PEMROGRAMAN KOMPUTER

“TUGAS TRANSLATE”

DOSEN PENGAMPU; IZWAR LUBIS,S.T.,M.T.

NAMA : JOSUA MANIK

NIM : 5193520015

PROGRAM STUDI TEKNIK MESIN D3

FAKULTAS TEKNIK

UNIVERSITAS NEGERI MEDAN

2020
 Q ¿ diag {n (1),…,n(n1)} {4.13}

R ¿ diag {α(0),…,α(n2−¿1)} {4.14}

S ¿ diag {a(0),…,a(n2−¿1)} {4.15}

T ¿ diag {τ (0),…,τ (n2−¿1)} {4.16}

Q́=¿ diag {Q,S,T} {4.17}

Melalui prosedur proposedin {64-66),model prediksi terbaik untuk sistem 2D Eq 4.8 dapat
dirumuskan sebagai berikut:

y∆ π
( {tt÷÷n12}f )=Gr ({x ÷ n t2°−1) ÷ y ({tx÷÷ρα1 ) ÷ F
x x−1 ∆ (t)

{4.18}

Formulasi rinci matriks G dan F,(t) dapat ditemukan dalam referensi (64-64),untuk
meminimalkan fungsi biaya F,4,9, hubungan berikut antara matriks.

t t
∆ x ¿), ∆ x (U ∆ {( ¿,
) r { ¿
(
2 ÷ n2−t dan memperbarui variabel 2 1÷ n2−1 dituntut )
t t
( (
∆ t u∑
)) (
t ÷ n2−1
=f ∆
t ÷ n2−1 )
÷ ∆t ¿ (4.19)

t =H ∆ t(U ∆ { t
r2
( )
t ÷n 2−1 (
2 ÷ n2−t )
¿−∆ t ( u∆ (t−1) ) (4.20)

Dimana
1 0 0⋯0
H¿ −1 1 0 ⋯ 0
0 −1 1 ⋯ 0
⋮ ⋮ ⋮⋱ ⋮
0 0 0… 1

∆ £ (u2 ¿ (t)) (4.21)

0
∆ t ( u∆ ( t −1 ) )|n 2= 0
⋮

0 n2 x1
Let V¿ H 1 ,lalu
∆t ¿ (4.27)

Bersama dengan eqs.4,18,4,19 dan 4,22. Model prediksi 2D umum berikut ini didapatkan.

t
X £ ∆ (t) ¿ Ǵ r ∆ { ( f ÷ n2−1 + )
Á X ∆−£ (t)÷ W x(t) (4.23)

Dimana

−G 1 0 0
{ [ ]
Ǵ= I 0 1 0
V 0 0 0
(4.24)

e
X ∆−1(t)¿ ∆ε (U
{ ∆£(U
£ −1 t −¿1 n 2¿
(¿

° ε −1 ‖t ¿1÷

∆−1‖1 ¿t −n2‖
)
n2−1‖
W ∆ (t)¿
(
−F ε 0

V ∆t ( U t
(t)
(t−1) ) (4.25)

t ÷ 1 −Y t÷1
e
∆−1 t ÷1 =Y 1
( )
f ÷n1
( 1−F1
£−1
)
1−n 2 ( ) (4.26)

Berdasarkan model prediksi diatas,itu dihasilkan dari optimalisasi algoritma bahwa fungsi biaya
quadratic dari Eq.4.11 dikurangi dengan hokum control optimal berikut.

r1
(1−nt )=−( R ÷ Ǵ QG´ )−1❑ Ǵ Q́ ( A X
2
τ τ
ε−1
´ ÷W (t ))
(t) ∆
(4.27)

