Motor DC yang digunakan di banyak aplikasi seperti pabrik rolling steel, kereta listrik, dan manipulator

robotik memerlukan pengendali kecepatan untuk melakukan tugas. Masalah utama dalam menerapkan
algoritma kontrol konvensional pada pengontrol kecepatan adalah efek nonlinearitas pada motor DC.
Karakteristik nonlinear dari motor DC seperti saturasi dan gesekan dapat menurunkan kinerja
pengendali konvensional [1-3]. Banyak metode kontrol berbasis model canggih seperti kontrol struktur-
variabel [4] dan model kontrol adaptif referencc [5] telah dikembangkan untuk mengurangi efek ini.
Namun, kinerja metode ini bergantung pada keakuratan model dan parameter sistem. Umumnya, model
non linier yang akurat dari motor DC yang sebenarnya sulit ditemukan, dan nilai parameter yang
diperoleh dari identifikasi sistem mungkin hanya merupakan nilai perkiraan.

Teknik cerdas yang berkembang telah dikembangkan dan digunakan secara luas untuk memperbaiki
atau mengganti teknik kontrol konvensional karena teknik ini tidak memerlukan model yang tepat. Salah
satu teknik cerdas, logika fuzzy yang dikembangkan oleh Zadeh [6, 7] diterapkan untuk desain controller
pada banyak aplikasi [8, 9]. Pengontrol logika fuzzy (FLC) terbukti secara analitis setara dengan
pengontrol PI nonlinier saat metode defuzzifikasi nonlinier digunakan [10]. Selain itu, hasil dari
perbandingan teknik kontrol logika konvensional dan fuzzy dalam bentuk kompiler fuzzy [12, 12] dan
fuzzy [13, 14] menunjukkan kesenangan), logika dapat mengurangi efek nonlinearitas pada motor DC
dan memperbaiki kinerja pengontrol. Sebuah FLC telah diimplementasikan pada banyak platform seperti
prosesor sinyal digital (DSP) [15], PC [16], atau mikrokontroler off-the-shelf [171 Platform ini memiliki
kelebihan dan kekurangan yang berbeda. PLC yang dikembangkan pada DSP atau PC dapat dengan cepat
memproses perhitungan fuzzy untuk menghasilkan usaha pengendalian, namun ukuran fisik sistem
mungkin terlalu besar dan cukup mahal untuk aplikasi motor DC kecil.

Di sisi lain, menggunakan mikroncontroller off-the-shelf untuk mengimplementasikan FLC tidak mahal
dan ukuran fisik sistemnya kecil, namun FLC memerlukan waktu pemrosesan yang lebih lama. Salah satu
cara untuk meningkatkan waktu respon dalam pendekatan implementasi mikrokontroler adalah dengan
menggunakan tabel look-up, namun metode ini membutuhkan lebih banyak memori untuk menyimpan
tabel. Metode alternatif untuk mengimplementasikan FLC adalah dengan menggunakan chip logika
fuzzy. Chip logika fuzzy pertama kali dikembangkan pada tahun 1985 oleh Togai dan Watanabe [18].
Telah dikembangkan dan diperbaiki terus menerus menjadi mikrokontroler logika fuzzy komersial oleh
banyak perusahaan. Fitur utama dari chip ini adalah kemampuannya di tingkat hardware untuk
mengeksekusi perhitungan fuzzy. Aturan fuzzy dan fungsi keanggotaan didefinisikan dan disimpan dalam
RAM atau ROM dengan format tertentu yang membuat pekerjaan perancang lebih mudah. Fitur ini bisa
mengurangi waktu pengembangan dan memotong kebutuhan sistem kecepatan tinggi namun mahal
untuk mengembangkan FLC. Perancang juga dapat memanfaatkan fitur lain yang termasuk dalam
mikrokontroler logika fuzzy untuk mengurangi ukuran dan meningkatkan kinerja sistem. Dalam tulisan
ini, FLC diimplementasikan untuk kontrol kecepatan motor DC pada mikrokontroler logika fuzzy.
Pengetahuan heuristik diterapkan untuk mendefinisikan fungsi dan aturan keanggotaan fuzzy. Fungsi
keanggotaan dan peraturan dimodifikasi setelah awalnya meminjam pengetahuan dari pengendali PI
yang dikembangkan dari model linier sederhana [11, 14]. Alur rangkaian perangkat keras dan algoritma
perangkat lunak dijelaskan. Hasil dari eksperimen real-time dengan kondisi beban dan tanpa beban juga
disertakan dalam makalah ini.
Metodologi

