berbeda.Tanggapan pada
keadaan transiennya menuju ke keadaaan steady
state, juga diharapkan untuk memperbaiki
kinerja sistem fuzi proporsional dan fuzi integral.
Pergeseran atau adaptasi dilakukan dengan
algoritma fuzi pula dengan komponen masukan
yaitu galat dan selisih perubahan galat error.
i. Observer Model Reference Adaptif
System (MRAS)
Algoritma MRAS yang pada penelitian ini
untuk menentukan estimasi kecepatan, model
MRAS yang digunakan menggunakan rotor fluks
space vector, error antara output kedua sistem
yaitu model reference dan model adjustable
untuk menala estimasi kecepatan, algoritma dari
MRAS dapat terlihat pada gambar 3.13 dibawah
ini :

Semesta
Nama
Fungsi Pembicaraa Keterangan
Variabel
n
error [(0,0.01)] nilai error
Input rata-rata
delta error [(0,0.06)]
error
delta Kp & rata-rata
Output [(0,0.06)]
delta Ki nilai Kp

Fungsi keanggotaan pada penelitian ini, Gambar II.4 Model reference adaptive control
untuk kontrol kecepatan
untuk fungsi keanggotaan K p menggunakan
tiga triangular dan K i menggunakan lima Dari gambar II.4 terlihat reference model dan
adjustable model mendapat masukan berupa Vs
triangular, maka rules untuk K p menggunakan dari RFOC, persamaan untuk reference model
dibawah ini:
15 rules, sedangkan K i menggunakan 25
  r  L r   v s   R s   L s F 0  i s  
rules, fungsi keanggotaan akan menala dengan F       
  s  L m   v  s   0 R s   L s F  i  s  
trial error dengan menggunakan strategi yang
telah dibuat dalam rules, sehingga diharapkan (II.4)
mendapatkan nilai yang memiliki tingkat error d L d
  r  r v s  ( R s i  s ) dan
yang sangat kecil. dt Lm dt
d L d
h. Perancangan Adaptasi ( Proses  s  r v s  ( R s i s )
dt Lm dt
Pembelajaran)
Adaptasi yang dilakukan pada fungsi
keanggotaan masukan yaitu dengan melakukan dan adjustable model pada persamaan II.5
pengakuratan tanggapan sistem dengan masukan  r   1 / Tt   r   r  L r  i s 
F        i 
yang diharapkan. Caranya dengan melipatkan  s   r  1 / T t   r  L m  s 

batas keanggotaan menjadi 2 kali lipat batas (II.5)

keanggotaan sebelumnya sehingga resolusi d 1 Lr
menurun dan lebih akurat dua kalinya.   s   (   s   s )  i s dan
dt Tr Lm
Adaptasi terhadap fungsi keanggotaan
keluaran dilakukan dengan penalaan terhadap

5
 d L dengan menggunakan control PI seperti terlihat
  s  (  s    s )  r i  s pada persamaan II.6.
dt Lm ^
 r  K p   K i  dt (II.6)
Output dari reference model dan adjustable 
model berupa is dan i  s akan ditranspose dan
dijumlahkan yang akan menghasilkan   dan
(II.7)
  yang telah ditranspose, lalu menjadi inputan Dengan nilai error seperti persamaan II.6 dan II.7
pada mekanisme adaptif bersama output dari dibawah ini ;
^ ^
adjustable model berupa  r dan   s , keluaran        dan         (II.8)
dari mekanisme adaptasi akan menala ke
adjustable model menjadi adaptif.

Persamaan estimasi kecepatan rotor

j. Diagram Blok Sistem
Pada perancangan ini sistem akan bekerja sesuai dengan diagram blok yang ditunjukkan pada gambar
II.5.di bawah ini:
vsmax Field Weakening
Control