Ini mengikuti dari definisi 4.9 4.12. dan4.24 agar

τ
t =( R ÷G τ QG ÷ S ÷ V τ TV ) −1 Q e ε−1 t ÷ 1 −F ∆ (t ) ¿
r∆
( f ÷ n2−1 ) ¿G t ÷n 2 ( ( ) )
t
−( R ÷ Gτ QG ÷ S ÷ V τ TV ) −1S∆ t ( U ∆ −1
¿ 1−n2
) ( ) (4.28)

τ
−( R ÷ Gτ QG ÷ S ÷ V τ TV ) −1 TV ¿ ∆ t ( U ∆ ( t−1 ) )
¿V
Sekarang,K 2 adalahbaris matriks pertama ( R ÷G QG ÷ S ÷ V TV ) −1berurutan,dan
τ τ
jadi K 3
¿
elemen kiri atas matriks( R ÷ G QG ÷ S ÷ V TV ) −1kemudian 2D =MPILC (Kontrol Pembelajaran
τ τ
¿
Model Prediktif)skema yang diberikan sebagai berikut;

t ÷ 1 −F (t )
( ( )
∑2 DGPILC: ∆ t ( U ∆ ( t) )=∆ε ( U ε−1 (t) ) ÷ K 1 e x−1
t ÷ n2 t
)
t
( (
÷ K 2 ∆1 U ε −1
t ÷ n2−1 ))
÷ K 3 ∆ t ( U £ (t=1) ) (4.29)

r1
(1−nt )=−( R ÷ Ǵ QG´ )−1❑ Ǵ Q́ ( A X
2
τ τ
ε−1
´ ÷W (t ))
(t) ∆
(4.27)

It follows from the defenitions 4.9 4.12. and 4.24 that

τ
t =( R ÷G τ QG ÷ S ÷ V τ TV ) −1 Q e ε−1 t ÷ 1 −F ∆ (t ) ¿
r∆
( f ÷ n2−1 ) ¿G ( ( )
t ÷n 2 )
t
−( R ÷ Gτ QG ÷ S ÷ V τ TV ) −1S∆ t ( U ∆ −1
¿ 1−n 2
) ( ) (4.28)

τ
−( R ÷ G τ QG ÷ S ÷ V τ TV ) −1 TV ¿ ∆ t ( U ∆ ( t−1 ) )
¿V

Now,let K,and K 2 be the first rows of matrices ( R ÷ G QG ÷ S ÷ V TV ) −1respectively,and K 3be

τ τ
¿
τ τ −1
the upper-left element of matrix ( R ÷ G QG ÷ S ÷ V TV ) then the 2D =MPILC (Model
¿
Predictive Iterative Learning Control) scheme is given as follows;

∆ t ( U ∆ ( t) )=∆ε ( U ε−1 (t) ) ÷ K 1 e x−1 t ÷ 1 −F t (t )

∑2 DGPILC:
( ( ) t ÷ n2 )
t
( (
÷ K 2 ∆1 U ε −1
t ÷ n2−1 ))
÷ K 3 ∆ t ( U £ (t=1) ) (4.29)
4.2.2 Injeksi Vetocity Kontrol Dengan 2D-GPILC

2D-GPILC di atas di terapkan untuk pembentukan injeksi sebagai eksperimen untuk mengontrol
kecepatan injeksi.percobaan ini dilakukan pada dua mesin ornamen injeksi, satu dengan 55 ton
kekuatan menjepit dan 80 ton lainnya, baik mesin hidraulik dengan proporsi katup control.dua
jamur digunakan dalam eksperimen iini,serta geometri yang diperlihatkan dalam contoh.4.4.
bahan yang digunakan adalah HDPE.

Sebelum desain controller, tes loop terbuka dilakukan pada mesin 55 ton dengan cetakkan
datar untuk mendapatkan injeksi kecepatan dinamis dan membimbing desain
controller.Hasilnya diplot dari buah ara.4.5.garis yang berlari dalam fig 4.4 menununjukan
proporsi katup kontrol yang dibuka dengan dua perubahan langkah,bentuk perubahan setaha
keatas.