See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/39734788

Sistem Pengendalian LV Kolom Distilasi Biner dengan Internal Model Kontrol

(IMC) Berbasis Neurofuzzy

Article · January 2005

Source: OAI

CITATIONS READS

0 755

1 author:

Totok R. Biyanto
Institut Teknologi Sepuluh Nopember
131 PUBLICATIONS   146 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Energy Efficiency and Process Integrations in Gas Facility Plant View project

Radio Isotope application (Gramature, Gamma Weight Scale) for Industries and Mining View project

All content following this page was uploaded by Totok R. Biyanto on 01 July 2016.

The user has requested enhancement of the downloaded file.

DYNAMIC DATA EXCHANGE UNTUK PENGENDALIAN KOLOM DISTILASI PADA HYSYS MENGGUNAKAN
IMC – NEURO FUZZY PADA MATLAB

Totok R. Biyanto
Jurusan Teknik Fisika - FTI – ITS Surabaya
Kampus ITS Keputih Sukolilo Surabaya 60111
Telp : 62 31 5947188 Fax : 62 31 5923626
Email : totokrb@ep.its.ac.id

ABSTRAK
Makalah ini memaparkan aplikasi DDE (Dynamic Data Exchange) untuk menghubungkan Internal Model Control
berbasis Neuro Fuzzy (IMC-NF) pada Matlab dengan plant kolom distilasi biner pada Hysys.
Penelitian ini dimulai dari pemodelan kolom distilasi menggunakan metode shortcut dan rigourous, pembuatan
Amplitude Pseudo Random Binary Signal (APRBS) yang sesuai untuk plant, mengambil data dinamik plant,
membuat model forward dan model inverse plant, menentukan learning rate dan filter yang sesuai serta
memberikan pelatihan kepada pengendali secara langsung terhubung dengan plant (secara online) untuk belajar
mengeluarkan sinyal manipulated variabel yang mampu membuat output plant (control variabel) mengikuti
perubahan setpoint yang diberikan, mengintegrasikan Matlab dan Hysys, serta menguji performansi sistem
pengendalian. Hasilnya Aplikasi DDE antara Matlab dan Hysys dapat dijalankan dengan baik, dan IMC-NF mampu
mengatasi kekomplekan dan ketidaklinieran kolom distilasi, yang ditunjukkan dengan kekokohan menjaga setpoint
dan harga IAE yang kecil.

Kata kunci : DDE (Dynamic Data Exchange), Hysys – Matlab, Internal Model Control – Neuro Fuzzy

I. PENDAHULUAN
Hysys merupakan software yang banyak digunakan baik oleh kalangan akademik maupun kalangan
industri untuk merancang, memodelkan, mensimulasi dan menganalisa satu atau beberapa unit operasi. Beberapa
algoritma pengendalian tersedia pada software ini. Misalnya PID, On – Off, dan lain – lain. Namun pengembangan
algoritma pengendali tidak disediakan pada software ini.
Disisi lain perkembangan algoritma pengendali sangat pesat seperti Jaringan Syaraf Tiruan (JST), Fuzzy
Logic, MPC, dan sebagainya, yang dibuat menggunakan software Matlab, Visual Basic, dan lain – lain. Dari dua
sisi ini maka perlu diaplikasikan sebuah protokol yang dapat mengkomunikasikan antara plant pada Hysys dan
pengendali pada Matlab [16]. Komunikasi kedua software dapat dilakukan melalui protokol DDE (Dynamic Data
Echange) dengan Matlab sebagai server dan Hysys sebagai client.
Pada penelitian ini algoritma pengendalian yang diaplikasikan adalah Internal Model Control berbasis
Neuro Fuzzy (IMC-NF) pada Matlab untuk mengendalikan kolom distilasi biner pada Hysys.
Penelitian tentang Internal Model Control (IMC) [10] diperoleh kesimpulan bahwa IMC mempunyai struktur
yang sangat kokoh (robust) terhadap gangguan, baik terhadap perubahan setpoint maupun disturbance
penggangu plant.
IMC sebagai sistem pengendalian berbasis model, maka keberadaan suatu model yang merepresentasi
proses yang ditinjau mutlak diperlukan. Pencapaian suatu model dapat dilakukan dengan memanfaatkan kelebihan
yang dimiliki oleh soft computing dalam hal memetakan hubungan nonlinier antara input dan output.
IMC mampu memberikan performansi sistem pengendalian yang lebih baik dibandingkan pengendalian
konvesional. Performansi IMC tergantung kepada ketepatan memodelkan plant dan inverse plant-nya serta
penggunaan filter yang sesuai. Semakin kecil harga λ sampai batas minimum tertentu pada filter orde satu yang
digunakan, maka semakin kecil harga Integral Absolute Error (IAE) yang diperoleh saat pengujian sistem
pengendalian. [2,4,5].
Simulasikan IMC untuk peralatan laboratorium proses dengan Matlab dan memperoleh hasil yang baik
namun masih menimbulkan osilasi pada keadaan tunak, sehingga menyarankan pemodelan yang lebih baik [12],
Unsur adaptif pada pengendali JST disarankan [6] agar diperleh pengendali yang lebih robust, serta tuning yang
lebih baik disarankan [13] untukmendapakan respon yang lebih baik. IMC-JST untuk mengendalikan kolom distilasi
biner dan memperoleh error steady state yang baik dan stabil dengan mengatur filter dan lerning rate pada
pengendali telah dilakukan [1], namun masih mempunyai harga IAE yang lebih besar dibandingkan dengan IMC
konvensional