i*sd  
PI
i sd
vcd 
vd* dq 2
Dekopling 3
PWM IM

 rref  Speed  vcq  vq*
PI PI

contr *
isq  
isq e

isd dq
ia
3 ib
Fuzzy  2 ic
i*sd isq*
 res t
MRAS Flux Model
e RFOC

v sd , v sq

Gambar II.5 Diagram blok sistem

Sistem diberi masukan kecepatan rotor agar tetap dalam daerah batas arus. Nilai kedua
referensi 
ref
pada blok pengendali kecepatan, arus referensi dq, dikendalikan oleh PI yang akan
r
mendapat umpan balik dari nilai arus stator
sebelum nilai referensi dikirim ke blok aktual sumbu d dan q. Keluaran dari blok
pengendali kecepatan nilai variabel proposional pengendali vektor arus akan ditambahkan oleh
dan integral melalui proses pembelajaran oleh dekopling menjadi nilai referensi tegangan stator
fuzzy sebagai self tuning PI, diharapkan nilai sumbu d dan q.
konstanta PI berubah secara otomatis melalui Pada RFOC terdapat fluks model yang
pembelajaran ketika parameter motor mengalami
perubahan rpm, dan keluaran adalah nilai akan melakukan estimasi frekuensi sinkron ( e )
referensi arus stator sumbu q merupakan motor. Nilai frekuensi sinkron akan diberikan
masukan blok RFOC. Nilai referensi arus stator kesetiap blok yang melakukan transformasi alfa-
sumbu d akan diberikan oleh kendali ”Filed beta ke direct-qudrature (dq), salah satunya blok
Weakening” yang akan mengendalikan tegangan observer Model reference adaptif system (MRAS)
stator agar berada di nilai referensi yang yang akan mengestimasikan nilai dari arus, fluks,
diberikan, yaitu tegangan maksimum dari DC dan kecepatan motor. Nilai dari kecepatan
link voltage. Blok kendali ”Field Weakening” estimasi akan menjadi nilai umpan balik bagi
membatasi nilai arus sumbu q yang diijinkan pengendali kecepatan.
II. Simulasi dan analisa

Pengujian dilakukan dengan menggunakan motor induksi tiga fasa dengan

daya 1, 10 dan 50 hp, dengan nilai parameter sebagai berikut :

Tabel III.1 Parameter Motor 1, 10 dan 50 hp

6
 Daya hp 1 10 50 P
Jumlah Pasang Kutub (Np) 2 2 2
Resistansi Stator (Rs)- ohm 2.76 0.6 0.087
Resistansi Rotor (Rr)-ohm 2.90 0.4 0.228
Induktansi Stator (Ls)-H 0.2349 0.123 0.0355
Induktansi Rotor (Lr)-H 0.2349 0.1274 0.0355
Induktansi magnetik (Lm)-H 0.2279 0.12 0.0347
2
Momen Inersia (J)-Kgm 0.0436 0.05 1.622
Koeffisien Gesekan (f)- Nms 0.0005 0.005 0.1

a. Simulasi self tuning PI untuk motor

induksi tiga fasa
Pengujian rancangan self tuning
pengendali PI kontrol kecepatan motor induksi
tiga fasa, dilakukan simulasi menggunakan
program SIMULINK MATLAB dengan variasi
beban dan kecepatan, dan tiga buah motor
induksi tiga berdaya 1, 10 dan 50 hp untuk
melihat kinerja kerja dari adaptif fuzzy dalam
menala gain proporsional dan integral.

7
 Fc Fc
Ia Memory Ia
Vdc 1E 4 Memory Vdc 1E4
Ib Ib
311 311 Ic
Ic
Va PWMa Va PWMa
Te_ act PWM Te_act
PWM
Vb PWMb theta _ e_act Vb PWMb theta_e_act
Dem ux S-Function 2 Demux
S-Func tion 2 Demuxtheta _ r_act Vs_max IM Demuxtheta_r_act
Vs_m ax Vc PWMc IM Vc PWMc
Wr Wr
0.5*0.9*311 Imr S-Function 3
0.5*0.9*311 Imr S-Function 3 imr _ac t
imr_act
Te fluks _d Act
Te fluks _ d Act Ia TL fluks_q
Ia TL theta_e
the ta _e
fluks_q
Ib
Ib Demux Id_ref
Dem ux Id _ref
Ic
Ic Id
Id RFOC Demux Scope
RFOC Dem ux Scope Iq_ref
Iq _ref iq_ref S-Func tion 1
iq_re f S-Function 1 SPD_CTL Iq
SPD _CTL Iq
Display 1 S-F unc tion vd
S-Function vd
vq
vq
we
Kp we Subtract Demux Vs
0.375 z-1 Kp
Vs |vd |
|vd | z Fuzzy Logic 0.375 Vdq
Add 1 Controller Im
Ki Vdq Difference Ki