Sementara pengendali konvensional bergantung pada keakuratan model dan parameter sistem, FLC
menggunakan pendekatan yang berbeda untuk mengendalikan kecepatan motor DC. Alih-alih
menggunakan model sistem, pengoperasian FLC didasarkan pada pengetahuan heuristik dan deskripsi
linguistik untuk melakukan tugas. Efek dari parameter dan model yang tidak akurat berkurang karena
FLC tidak memerlukan model sistem. Namun, membangun FLC dari ground-up mungkin tidak
memberikan hasil yang baik atau bahkan hasil yang lebih buruk daripada pengendali konvensional jika
tidak cukup pengetahuan tentang sistem. Oleh karena itu, dalam makalah ini, hasil pengontrol PI adalah

awalnya dipinjam sebagai pengetahuan a priori dalam proses perancangan. Kinerja FLC kemudian
ditingkatkan dengan menyesuaikan aturan dan fungsi keanggotaan. Prosedur perancangan ini dijelaskan
sebagai berikut. Prosedur 1: Mendefinisikan input, output, dan universe of wacana Untuk menerapkan
pengetahuan heuristik dalam FLC, input, output dan semesta wacana didefinisikan terlebih dahulu.
Input adalah kesalahan (E) antara referensi (w,) dan kecepatan aktual (0v), dan perubahan kesalahan
(CE) Outputnya adalah perubahan tegangan armatur (CU). Masukan dan keluaran yang diilustrasikan
pada Gambar 2, dijelaskan oleh:

Seperti yang disebutkan pada bagian II, kisaran maksimum kecepatan motor sudut PC yang tidak akan
merusak motor adalah +/- 500 rad / s. Kemungkinan kesalahan dalam kisaran adalah antara -1000 rad / s
dan 1000 rad / s. Oleh karena itu, semesta wacana E didefinisikan untuk rentang antara -1000 ekor dan
+1000 rad / s. Alam semesta wacana perubahan kesalahan didasarkan pada data eksperimen dari desain
pengendali N yang termasuk dalam prosedur 2, yang memberikan kisaran perubahan kesalahan adalah
+/- 5,5 rad / s. Untuk perubahan voltase angker, nilai minimum dan maksimum didefinisikan adalah -1,5
V dan + 1.5V reSpe.ttiVtly. Prosedur 2: Mendefinisikan fungsi dan aturan keanggotaan fuzzy Untuk
melakukan perhitungan fuzzy, input dan output harus dikonversi dari nilai numerik atau "garing"
menjadi bentuk linguistik. Istilah seperti "Kecil" dan "Besar" digunakan untuk menghitung nilai input dan
output ke nilai linguistik. Dalam makalah ini, istilah linguistik yang digunakan untuk mewakili nilai input
dan output didefinisikan oleh tujuh variabel fuzzy seperti ditunjukkan pada Tabel 2. Fungsi keanggotaan
fuzzy digunakan sebagai alat untuk mengubah nilai garing menjadi istilah linguistik. Fungsi keanggotaan
fuzzy dapat mengandung beberapa rangkaian fuzzy tergantung pada berapa banyak istilah linguistik
yang digunakan. Setiap himpunan fuzzy mewakili satu istilah linguistik. Dalam makalah ini, tujuh
rangkaian fuzzy diperoleh dengan menerapkan tujuh istilah linguistik. Jumlah untuk menunjukkan
berapa banyak nilai garing dapat menjadi anggota di setiap himpunan fuzzy disebut tingkat
keanggotaan. Satu nilai renyah dapat dijuluki sebagai "panty" dalam banyak rangkaian fuzzy, namun
tingkat keanggotaan di setiap himpunan fuzzy mungkin berbeda. Untuk menentukan fungsi keanggotaan
fuzzy, desainer dapat memilih berbagai bentuk berdasarkan preferensi atau pengalaman mereka.
Bentuknya populer berbentuk segitiga dan segitiga

trapezoidal karena bentuk ini mudah untuk mewakili ide perancang dan membutuhkan waktu
komputasi yang rendah. Untuk melakukan fine-tuning untuk meningkatkan efisiensi pengendali, yang
berdekatan dari masing-masing nilai himpunan fuzzy harus tumpang tindih sekitar 25% (19j. Fungsi
keanggotaan awal diilustrasikan pada Gambar 3.