1
 Dari semua penelitian mengenai IMC tersebut, perlu dilakukan penelitian untuk memperbaiki performansi
pengendalian IMC. Salah satu cara adalah dengan memanfaatkan kemampuan neurofuzzy [7] dalam membuat
model forward dan model inverse.
Dengan adanya DDE diharapkan banyak aplikasi plant yang berupa satu variabel proses maupun
plantwide control dapat dikomunikasikan dengan decentralized control (pengendali SISO) maupun centralized
control (pengendali MIMO) menggunakan berbagai algoritma.
Tujuan dari penelitian ini adalah sebagai berikut :
 Mengintegrasikan proses kolom distilasi pada software Hysys dengan pengendali IMC-NF pada software
Matlab.
 Mengetahui performansi dari sistem pengendalian proses kolom distilasi dengan menggunakan algoritma
kontrol IMC-NF.

II. TEORI PENUNJANG

2.1. Konsep dasar Dynamic Data Exchange (DDE) [16]
DDE merupakan akronim untuk Dynamic Data Exchange. DDE adalah protokol komunikasi yang dirancang
oleh Microsoft untuk mengijinkan aplikasi yang ada pada lingkungan Windows dapat saling menukar data satu
sama lain untuk mengiimplementasikan suatu hubungan client – server antara dua aplikasi yang concurrently
running. Aplikasi server menyediakan data dan menerima permintaan data dari aplikasi lain. Sedangkan aplikasi
yang melakukan permintaan data disebut dengan aplikasi client.
DDE sering digunakan untuk mengumpulkan dan mendistribusikan data, serta akuisisi data. aplikasi client
dapat menggunakan protocol komunikasi DDE untuk satu kali transfer data atau untuk saling menukar data
dengan aplikasi lain, dimana data terbaru akan segera dikirimkan pada saat informasi yang baru tersedia. Sebagai
contoh, pada industri yang menggunakan suatu sistem automatisasi, aplikasi DDE client suatu sistem automatisasi
proses yang melakukan process historical trending dapat mengirimkan data pada spreadseheet cell pada aplikasi
microsoft excel untuk lebih memudahkan pengolahan data.
DDE merupakan suatu protokol komunikasi standar yang dapat digunakan oleh beberapa aplikasi Windows
yang membutuhkan layanan untuk dapat melakukan komunikasi data dengan aplikasi lain. berikut contoh
beberapa aplikasi yang dapat melakukan komunikasi menggunakan protokol DDE diantaranya Microsoft Excel,
Lotus 1-2-3 for Windows, InTouch, Hysys, Visual Basic, dan Delta-V.
Untuk mendapatkan data dari aplikasi lain, suatu aplikasi DDE client akan membuka suatu jalur komunikasi
untuk aplikasi server dengan mencantumkan dua hal yakni server application name dan topic name (subyek dari
percakapan) yang dimaksud. Pada saat channel sudah terbuka, item data (referensi data) yang terdapat pada
topic dapat dibaca maupun dikirimkan baik dari/ke aplikasi client maupun server. Sebagai contoh, untuk aplikasi
Excel, application name adalah "Excel." dan topic name adalah spreadsheet yang akan diambil datanya. Item
name adalah cell dimana terdapat data pada spreadsheet.
Service name untuk Matlab adalah Matlab. Service name untuk Microsoft Word untuk Windows adalah
WinWord. Service name untuk Microsoft Excel adalah Excel. Topic didefinisikan sebagai subyek untuk kedua
aplikasi client dan server dari suatu komunikasi DDE. Matlab topic adalah System dan Engine. Setiap topic
mendukung satu atau lebih item. Sebuah item diterjemahkan sebagai data yang berpindah selama kominikasi DDE
berlangsung. Sensitifitas dari item tergantung pada aplikasi.

2.2 Dynamic Data Exchange (DDE) pada Matlab

Matlab menyediakan suatu fungsi yang mengijinkan Matlab untuk dapat mengakses aplikasi Windows yang
lain dan sebaliknya dalam konteks ruang lingkup yang luas. Fungsi ini menggunakan suatu protokol komunikasi
dynamic data exchange (DDE) untuk saling berkomunikasi satu sama lain dan saling menukar data
Gambar 1 menunjukkan bagaimana Matlab sebagai server melakukan komunikasi. Aplikasi client
berkomunikasi dengan modul Matlab DDE server menggunakan fungsi DDE.

Gambar 1. DDE pada Matlab

2
 Client akan menuliskan data ke Matlab menggunakan suatu perintah DDE poke operation. Engine topic
akan memperbarui dan menuliskan matrik data berupa item – item data yang sudah ditentukan pada Matlab
workspace. Item yang dimaksud adalah matrik yang akan diperbarui atau yang akan dituliskan nilainya. Jika matrik
yang dimaksud dengan nama tertentu sudah ada pada workspace, maka data tersebut akan diperbarui. Jika tidak
maka data baru akan ditambahkan pada workspace. Data matrik dapat berupa Text atau XLTable.
Pada saat Matlab diakses sebagai server, maka harus dipastikan bahwa kita sudah memasukkan service
name, topic, dan item yang dimaksud. Gambar 2 menunjukkan ilustrasi hirarki nama pada Matlab:

Gambar 2. Hirarki nama pada Matlab untuk komunikasi DDE

2.3 Eksternal HYSYS controller pada DDE server

Salah satu diantara dua driver Hysys DDE (Dynamic Data Exchange), DCS (Distributed Control System)
digunakan untuk melakukan komunikasi antara Hysys dengan DDE Server menggunakan protokol Dynamic Data
Exchange sebagai berikut