0.95 0.95

Add

Subtract 1 Demux VdVq

z-1
VdVq Wr
z Fuzzy Logic
Wr
Difference 1 Controller 1

Rotor Speed
Sp_ref Sp_ref
Ro tor Sp eed
Memory 1

Memory 1
Dis play

Gambar III.1 Diagram MATLAB-Simulink adaptif fuzzy dan Diagram

MATLAB-Simulink tanpa adaptif fuzzy tanpa observer MRAS
b. Hasil simulasi unjuk kerja adaptif fuzzy pada Motor 1 HP, 10 HP dan 50 HP.
Dengan nilai konstanta pengendali kecepatannya yaitu Kp = 0.375 dan Ki = 0.95.

(a) Motor 1 HPdgn adaptif fuzzy (b) Motor 1HP tanpa adaptif fuzzy
tanpa observer MRAS tanpa observer MRAS

(c) Motor 10 HPdgn adaptif fuzzy (d) Motor 1HP tanpa adaptif fuzzy
tanpa observer MRAS tanpa observer MRAS

(e) Motor 50 HPdgn adaptif fuzzy (f) Motor 50 HP tanpa adaptif fuzzy
tanpa observer MRAS tanpa observer MRAS
Gambar III.3 Respon kecepatan dari Motor 1HP, 10HP
dan 50 HP tanpa perubahan beban

8
c. Hasil simulasi unjuk kerja adaptif fuzzy perubahan kecepatan dan dibandingkan dengan
pada Motor 1 HP, 10 HP dan 50 HP tidak menggunakan adaptif fuzzy dengan kondisi
dengan perubahan kecepatan dan Beban yang sama dengan beban maksimum 7 Nm.
Dari simulasi akan dilihat kecepatan rotor Hasil simulasi dengan Motor 1 HP, 10 HP dan
 50 HP sebagai berikut:
( r ), pada simulasi ini akan dilihat blok adaptif
fuzzy dapat menala gain PI ketika terjadi

Nilai konstanta pengendali kecepatannya yaitu Kp = 0.375 dan Ki = 0.95.

(a) Motor 1 HPdgn adaptif fuzzy (b) Motor 1HP tanpa adaptif fuzzy
tanpa observer MRAS tanpa observer MRAS

(c) Motor 10 HPdgn adaptif fuzzy (d) Motor 1HP tanpa adaptif fuzzy
tanpa observer MRAS tanpa observer MRAS

(e) Motor 50 HPdgn adaptif fuzzy (f) Motor 50 HP tanpa adaptif fuzzy
tanpa observer MRAS tanpa observer MRAS
Gambar III.4 Respon dari Motor 1HP, 10HP dan 50 HP
dengan perubahan beban dan kecepatan
Dari hasil simulasi uji kinerja dari adaptif fuzzy pada daya 50 HP, sampai pada t = 20 detik,
pada gambar II.3(a) – II.4(f), terlihat bahwa hasil kecepatan motor belum dapat mencapai waktu
respon menggunakan adaptif fuzzy dengan nilai mantap, ini dikarenakan proses pembelajaran
konstanta kontrol kecepatan motor gain kp dan adaptif fuzzy pada s-function memerlukan waktu
ki yang sama dengan daya motor yang berbeda yang lama. Berikut tabel hasil respon dari adaptif
menunjukkan performansi yang baik, dapat fuzzy dalam menala gain P dan I, dapat dilihat
dilihat kecepatan motor dapat mencapai waktu waktu yang dibutuhkan oleh sistem untuk respon
mantap walaupun dengan waktu yang berbeda, mencapai waktu mantap.
tetapi bila sistem diberikan beban