Alih-alih menggunakan rumus matematika, FLC menggunakan aturan fuzzy untuk membuat keputusan
dan menghasilkan usaha pengendalian. Aturannya berupa pernyataan IF-THEN. Misalnya, jika kesalahan
(E) sama dengan positif besar (PB) dan perubahan error (CE) sama dengan medium positif (PM)
KEMUDIAN perubahan tegangan armatur (CU) adalah media negatif (NM). Hal-hal dalam menentukan
aturan adalah berapa banyak aturan yang harus digunakan dan bagaimana menentukan relasi dalam
pernyataan IF-THEN. Sebenarnya, solusinya didasarkan pada pengalaman seorang desainer atau
pengetahuan sebelumnya tentang sistem tersebut. Titik kritisnya adalah jika tidak ada cukup
pengetahuan yang diterapkan dalam desain, hasilnya bisa sangat buruk. Oleh karena itu, dalam makalah
ini, pengetahuan dari pengendali PI dipinjam terlebih dahulu untuk membantu mendefinisikan
peraturan. Fungsi transfer kecepatan dan persamaan pengontrol PI adalah (111

Seperti yang diamati dari permukaan kontrol PI, aturan awal dibuat seperti yang ditunjukkan pada Tabel
3. Karena PLC menggunakan pengetahuan dari pengontrol PI, kinerja yang diperoleh dari FLC sama
dengan pengontrol PI. Efisiensi dapat ditingkatkan dengan menyesuaikan fungsi keanggotaan dan aturan
dalam prosedur 3

Untuk mengirimkan output tegangan angker, output dalam bentuk set kabur harus dijaga dengan nilai
yang tajam. Proses ini disebut defuzzifikasi. Dalam makalah ini, pusat metode gravitasi dipilih. Rumus
dari metode ini adalah

Untuk mengirimkan output tegangan angker, output dalam bentuk set kabur harus dijaga dengan nilai
yang tajam. Proses ini disebut defuzzifikasi. Dalam makalah ini, pusat metode gravitasi dipilih. Rumus
dari metode ini adalah Untuk mengirimkan output tegangan armature, output dalam bentuk himpunan
fuzzy harus disesuaikan dengan nilai renyah. Proses ini disebut defuzziftcation. Dalam makalah ini, pusat
metode gravitasi dipilih. Rumus dari metode ini adalah
Esf,
z- EP,
1.1
(7)
Dimana z adalah output dari defuzzitication, S adalah posisi spesifik pada himpunan fuzzy, dan Fr adalah
derajat keanggotaan pada posisi 1101. Prosedur 3: Menyesuaikan fungsi dan aturan keanggotaan fuzzy
Untuk meningkatkan kinerja FLC, peraturan dan fungsi keanggotaan disesuaikan. Fungsi keanggotaan
disesuaikan dengan membuat area fungsi keanggotaan di dekat wilayah ZE lebih sempit untuk
menghasilkan resolusi kontrol yang lebih baik. Di sisi lain, membuat daerah yang jauh dari kawasan ZE
lebih lebar memberi respon kontrol lebih cepat. Selain itu, kinerja dapat ditingkatkan dengan mengubah
tingkat keparahan peraturan [11]. Setelah menyesuaikan fungsi dan aturan keanggotaan, fungsi dan
aturan keanggotaan akhir diperoleh seperti yang ditunjukkan pada Gambar 4, dan Tabel 4.

Result

Pada bagian ini, eksperimen disiapkan untuk menunjukkan kinerja FLC. Kontroler diuji pada kinerja
pelacakan kecepatan yang berbeda baik kondisi beban dan tanpa beban dengan kecepatan yang
diberikan. Beban motor dihasilkan dengan menerapkan beban magnetik pada disk rotasi yang terpasang
pada poros motor. Prosedur ini setara dengan menambahkan beban gesekan ke motor. Dalam tulisan
ini, motor dioperasikan pada radius 93 rad / s. Sinyal voltase dari tachometer tanpa beban ke arah
depan ditunjukkan pada Gambar 9 (a) dan sinyal PWM real-time diilustrasikan pada Gambar 9 (b).
Hasilnya menunjukkan bahwa FLC dapat mengatur kecepatan sudut motor DC dalam kondisi tanpa
beban dengan mengadaptasi siklus proses sinyal PWM. Hasil motor DC yang dioperasikan pada
kecepatan yang sama dalam kondisi beban ditunjukkan pada Gambar 9 (c) dan 9 (d). Hasil ini
menunjukkan bahkan beban yang diaplikasikan, motor DC dapat diatur oleh pengontrol dan masih
berputar pada kecepatan yang sama dengan siklus sinyal PWM yang dikepalai untuk mempertahankan
kecepatan yang dibutuhkan