 DDE Synchronous Tag Based Client

 DDE Synchronous Array Based Client

Kedua driver diatas adalah driver DDE client yang digunakan untuk melakukan komunikasi dengan DDE server.
Komunikasi akan terjadi pada saat tombol enable diaktifkan dan sebaliknya. Hysys DDE Drivers akan mendeteksi
pada saat server tidak terhubung dengan client. Transaksi DDE client juga diindikasikan secara periodik sesuai
dengan interval data transfer yang dikonfigurasikan pada Hysys DCS interface, Drivers page tab of the DCS View.
Nilai PV akan ditransfer apabila status value berada pada kondisi DCS. Nilai PV tidak ditransfer apabila nilai
statusnya adalah internal. output hanya akan dituliskan dari DDE server (Matlab) ke DDE client (Hysys) jika kondisi
status controller berada pada kondisi DCS. Hanya data nilai setpoint yang ditransfer jika status eksekusi controller
pada kondisi internal.

2.4. Integrasi antara DDE server dan DDE Client

Integrasi antara Hysys dengan DDE server (Matlab) dapat menunjukkan bagaimana Hysys DCS link dapat
digunakan untuk membantu pengembangan algoritma kontrol dengan menggunakan suatu software lain untuk
menghitung aksi kontrol menggunakan Hysys sebagai model dari proses. Jika DCS link diaktifkan (enabled),
aplikasi eksternal berinteraksi dengan pengendali controller internal Hysys.
Seperti yang dijelaskan pada sub-bab sebelumnya, apabila status internal controller Hysys diset pada
kondisi internal, maka hanya controller setpoint yang dirubah secara eksternal sehingga internal hysys controller
masih menghitung nilai output sesuai dengan algortima kontrol yang digunakan.
Apabila kedua status internal controller dan status diset pada kondisi DCS, maka sebuah program eksternal
digunakan untuk merubah nilai setpoint dan melakukan perhitungan output dari controller. Mekanisme ini akan
menyebabkan suatu eksternal controller untuk menggantikan internal Hysys controller. Output dari eksternal
controller dicatat secara langsung pada output internal Hysys controller dengan mengabaikan internal Hysys
controller.

3
2.5. Metode Shortcut Kolom Distilasi
Metode shortcut atau metode pendekatan adalah metode yang menggunakan persamaan Fenske,
Underwood, dan Gilliland (FUG) sebagai dasar perhitungannya.:
 Penentuan tray minimum (Nm) dengan persamaan Fenske.
Penentuan jumlah stage minimum adalah jumlah stage yang dibutuhkan pada kondisi total refflux.
Pada kondisi total refflux, jumlah stage teoritis yang dibutuhkan adalah

 Xd Xb 
log  LK  HK  (1)
Nm   Xd HK Xb LK 
 
log  m 
 

 m   LK HK 
1
dengan 2

 Penentuan rasio refluks minimum (Rm) dengan persamaan Underwood.

Apabila semua komponen yang ada di dalam umpan terdistribusi maka nilai dari rasio refluks adalah:
 X LK , D X HK , D 
   LK , HK F 
L  Z LK , F Z HK , F  . (2)
Rm    
 D m  LK , HK  F
1

 Penentuan jumlah tray (N) dan Actual Ratio (R) dengan korelasi Gilliland.
Gilliland melakukan studi eksperimental untuk menghubungkan antara N dengan Nm, Rm dan R,
dengan

N  N Nm X iD , X iB ,  , RmZ iF , X iP , q,  , R .. (3)

Gambar 3 Korelasi Gilliland [1]

Molokanov, korelasi Gilliland disajikan sebagai fungsi matematik sebagai berikut:

N  Nm  1  54,4 X  X  1  .
Y  1  exp    (4)
N 1  11  117,2 X  X 0.3 
R  Rm
dengan X 
R 1

4
  Penentuan letak tray umpan (NF) dengan persamaan Kirkbride.

0.206
 Z  X LK , F   B 
2
N
NF  R   HK , F     . (5)
N S  Z LK , F  X HK , F

  D 

 

2.6 Rigourus Model Kolom Distilasi Biner

Kolom distilasi biner mempunyai kesetimbangan massa [9] dan energi [1] yang dapat diterangkan sebagai
berikut :
 Kesetimbangan massa dan panas pada kondensor dan reflux drum

Distilate

Gambar 4 Kesetimbangan massa pada kondensor dan reflux drum

Neraca massa total :
dM D (6)
 V NT  L NT 1  D
dt
Neraca massa komponen :
d (M D X D ) (7)
 VNT YNT  ( LNT 1  D) X D
dt
Neraca panas :
d ( M D hD ) (8)
 VNT H NT  LNT 1hNT 1  DhD  Qc
dt

 Kesetimbangan massa dan panas pada tiap tray

Neraca massa total :
dM n (9)
 Ln 1  Ln  Vn 1  Vn
dt
Neraca massa komponen :
d (M n X n ) (10)
 Ln 1 X n1  Ln X n  Vn 1Yn1  VnYn
dt
Neraca massa panas :
d ( M n hn ) (11)
 Ln 1hn 1  Ln hn  Vn 1 H n 1  Vn H n
dt

