Kontroler Logika Fuzzy

Ir Rusdhianto EAK, MT

Pelatihan PC-Based Control

Desain KLF Tipe PD

Pelatihan PC-Based Control

Desain KLF Tipe PD
 Ke dan Kde digunakan untuk menormalisasi
range error dan delta error ke dalam range -2
s/d +2 atau -3 s/d +3 (ternormalisasi)
 Ku digunakan untuk deNormalisasi range
sinyal kontrol dari -2 s/d +2, atau -3 s/d +3 ke
0 s/d Umax atau ke Umin s/d Umax

Pelatihan PC-Based Control

Langkah-langkah Desain
1. Mendefinisikan fungsi keanggotaan untuk
error, delta error dan sinyal dalam bentuk
ternormalisasi.
1a. Dalam bentuk fungsi segitiga dengan 5 himpunan
pendukung

Pelatihan PC-Based Control

Langkah-langkah Desain
1b. Dalam bentuk segitiga dengan 7 himpunan
pendukung

x dapat berupa error, delta error atau sinyal kontrol

Pelatihan PC-Based Control

Langkah-langkah Desain
Catatan:
 Bentuk fungsi keanggotaan dapat
didefinisikan dalam bentuk yang lain seperti
fungsi distribusi s, Z, Pi dan Gaussian
 Untuk sinyal kontrol unipolar (range 0 –
Umax) hasil defuzifikasi ditambahkan dengan
1, dan ku disetting ku=Umax/2

Pelatihan PC-Based Control

Langkah-langkah Desain
2. Mendefinisikan Rule Base, dengan pilihan
cara:
a. Secara verbal
b. Tabel Mack Vicar Whelan
c. Eksperimen
d. Self organizing

Pelatihan PC-Based Control

Langkah-langkah Desain
2b. Tabel Mack vicar whelan untuk respons waktu relatif
cepat tanpa overshoot

Pelatihan PC-Based Control

Langkah-langkah Desain
Untuk memodifikasi Rule base agar respons lebih
lambat atau respon lebih cepat :

mempercepat respon memperlambat respon

Pelatihan PC-Based Control

Langkah-langkah Desain
3. Mendefinisikan inference Rule, a.l:
3a. Generalize Modul Ponens (GMP) atau Mamdani
Rule
u (k )  max u (k ), min e ( j ), de (i)
3b. Larsent
u (k )  max u (k ), {de ( j ) e (i)}
atau
u (k )  0.5 u (k )  de ( j )  e (i)

Pelatihan PC-Based Control

Langkah-langkah Desain
3c. Formulasi Fuzzi Analitik Takagi Sugeno
u (k )  f (  R ) ; f : fungsi analitik
 R   R E (i), E ( j )

3d. dll

Pelatihan PC-Based Control

Langkah-langkah Desain
4. Mendefinisikan metode fuzzifikasi
- MOM
- COA
5. Melakukan tuning pada Ke, Kde, dan Ku untuk
menyesuaikan range kerja dari e(k), e(k)
dan μ(k) sesuai kebutuhan plant.

Pelatihan PC-Based Control

Desain KLF Tipe PI
 KLF tipe PI dapat dibangun melalui prosedur
desain KLF tipe PD, dengan prosedur desain
sbb.
1. Lakukan prosedur desain KLF tipe PD
2. Definisikan fungsi keanggotaan sinyal kontrol
dengan pusat di 0 (range -1 s/d 1)
3. Buat gain Ku sebagai integral gain Ki
(umumnya dipilih nilai kecil).

Pelatihan PC-Based Control

Desain KLF Tipe PI
4. Skema KLF PI sbb.

Pelatihan PC-Based Control

Desain KLF Tipe PID
 Salah satu struktur KLF tipe PID adalah
model gabungan antara KLF PD dan KLF
PI.
 Prosedur desain KLF tipe PID adalah sbb.
1. Lakukan prosedur desain KLF-PD dan KLF-
PI dengan rule base RB1 dan RB2.
2. Atur gain KuPD dan KuPI sebagai gain
diferential dan gain integral.

Pelatihan PC-Based Control

Desain KLF Tipe PID

 Catatan: RB1 boleh sama dengan RB2,

struktur menjadi lebih sederhana.
Pelatihan PC-Based Control
 Jaringan Syaraf
Tiruan (JST)
Artificial Neural Network (NN)

Pelatihan PC-Based Control

JST
 Adalah salah satu bentuk penyederhanaan
dari jaringan sistem syaraf biologis
dinyatakan dalam formulasi matematika
jaringan simbolik

Pelatihan PC-Based Control

Pemodelan Sel Syaraf
(Neuron)

Pelatihan PC-Based Control

Pemodelan Sel Syaraf
(Neuron)
 Xi, i = 1…N : N buah input pada Neuron
 Wi, i = 1…N : N buah bobot untuk 3 input
  = proses pengumpulan informasi, didefinisikan
sebagai jumlahan dari perkalian nilai input dengan
bobot.
N
Z   Wi X i

i 1

 f(i) = proses penarikan kesimpulan, didefinisikan

sebagai fungsi aktivasi dari proses sebelumnya.
 y : output dari Neuron, y = f(z)