Conlusion

Makalah ini telah menunjukkan implementasi FLC untuk kontrol kecepatan motor DC dengan
menggunakan mikrokontroler fuzzy. FLC mudah diterapkan dan membutuhkan sejumlah kecil
komponen murah dalam ukuran yang kompak. Pengontrol menunjukkan kinerja pelacakan kecepatan
yang baik pada kondisi beban dan tanpa beban. Ukuran FLC dapat dikurangi untuk aplikasi yang lebih
kecil dengan menghilangkan beberapa komponen redundan seperti LCDmenampilkan atau mendesain
ulang tata letak papan. Karena keanggotaan dilempari dalam ukuran kecil RAM, kinerja pengendali juga
dapat dengan mudah diperbaiki dengan menambahkan fitur algoritma logika fuzzy neuro-fuzzy atau
adaptif.
UCAPAN TERIMA KASIH Penulis mengucapkan terima kasih kepada Scott Elliot, Jeff Strang, Daniel Wang
dan Kevin Ross atas bantuan mereka dalam proyek ini.
Identifikasi sidik jari adalah metode biometrik paling matang yang diterapkan pada tingkat awal sejak
1960. Pengenalan sidik jari dapat dilakukan dengan dua metode: "satu-ke-satu" (verifikasi) dan "satu-ke-
banyak": identifikasi N ). Metode pertama diterapkan saat kita memiliki dua sidik jari dan kita ingin
memastikan apakah mereka milik orang yang sama. Yang kedua digunakan saat kita memiliki satu sidik
jari dan kita mencari di data base. Verifikasi jauh lebih mudah dan cepat karena kita memiliki dua sidik
jari dan kita hanya perlu membandingkannya. Di sisi lain, identifikasi tersebut menyiratkan waktu
momok untuk mengekstraksi sidik jari karena mereka memerlukan lebih banyak rincian. Sidik jari saya
tidak dibandingkan dengan gambar, mereka menggunakan metode berdasarkan titik karakteristik yang
disebut "minutiae". Titik-titik ini ditandai dengan ujung punggungan (ujung mendadak dari punggungan),
bifurkasi ridge (punggungan tunggal yang terbagi dalam dua ridge), delta (pertemuan punggungan
berbentuk Y), inti (pola putar U dalam belenggu), dll. Semua fitur ini dikelompokkan dalam tiga jenis
garis: garis akhir, garis bifurkasi dan garis pendek. Setelah titik-titik kecil terlokalisasi, peta dengan
semua lokasi mereka di jari dibuat. Setiap titik minutiae menghubungkan dua koordinat (x, y), sudut
orientasi dan ukuran untuk kualitas sidik jari. Pencocokan dua sidik jari tergantung pada posisi dan
rotasi. Untuk tukang batu ini, setiap sidik jari diwakili, tidak hanya, sebagai sekelompok titik dengan dua
koordinat, tetapi juga, sebagai sekelompok titik dengan koordinat relatif terhadap titik lainnya. Hal ini
memungkinkan memperoleh posisi unik dari satu titik mengenai tiga poin lainnya. Tiga titik yang dipilih
tidak boleh collinear. Bila dua sidik jari dibandingkan, pertama saya membandingkan koordinat
relatifnya. Jika tahap ini berakhir dengan sukses, koordinat ini diubah dalam koordinat 2D dan
diverifikasi. Setelah memverifikasi sidik jari, hasilnya akan memberi tahu kami jika mereka berasal dari
orang yang sama dengan probabilitas tinggi. Namun, kasus ketika probabilitas kepemilikan sidik jari
adalah 0 (salah) atau 1 (benar) jarang terjadi. Pada sebagian besar kasus, probabilitasnya adalah
bilangan p E untuk, ij. Fakta ini mengarah pada logika fuzzy. Nilai dalam logika fuzzy dapat berkisar
antara 0 dan 1 (1 untuk kebenaran absolut, 0 untuk kepalsuan absolut). Nilai fuzzy untuk elemen x akan
mengekspresikan tingkat keanggotaan x dalam himpunan X. Penting untuk disadari bahwa logika fuzzy
menggunakan derajat kebenaran sebagai model matematis dari fenomena ketidakjelasan sementara
probabilitas adalah model matematis dari keacakan.

Di antara semua teknik biometrik, identifikasi berdasarkan sidik jari digunakan pada kebanyakan
aplikasi. Keunikan sidik jari bisa ditentukan oleh pola pegunungan dan titik-titik kecil. Untuk
mengidentifikasi sidik jari input, metode yang diusulkan menggunakan klasifikasi fuzzy dari data. Sistem
yang diusulkan jauh lebih efisien daripada pada FLC yang disajikan pada [8]. Hal ini karena, untuk
mengurangi jumlah poin yang diperlukan, kita menemukan titik-titik kecil dengan menggunakan sistem
penalaran logika fuzzy yang membandingkan dua titik untuk menentukan nilai yang sesuai. Dalam
aplikasi praktis, disarankan untuk menggunakan sistem yang diusulkan dengan sekumpulan implikasi
dan mengumpulkan hasil yang diberikan oleh setiap implikasi, untuk mendapatkan keseluruhan hasil;
Dengan cara ini dapat diperoleh dasar yang lebih kuat untuk hasil yang lebih akurat dari sistem kita.
Kami bermaksud menggunakan hasil ini dalam pekerjaan masa depan, dengan memetakan penempatan
relatif mereka di jari, dan membandingkan semua poinnya dengan yang ada pada sidik jari untuk subset
kanan.