Gambar 5 Kesetimbangan massa pada tiap tray

5
  Kesetimbangan massa dan panas pada tray umpan ( n = NF )

Gambar 6 Kesetimbangan massa pada tray umpan

Neraca massa total :
dM NF (12)
 LNF 1  LNF  F  VNF 1  VNF
dt
Neraca massa komponen :
d ( M NF X NF ) (13)
 LNF 1 X NF 1  LNF X NF  VNF 1YNF 1  VNF YNF  Fz X F
dt
Neraca panas :
d ( M NF hNF ) (14)
 LNF 1hNF 1  LNF hNF  VNF 1 H NF 1  VNF H NF  Fh F
dt
Neraca panas :
d ( M n hn )
 Ln 1hn 1  Ln hn  Vn 1 H n 1  Vn H n (15)
dt

 Kesetimbangan massa dan panas pada reboiler dan base kolom

Neraca massa total :
dM n (16)
 L1  VRB  B
dt
Neraca massa komponen :
d (M B X B )
 L1 X 1  VRB YB  BX B (17)
dt
Neraca panas :
d ( M B hB )
 L1 h1  VRB H B  BhB  QR (18)
dt

Bottom Product

Gambar 7 Kesetimbangan massa pada Reboiler dan base kolom

2.7 IMC (Internal Model Control )

Internal Model Control (IMC) adalah metode pengendalian yang berdasarkan model dari suatu proses
sebagai pedoman untuk mendesain sistem pengendalian yang stabil dan robust. Dimana suatu sistem
pengendalian yang robust adalah sistem pengendalian yang aman pada perubahan proses dinamik [10]

6
 Blok diagram untuk feedback controller dan struktur pengendali IMC pada gambar 8 sampai gambar 12.
Dimana Gp adalah fungsi transfer plant, Gc adalah fungsi transfer pengendali, Gu adalah fungsi transfer
disturbance, Gi adalah fungsi transfer inverse model, Gm adalah fungsi transfer forward model, R adalah setpoint,
U adalah disturbance, U1 adalah output plant yang disebabkan perubahan disturbance dan C adalah control
variable
U

Gu

R + U1 C
Gc Gp
+ +
-

Gambar 8. Feedback controller

Hubungan antara Gc dan Gi ditunjukkan pada persamaan :

G c  G I /(1  G IG m ) (19 )
Untuk struktur pada gambar 11, menunjukkan bahwa :
GGI (20 )
C  U1  [R  U1 ]
1  G I (G  G m )
Jika model tepat sama dengan proses (Gm = Gp), maka hanya sinyal U1 yang masuk ke dalam
komparator 1 pada gambar 9. Ketika U1 tidak menghasilkan proses apapun oleh fungsi transfer pada loop forward,
U1 bukan merupakan sinyal feedback tetapi sinyal bebas yang equivalent dengan R dan menghasilkan keluaran C.
Pada kenyataannya, tidak ada feedback ketika Gp = Gm dan gambar 9 akan menghasilkan sistem open-loop
seperti ditunjukkan pada gambar 12.

Gu

R + U1 C
Gi Gp
+ +
-

- +
Gm

Gambar 9. Struktur IMC

U1

+
R + + + C
GI Gp
-
+

Gm

Gambar 10. Alternatif struktur IMC

7
 Gambar 11. Struktur IMC equivalent dengan kontrol konvensional
U1

+
R + + C
GI Gm
-

U1

Gambar 12. Struktur IMC ketika model sesuai dengan proses (Gm = Gp)

Pada gambar 12 stabilitas dari sistem pengendalian bergantung hanya pada G I dan Gm. Jika GI dan Gm
stabil, maka sistem pengendalian stabil.
G IG m  1 (21)
G I  1/ G m (22)
IMC hanya membutuhkan satu parameter pengendali λ sebagai filter (persamaan 23), agar dapat menjadi
pengendali yang cukup robust untuk gangguan load dan set point
1
f ( s)  (23)
(s  1)

2.8. Adaptive Neuro Fuzzy Inference System (ANFIS)

Struktur ANFIS [7,8] yang merupakan mekanisme penalaran fuzzy Sugeno atau sebagai arsitektur jaringan
syaraf feed-forward. Struktur ANFIS terdiri dari lima lapisan yang tiap-tiap lapisan mempunyai fungsi yang
tertentu. Simpul kotak yang ada pada gambar 13 menyatakan simpul adaptif, yang yang parameternya dapat
berubah dengan pembelajaran, sedangkan lingkaran menyatakan simpul non adaptif yang nilainya tetap.

Parameter premis

X Parameter konsekuen

A1

X A2 TT N 1
A3
TT N 2
B1
z
LAYER 5
TT N 3
Y B2

B3 LAYER 2 LAYER 3 LAYER 4

Y
LAYER 1

Gambar 13. Struktur ANFIS dengan dua input.

Struktur ANFIS diatas dengan bentuk umum dua aturan fuzzy if-then seperti yang ditunjukkan pada
persamaan sebagai berikut :
Lapisan 1. Semua simpul pada lapisan ini adalah simpul adaptif (parameter dapat berubah) dengan fungsi
simpul :