9
 Tabel III.2 Respon Kecepatan motor pada Adaptif fuzzy
Waktu respon sistem mencapai steady state
Daya Adaptif fuzzy tanpa Adaptif fuzzy
beban nol perubahan beban beban nol perubahan beban
1 HP 2 non 15 non
10 HP 2 non 18 non
50 HP 15 non > 20 non
d. Simulasi observer MRAS pada dilakukan dengan menggunakan motor induksi
pengendalian motor induksi tiga fasa tiga fasa yang memiliki daya kecil (1 HP), daya
Untuk menguji hasil rancangan observer sedang (10 HP) dan daya besar (50 HP) untuk
MRAS pada pengendalian motor induksi tiga fasa melihat kinerja kerja dari observer MRAS dengan
mengunakan program SIMULINK MATLAB membandingkan kinerja dari full order observer.
dengan variasi beban dan kecepatan. Pengujian
Fc
Ia
Vdc 1E4 Memory
Ib
311 Ic
Va PWMa
PWM Te_act
Vb PWMb theta_e_act
S-Function 2 Demux Demuxtheta_r_act
Vs_max Vc PWMc IM 2
Wr
0.5*0.9* 311 Imr S-Function 3
imr_act
Te fluks _d Act
Ia
fluks_q
Kp theta_e
TL
Ib
0.7 Demux Id_ref
Ic
Ki Id
RFOC Demux Scope
1 Iq_ref
iq_ref S-Function 1
SPD_CTL Iq

S-Function vd Im
Sp_ ref vq

we

Vs
|vd | Te1
Vdq

Iq fluks _d_ref
fluks _rd
vd
MRAS1 Demuxfluk _q_ref
VdVq vq
we S-Function 4
wr_est fluks _rq

Rotor Speed

Memory 1 wr

Gambar III.5. Diagram MATLAB-Simulink dengan observer MRAS

Pada perancangan simulasi sistem ini, langsung ikut mempengaruhi karena menjadi
blok motor diasumsikan sebagai motor induksi masukan blok lainnya yang berhubungan dengan
tiga fasa yang sebenarnya. Masukannya berupa blok tersebut. Waktu sampling yang digunakan
tegangan tiga fasa yang dikeluarkan oleh sumber pada sistem yaitu 10-4s.
tegangan inverter (seperti yang telah dibahas e. Perbandingan Simulasi Observer MRAS
pada BagianII). Arus stator keluaran dari motor dan Full order Observer
dan nilai tegangan dari inverter akan Berikut ini akan diperlihatkan Gambar III.6
diumpanbalikkan ke blok observer MRAS. Maka yang memperlihatkan perbandingan kinerja dari
dalam implementasi sistem sebenarnya kedua observer, perbandingan ditunjukkan
diperlukan sensor arus. Umpan balik tersebut dengan membandingkan respon dari kecepatan
memerlukan memori sebelum masuk ke blok  r ), fluk sumbu d ( d ) , fluks sumbu q
observer MRAS. Hal ini dimaksudkan agar tidak rotor (
terjadi algebraic loop karena algebraic loop q
terjadi apabila masukan suatu blok dipengaruhi ( ) dan Torsi (Te) untuk kedua observer.
oleh keluaran pada blok yang secara tidak

Kecepatan Motor 1 HP.