8
 Ol ,i   A ( x) untuk I = 1, 2 atau (24)
Ol ,i   Bi 2 ( y) untuk I = 3, 4 (25)
dengan x dan y adalah masukan pada simpul i, Ai (atau Bi-2) yang merupakan variable linguistic (seperti ‘besar’
atau ‘kecil’). Dengan kata lain O1,i adalah fungsi keanggotaan masing-masing dari sebuah set fuzy (A dan B)
dengan derajat keanggotaan yang ditentukan oleh input x dan y. Simpul O1,i berfungsi untuk menyatakan derajat
keanggotaan tiap masukan terhadap himpunan fuzzy A dan B. Bentuk fungsi keanggotaan pada layer atau lapisan
pertama dapat berbentuk misalnya fungsi keanggotaan gauss, yang dapat ditunjukkan dalam bentuk :
2
1  x  ai 
  
gaussianx, ai , bi   e  i 
2 b
(26)

dimana ai , bi  adalah parameter yang dapat diubah-ubah (parameter adaptif). Selama harga dari parameter ini
berubah-ubah, fungsi keanggotaan bell akan bervariasi bergantung pada parameter yang berubah, sehingga
fungsi keanggotaan untuk set fuzy (A dan B) akan bervariasi. Parameter-parameter pada lapisan ini disebut
sebagai parameter premis.
Lapisan 2. Semua simpul pada lapisan ini adalah non adaptif (parameter tetap). Fungsi simpul ini adalah
mengalikan setiap sinyal masukan yang datang.
O1,2  w i   Ai (x) Bi ( y) ,i = 1, 2 (27)
Tiap keluaran simpul menyatakan kekuatan pengaruh (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 3. Setiap simpul pada lapisan ini adalah simpul nonadaptif yang menampilkan fungsi normalisasi
kekuatan pengaruh (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 (28)
w1  w 2
Apabila dibentuk lebih dari dua aturan, fungsi dapat diperluas dengan membagi w i dengan jumlah total w untuk
semua aturan.
Lapisan 4. Setiap simpul pada lapisan ini adalah simpul adaptif dengan fungsi simpul :
O 4, i  w i f i  w i (p i x  q i y  ri ) (29)
_
dengan wi adalah derajat perngaktifan ternormalisasi dari lapisan 3 dan parameter pi , qi , ri menyatakan
parameter yang adaptif Parameter lapisan ini dinamakan parameter konsekuen.
Lapisan 5. Pada lapisan ini hanya ada satu simpul tetap yang fungsinya untuk menjumlahkan semua
masukan. Fungsi simpul :
 i wi f i
O5,1   wi . f i  (30)
i  i wi

III. PERANCANGAN
3.1 Model kolom distilasi pada Hysys
 Model Shortcut kolom distilasi
Metodologi dimulai dengan mendesain kolom distilasi biner menggunakan metode shortcut untuk
mendapatkan jumlah tray NT, letak feed tray NF, beban reboiler Qr dan kondenser Qc, reflux flow rate L dengan
memberikan informasi komposisi dan flow rate pada feed (Xf,F), distilat (Xd,D) dan bottom produk (Xb,B).

9
 Gambar 14 Model Shortcut

Gambar 15. Process flow diagram kolom distilasi

 Model Rigorous kolom distilasi

Rigours model dibangun berdasarkan hasil shortcut model dengan membuat utiliti pada kolom
secara steady state dan merubah ke mode dinamik dengan menambahkan inventori kontrol dari
mode steady-stead-nya (gambar 15). Menambah inventori kontrol pada tekanan kolom atas, level
reflux drum dan level bottom, penambahan inventori kontrol tidak membuat sistem menjadi close
loop, sistem masih open loop, karena penambahan inventori kontrol masih belum mengendalikan
produk atas dan produk bawah sebagai keluaran dari kolom distilasi. Kontrol komposisi dilakukan
menggunakan strategi kontrol LV.

3.2. Perancagan Pengendali IMC-NF pada Matlab

 Mengambil Data Plant
Pengambilan data ini dilakukan dengan merubah input Plant dengan sinyal APRBS [11] dan mencatat
perubahan output terhadap input. Data tersebut adalah laju reflux (L), laju panas pada reboiler (Qr), fraksi
distilat (Xd) dan fraksi bawah (Xb) yang akan digunakan untuk memodelkan Plant. Dengan metode ini akan
diperoleh data set yang mampu membuat model NF akurat terhadap plant.

10
 Gambar 16. Data input – output pelatihan

 Pemodelan Forward Plant dengan Neurofuzzy

Model proses diperoleh dengan memberikan supervised training dari data set yang diperoleh dari
input dan output Plant. Dalam hal memodelkan Plant forward, laju reflux (L) dan laju steam pada reboiler
(Qr) sebagai input dan fraksi distilat (Xd) dan fraksi bawah (Xb) sebagai output. Sedangkan untuk model
inverse, fraksi distilat (Xd) dan fraksi bawah (Xb) sebagai input dan laju reflux (L) dan laju panas pada
reboiler (Qr) sebagai output, training seperti ini disebut offline training.
Dalam identifikasi plant dengan sebuah model pada penelitian ini menggunakan neurofuzzy.
Model ditempatkan pararel dengan plant dan error antara output dari model dan output plant digunakan
untuk memodifikasi parameter pada model untuk meningkatkan performansi sistem.
Dalam hal memodelkan Plant forward, laju reflux (L) dan laju steam pada reboiler (Qr) sebagai
input dan fraksi distilat (Xd) dan fraksi bawah (Xb) sebagai output.

U yp
e
PLANT
+
-
NF-forward ym
model

Gambar 17. Struktur identifikasi forward Neurofuzzy

Dalam identifikasi, setiap data input akan dihubungkan dengan data output melalui suatu faktor
pengali yang dinamakan bobot. Dalam rangka menentukan bobot agar setiap data input dapat terhubung
dengan data output, diperlukan suatu usaha yang disebut pelatihan atau pembelajaran (training/learning).
Dalam training bobot disesuaikan agar memperoleh output jaringan yang sesuai dengan output proses
atau target. Algoritma pembelajaran ini akan terus menyesuaikan bobot sampai target yang diinginkan
tercapai.

 Pemodelan inverse plant dengan Neurofuzzy

U1
Y out
INVERS MODEL PLANT

+ -

Gambar 18. Metode direct inverse learning[7]

Dalam pemodelan inverse plant dalam penelitian ini menggunakan metode direct inverse learning [7].
Dalam metode direct inverse learning ini, sinyal/data pembelajaran menjadi input bagi plant, dan hasil
output dari plant menjadi input bagi model inverse (network). Output dari model inverse akan
dibandingkan dengan sinyal/data pembelajaran (input plant) dan error hasil perbandingan akan
digunakan untuk pembelajaran bagi model inverse.

11
 Untuk model inverse, fraksi distilat (Xd) dan fraksi bawah (Xb) sebagai input dan laju reflux (L) dan
laju panas pada reboiler (Qr) sebagai output

 Pembelajaran IMC Neurofuzzy secara Online

ey
+ -

+ FILTER & y
Ref MODEL u PLANT
INVERSE
- e2

+
FORWARD z_fwd
MODEL -
e1

Gambar 19. Struktur IMC-NeuroFuzzy online.

Setelah mendapatkan bobot yang sesuai untuk model inverse dan forward, langkah selanjutnya adalah
menempatkan seluruh model kedalam struktur IMC dengan bobot yang telah didapatkan dari hasil
pembelajaran
Model inverse kontroler dalam struktur IMC bersifat adaptif, dimana error (ey) antara output plant dengan
setpoint akan digunakan untuk pembelajaran pada struktur model inverse neurofuzzy untuk mendapatkan
bobot baru dengan tujuan untuk memperkecil error. Dalam pembelajaran online ini IMC Neurofuzzy dituning
dengan menala harga learning rate K pada parameter konsekuen.

3.3 Intergrasi antara Matlab dengan HYSYS.

Integrasi antara Matlab dan Hysys dilakukan dengan menggunakan protokol komunikasi DDE
(Dynamic Data Exchange). Pada sistem komunikasi ini, Matlab berlaku sebagai server dan Hysys sebagai
DDE client

Gambar 20 Strategi simulasi antara Hysys dengan Matlab

Baik Matlab maupun Hysys telah memiliki fasilitas untuk melakukan komunikasi DDE. Fasilitas
komunikasi DDE pada Matlab diantaranya digunakan dengan memanggil fungsi – fungsi tertentu
diantaranya DDEinit, DDEreq dan DDEpoke untuk mengambil data dari Hysys dan mengirimkan data
manipulated variable (output dari controller) untuk masing – masing controller ke Hysys untuk menggantikan
fungsi internal controller yang sudah terdapat pada Hysys. Sedangkan fasilitas komunikasi pada Hysys
dikonfigurasikan melalui DCS interface page tab dengan melakukan setting untuk beberapa nilai item
diantaranya driver, fungsi controller, import variable dan export variable. Setelah mengkonfigurasikan
keduanya, maka request untuk melakukan komunikasi DDE dilakukan dari Hysys dengan merubah kondisi
status fungsi DCS dari disable menjadi enable. Pada saat fungsi DCS pada saat Hysys enable, maka
transaksi data dari / ke Matlab dapat dilakukan. Sehingga Hysys dapat merepresentasikan dan mewakili
model simulasi suatu unit operasi di industri khususnya kolom distilasi dan Matlab sebagai algoritma kontrol.

12
 Gambar 21. HYSYS DCS Interface – PV Export
Nama pengenal komponen DDE yang digunakan untuk mengkonfigurasikan arrays untuk data
transfer nilai setpoint controller, controller outputs, dan process variables adalah nama vektor Matlab yang
didefinisikan pada tabel berikut
Tabel 1. Matlab m.files
Array Array Tags
Setpoint Sp
Output Op
PV Export Pv
PV Import Pvimport
Nama pengenal ini dimasukkan pada General Data page tab pada DCS View. Pada saat Hysys
DCS link diaktifkan, variabel ini akan terlihat pada Matlab command window dengan mengetikkan namanya
pada Matlab command window.

IV. HASIL DAN PEMBAHASAN

Sistem pengendalian kolom distilasi tunggal sistem biner metanol-air dapat diketahui performansinya
dengan melakukan pengujian pada perubahan set-point dan perubahan beban mol flowrate input F dan mol
fraksi input Xf.

4.1 Pengujian Perubahan Set-point

Pada pengujian perubahan setpoint Xd bertambah sebesar 0.001 mempunyai IAE sebesar 0.02199
dan Xb bertambah sebesar 0.001 mempunyai IAE sebesar 0.00570 (Gambar 22). Sedangkan untuk
pengujian perubahan setpoint Xd berkurang sebesar 0.001 mempunyai IAE sebesar 0.02154 dan Xb
berkurang sebesar 0.001 mempunyai IAE sebesar 0.00640 (Gambar 23).

Xb + 0.001 Xd + 0.001

0.0120 0.9915
0.0115 0.9910
%CH4O

%CH4O

0.0110
0.9905
0.0105
0.9900
0.0100
0.0095 0.9895
0 10000 20000 30000 40000 0 10000 20000 30000 40000

waktu(sec) waktu(sec)

Xb Sp Xd Sp

Gambar 22 Perubahan setpoint Xd dan Xb plus 0.001

13
 Xd - 0.001 Xb - 0.001

0.9905 0.0105

0.9900 0.0100
%CH4O

%CH4O
0.0095
0.9895
0.0090
0.9890 0.0085
0.9885 0.0080
0 10000 20000 30000 40000 0 10000 20000 30000 40000

waktu(sec) waktu(sec)

Xd Sp Xb Sp

Gambar 23 Perubahan setpoint Xd dan Xb minus 0.001

Tabel 2 Perbandingan Uji Setpoint

Uji perubahan setpoint
Xd + 0.01 Xd - .0.001 Xb + .0.001 Xb - .0.001
IAE 0.02199 0.02154 0.00570 0.00640

4.2 Pengujian Perubahan beban F dan Xf

Pada pengujian perubahan beban laju flowrate input F dilakukan perubah beban sebesar plus minus
sepuluh persen begitu juga dengan komposisi fraksi input metanol-air Xf dirubah sebesar plus minus
sepuluh persen.