10
 (a) dengan observer MRAS
Kecepatan Motor 10 HP
(c) dengan observer MRAS
Kecepatan Motor 50HP
(e) dengan observer MRAS
Gambar III.6. Perbandingan kecepatan motor dengan
observer MRAS dan observer full order
Dari hasil simulasi pada gambar III.6 dapat
terlihat kinerja dari observer MRAS, respon
kecepatan motor untuk daya motor 1 HP, pada t
= 3 dan t = 13 terlihat tidak terjadi overshoot,
seperti yang terjadi pada observer full order,
untuk daya motor 10 HP performansi dari respon
kecepatan motor sama seperti pada performansi
daya motor 1 HP, pada daya motor 50 HP
f. Simulasi Perubahan Parameter Momen
Inersia
Pada simulasi ini dilakukan perubahan
parameter motor momen inersia pada motor 1
HP, 10 HP dan 50 HP dalam periode waktu
tertentu yaitu pada saat t=0 momen inersia
dibuat 0.005 kgm2 , pada saat t=5 detik nilai
momen inersia dibuat menjadi 0.01 kgm2,
(b) observer full order
(d) dengan observer full order
(f) dengan observer full order
terlihat jelas perbedaan respon kecepatan motor,
dimana pada observer full order terlihat ripple
yang lebih banyak sebelum sistem mencapai
waktu mantap, walaupun respon untuk mencapai
waktu mantap hampir sama, untuk observer
MRAS pada t = 13 dan untuk observer full order
t = 15.
kemudian pada saat t=10 detik, momen
inersianya dibuat menjadi 0.2 kgm2, dan pada
saat t=15 detik diubah menjadi 1 kgm2,
kemudian untuk t=20 detik momen inersianya
disesuaikan dengan parameter motor induksi
yaitu 0.0436 kgm2. Berikut gambar III.7 yang
memperlihatkan respon motor 1 HP, 10 HP dan
50 HP dengan perubahan momen inersia
11
 (a) Respon motor 1 HP (b) Respon motor 10 HP (c) Respon motor 50 HP
Gambar III.7. Respon motor dengan perubahan momen inersia
Dari Gambar III.7 terlihat bahwa ketika momen Control Systems : An Engineering
inersia motor dibuat lebih kecil dari nilai Approach, Springer-Verlag London
parameter aslinya, maka putaran motor terjadi Limited, Valencia, 2004.
fluktuasi. Dimana nilai kecepatan motor sangat 3. Krishnan, R., Electric Motor Drives,
dipengaruhi oleh nilai konstanta momen inersia Prentice Hall, USA, 2001.
motor (J). Sehingga penentuan nilai momen 4. N. Mohan, T.M. Undeland, W.P. Robbins,
inersia yang tidak tepat akan mempengaruhi Power Electronics, Wiley, 2003.
keluaran model motor induksi yang digunakan. 5. Ogata, Katsuhiko, Modern Control
III. KESIMPULAN Engineering, edisi 4, Prentice Hall,
University of Minnesota, 2002.
Berdasarkan perancangan dan simulasi
6. S.-H. Kim, S.-K. Sul, Voltage Control
sistem kendali Adaptif Fuzzy untuk motor
Strategy for Maximum Torque Operation
induksi tanpa sensor kecepatan, ditarik
of an Induction Machine in the Field
kesimpulan sebagai berikut:
Weakening region, IEEE Trans. Ind.
1. Sistem menggunakan adaptif fuzzy
Electron, vol. 44, hal. 512-518, Aug.
dapat menala gain proporsional dan
1997.
gain integral pada nilai konstanta gain
7. Vas, Peter, Electric Machine and Drives:
kp = 0.375 dan ki = 0.95 untuk daya 1
A Space Vector Theory Approach, Oxford
HP, 10 HP dan 50 HP.
University, New York, 2003.
2. Kinerja Observer MRAS pada motor 1
8. J-S R Iang,C-T Sun and E
hp tidak terjadi overshoot pada t = 3
Mizutani,Neuro-Fuzzy and Soft
detik seperti pada respon yang
Computing,Prentice-Hall
ditunjukkan dengan penggunaan
International,Inc,1997.
observer full order. Pada motor 50 hp,
9. Truc Pham-Dinh, Effects Of Iron Loss On
respon kecepatan motor menggunakan
Adaptive Speed Control In Rotor Flux
observer MRAS tidak menunjukkan
Oriented Control Of Induction
banyaknya ripple sebelum mencapai
Motor,Vietnam National University
keadaan tunak pada t =13 detik, seperti
,2007.
yang terjadi pada observer full order.
10. Youssef Agrebi, Moncef Triki,Rotor speed
3. Dengan parameter motor yang sama,
estimation for indirect stator flux oriented
motor dengan nilai momen inersia besar
induction motor drive based on MRAS
memiliki putaran lebih stabil dibanding
scheme, J. Electrical Systems 3-3,2007.
dengan motor dengan nilai momen
inersia kecil. Dalam percobaan dengan
motor 1, 10 dan 50 hp, nilai momen
inersia terbaik berturut-turut adalah 1
kgm2, 2 dan 5 kgm2 .
Daftar Pustaka
1. Yusivar, Fery dan S. Wakao, Minimum
Requirements of Motor Vector Control
Modeling and Simulation Utilizing C
MEX S-function in MATLAB/SIMULINK,
IEEE journal, 2001.
2. Albertos P. dan A. Sala, Multivariable