 Pengujian Perubahan Beban Flow Rate F

Pada pengujian perubahan beban mol flowrate F menjadi 550 kgmol/jam diperoleh performansi
sistem pengendalian seperti pada gambar 24 untuk pengaruh terhadap Xd dan Xb. Dari hasil simulasi
diperoleh IAE sebesar 0.0111 pada fraksi atas (Xd) dan IAE sebesar 0.0056 pada fraksi bawah (Xb)

F = 550 kgmol/jam, Xf CH4O:Xf H2O = 0.5:0.5 F = 550 kgmol/jam, Xf CH4O:Xf H2O = 0.5:0.5

0.9902 0.0108
0.9901 0.0106
0.9900
%CH4O

%CH4O

0.0104
0.9899
0.9898 0.0102
0.9897 0.0100
0.9896 0.0098
0.9895 0.0096
0 10000 20000 30000 40000 0 10000 20000 30000 40000
waktu(sec) waktu(sec)

Xd Sp Xb Sp

Gambar 24 Grafik Xd dan Xb terhadap perubahan beban F = 550 kgmol/jam pada struktur LV

Pada pengujian perubahan beban mol flowrate F menjadi 450 kgmol/jam diperoleh performansi
sistem pengendalian seperti pada gambar 25 untuk pengaruh terhadap Xd dan Xb. Dari hasil simulasi
diperoleh IAE sebesar 0.0190 pada fraksi atas (Xd) dan IAE sebesar 0.0062 pada fraksi bawah (Xb)

14
 F = 450 kgmol/jam, Xf CH4O:Xf H2O = 0.5:0.5 F = 450 kgmol/jam, Xf CH4O:Xf H2O = 0.5:0.5

0.0106 0.9905
0.0104 0.9904
0.0102 0.9903

%CH4O
%CH4O

0.0100 0.9902
0.0098 0.9901
0.0096 0.9900
0.0094 0.9899
0.0092 0.9898
0 10000 20000 30000 40000 0 10000 20000 30000 40000
waktu(sec) waktu(sec)

Xb Sp Xd Sp

Gambar 26 Grafik Xd dan Xb terhadap perubahan beban F = 450 kgmol/jam pada struktur LV

 Pengujian Perubahan Beban Xf

Pada pengujian perubahan beban mol flowrate Xf menjadi 0.45 diperoleh performansi sistem
pengendalian seperti pada gambar 27 untuk pengaruh terhadap Xd dan Xb. Dari hasil simulasi diperoleh IAE
sebesar 0.0091 pada fraksi atas (Xd) dan IAE sebesar 0.0027 pada fraksi bawah (Xb)

F = 500 kgmol/jam, Xf CH4O:Xf H2O = 0.45:0.55 F = 500 kgmol/jam, Xf CH4O:Xf H2O = 0.45:0.55

0.0103 0.9903
0.0102 0.9902
0.9902
%CH4O

0.0101
%CH4O

0.9901
0.0100
0.9901
0.0099 0.9900
0.0098 0.9900
0.0097 0.9899
0 10000 20000 30000 40000 0 10000 20000 30000 40000

waktu(sec) waktu(sec)

Xb Sp Xd Sp

Gambar 27 Grafik Xd dan Xb terhadap perubahan beban Xf metanol = 0.45 pada struktur LV

Pada pengujian perubahan beban mol flowrate Xf menjadi 0.55 diperoleh performansi sistem
pengendalian seperti pada gambar 28 untuk pengaruh terhadap Xd dan Xb. Dari hasil simulasi diperoleh IAE
sebesar 0.0113 pada fraksi atas (Xd) dan IAE sebesar 0.0081 pada fraksi bawah (Xb)

F = 500 kgmol/jam, Xf CH4O:Xf H2O = 0.55:0.45 F = 500 kgmol/jam, Xf CH4O:Xf H2O = 0.55:0.45

0.9902 0.0120
0.9901 0.0100
%CH4O
%CH4O

0.9900 0.0080
0.9899 0.0060
0.9898 0.0040
0.9897 0.0020
0.9896 0.0000
0 10000 20000 30000 40000 0 10000 20000 30000 40000
waktu(sec)
waktu(sec)

Xd Sp Xb Sp

Gambar 28 Grafik Xd dan Xb terhadap perubahan beban Xf metanol = 0.55

15
 Tabel 3 Perbandingan Uji Perubahan Beban antar Struktur Kontrol
Uji Perubahan Beban F +10% F - 10% Xf - 10% Xf + 10%
(t = 700 menit)
IAE struktur LV Xd 0.0111 0.0190 0.0091 0.0113
Xb 0.0056 0.0062 0.0027 0.0081

Hasil IAE keseluruhan pengujian perubahan beban laju flowrate input F sebesar plus minus sepuluh
persen begitu juga dengan komposisi fraksi input metanol-air Xf dirubah sebesar plus minus sepuluh persen.
dalam waktu 700 menit dapat dilihat pada tabel 4.2
IMC-NF dengan struktur kontrol LV mampu mengikuti perubahan setpoint serta mampu kembali pada
setpoint semula bila ada disturbance. Hal ini menandakan bahwa IMC-NF dengan struktur LV sesuai untuk
pengendalian kolom distilasi metanol-air dengan menggunakan aliran refluks L untuk mengatur komposisi distilat
Xd dan heat input V ke dalam reboiler digunakan untuk mengatur komposisi bottom Xb. Distillate flow rate D
dipakai untuk mempertahankan reflux drum level dan bottom flow rate B untuk mengatur level pada kolom.

5. KESIMPULAN

 Dari hasil pengujian untuk perubahan setpoint Xd dan Xb sebesar plus-minus 0.001 dari setpoint semula,
diperoleh bahwa IMC-NF mampu mengikuti perubahan setpoint dan IAE yang kecil. Hasil pengujian untuk
perubahan beban mol flowrate F dan mol fraksi input Xf sebesar plus-minus sepuluh persen diperoleh bahwa
IMC-NF mampu mengembalikan setpoint pada setpoint semula bila ada disturbance dan IAE yang kecil.
 Hysys dan Matlab dapat dintegrasikan dengan baik menggunakan suatu protokol Dynamic Data Exchange
yang berbasis client – server komunikasi

DAFTAR PUSTAKA
[1.] Biyanto, TR., Handogo, R., Suhartanto, T, , 24-25 August 2004, “Controlling of a binary distillation column
using Neural Network - Internal Model Control (NN-IMC)”., Post Graduate Seminar IV, Sepuluh Nopember
Institute of Technology Surabaya,
[2.] Chien, I.-L., and Fruehauf, P.S., Consider IMC Tuning to Improve Controller Performance, Chem. Eng.
Prog., 86, October, 1990, pp. 33-41.
[3.] Coughenowr, D.R.,1991, Process System Analisys and Control, McGraw-Hill Inc., Singapore
[4.] Fitriana, F., Sugiarti, L., 1991, “Simulasi Pengendalian Kolom Distilasi Tunggal Metanol-Air dengan Internal
Model Control, (Skripsi)”, Institut Teknologi Sepuluh Nopember Surabaya
[5.] Fruehauf, P.S., Chien, I.-L., Lauritsen, M.D., Simplified IMC-PID Tuning Rules,” ISA Transactions, 33,
1994, pp. 43-59.
[6.] Hussain, M.A, Chew, C. M. , and Wahab A. K. A., “Neural network inverse model based control strategies
tocontrol a tank-level system”, Department of Chemical Engineering, University Malaya, Malaysia
[7.] Jang, J.-S. R.., Sun, C.-T. and Mizutani, E., 1997, Neuro-fuzzy and Soft Computing, dalam Matlab
Curriculun Series, Prentice Hall, Upper Saddle River, NJ, USA.
[8.] Jantzen, Jan. ,2003, Neural and Neurofuzzy Control. Tech. report no 99-H 99 (nefcon)
[9.] Luyben, W.L., 1990, Process Modeling, Simulation, and Control for Chemical Engineers, McGraw-Hill Inc.
Singapore
[10.] Morari, M. and E. Zafirou (1989), Robust Process Control, Prentice-Hall, Englewood Cliffs, NJ
[11.] Norgaard, M,..Ravn, O., Poulsen, N.K., dan Hansen L.K., Nopember 1999, Neural Network for Modelling
and Control of Dynamic Systems, Springer London.
[12.] Ribeiro, B dan Cardoso, A. “A Model-based Neural Network Controller for a Process Trainer Laboratory
Equipment”, CISUC, Portugal.
[13.] Rival, I., Perzonnaz, L,. “Internal Model Control Using Neural Networks”, ESPI, Laboratoire d’Electronique,
France
[14.] Smith J. M., Ness, Van H. C., Abbot M. M. ,2001,. Introduction to CHEMICHAL ENGINEERING
THERMODYNAMICS-sixth edition. McGraw-Hill Companies, Inc
[15.] Tsoukalas, Lefteri H., Uhrig, Robert E. ,1997,. Fuzzy and Neural Approaches in Engineering, A Wiley
Interscience Publication, John Wiley & Sons, Inc, New York.
[16.] Wheatley, Robb, External HYSYS Controllers in a DDE Server, IFACE Group – rev 2, April 16, 1998
[17.] Yan, Jun., Ryan, Michael., Power, James., 1994,. Using Fuzzy Logic, Prentice Hall International (UK).

NOTASI

B = laju aliran produk bawah, laju bottom (kgmol/jam)

D = laju aliran produk atas, laju distilat(kgmol/jam)

16
F = laju aliran umpan, laju feed(kgmol/jam)
IAE = integral absolute error
L = laju liquid (kgmol/jam)
LNT = laju liquid pada tray teratas(kgmol/jam)
Ln = laju liquid pada tray ke-n(kgmol/jam)
Qr = laju steam pada reboiler(kgmol/jam)
R = rasio refluks
V = laju vapor (kgmol/jam)
Vn = laju vapor pada tray ke-n(kgmol/jam)
VNT = laju vapor pada tray teratas(kgmol/jam)
VRB = laju vapor pada reboiler(kgmol/jam)
Xb = fraksi metanol pada produk bawah, fraksi bottom
Xd = fraksi metanol pada produk atas, fraksi distilat
Xf = fraksi umpan, fraksi feed
Xn = komposisi liquid pada tray ke-n
Yn = komposisi vapor pada tray ke-n
YNT = kmposisi vapor pada tray teratas
Yb = komposisi vapor pada reboiler
Zf = fraksi metanol pada umpan, fraksi feed

17

View publication stats