Pelatihan PC-Based Control

Berbagai Bentuk Fungsi Aktivasi

a. Linier, y = z
 = learning gain
y

Pelatihan PC-Based Control

Berbagai Bentuk Fungsi Aktivasi

 Linier dengan saturasi

y = 1 untuk Z > Zmax
y = -1 untuk Z < -Zmin
y

-zmin z

zmax

Pelatihan PC-Based Control

Berbagai Bentuk Fungsi Aktivasi

c. Hard Limiter
y = sign (Z)
y

+1

-1

Pelatihan PC-Based Control

Berbagai Bentuk Fungsi Aktivasi

d. Unipolar sigmoid
1
y
1  exp( Z )

1/2

Pelatihan PC-Based Control

Berbagai Bentuk Fungsi Aktivasi

e. Bipolar sigmoid
y = tanh(z)
y

-1

Pelatihan PC-Based Control

Arsitektur JST
 Struktur JST dapat diklasifikasikan atas
beberapa struktur, a.l.:
1. Single Layer Feed Forward Networks
x1 y1

input
layer x2 y2

output
layer

xN yN

neuron input nueron output

Pelatihan PC-Based Control

Arsitektur JST
b. Multilayer feedforward networks

x1 y1

input
layer x2 y2

output
layer

xN yN
hidden layer

neuron input nueron output

Pelatihan PC-Based Control

Arsitektur JST
3. Recurrent Network

x1 y1

x2 y2

xN yN

feedback link

Pelatihan PC-Based Control

Karakteristik JST
1. Memiliki kemampuan pemetaan
2. Memiliki mekanisme learning melalui training
pada suatu kasus
3. Memiliki kemampuan memprediksi
4. JST merupakan sistem yang robust, fault
tolerant
5. Memproses data secara paralel, high speed
dan distributed
Pelatihan PC-Based Control
Proses Learning JST
 Adalah proses untuk merevisi nilai bobot
berdasarkan pada kriteria tertentu yang harus
dipenuhi oleh hubungan input output dari JST

Pelatihan PC-Based Control

Proses Learning JST
Dapat diklasifikasikan atas:
a. Supervised learning (error base)
- Error correction gradient descent
- back propagation
- least mean square
- Stochastics
b. Unsupervised learning
- Hebbian
- Competitive
c. Reinforce learning (output base)
Pelatihan PC-Based Control
Berbagai arsitektur JST
 ADALINE (Adaptive Linear Neural Element)
 ART (Adaptive Resonance Theory)
 BAM (Bidirectional Associative Memory)
 Hopfield Network
 RBF Radial Basis Function
 dll

Pelatihan PC-Based Control

Penggunaan JST Dalam Sistem
Kontrol
1. Untuk Kontroler
2. Untuk pemodelan plant
3. Untuk mekanisme estimasi dan prediksi
4. Filtering, dll

Pelatihan PC-Based Control

JST Sebagai Kontroler

model yang
diinginkan
+
learning signal

training + JST
signal kontroler plant

Pelatihan PC-Based Control

JST untuk Permodelan Plant

plant

+
training learning signal
signal

-
JST

Pelatihan PC-Based Control

Desain kontroler JST untuk
Sistem Pengaturan
 Prosedur Desain

1. Tentukan struktur kontroler JST

1a. Menetapkan jumlah neuron, input, hidden dan
output
- Jumlah input neuron tergantung pada
orde kontroler
- Jumlah neuron hidden sembarang
- Jumlah neuron output tergantung pada
jumlah input plant

Pelatihan PC-Based Control

Prosedur Desain
1b. Menetapkan bentuk fungsi aktivasi
- Umumnya digunakan fungsi bipolar sigmoid
untuk output layer dan linier untuk hidden layer
- Gain learning  dapat dipilih sembarang

Pelatihan PC-Based Control

Prosedur Desain
Contoh struktur kontroler JST-ARMA (NARMA) orde
2 dengan satu hidden layer
i
j
e(k)
Z-1

e(k-1) k
u(k)
Z-1
e(k-2)

u(k-2)
w(j,k)
Z-1
w(i,j)
u(k-1)
Z-1

Pelatihan PC-Based Control

Prosedur Desain
2. Tentukan model hasil desain yang diinginkan

yr(s) N(s) ym(s)

D(s)

Pelatihan PC-Based Control

Prosedur Desain
3. Struktur sistem untuk proses learning

ym(s)
N(s)
D(s) +
learning signal

yr + JST
kontroler plant

Pelatihan PC-Based Control

Prosedur Desain
4. Susun algoritma untuk learning bobot kontroler JST
dengan Back Propagation
- Formulasi forward (perhitungan sinyal kontrol)
N
Z   wij xi
h
j
i 1

y hj  f j ( Z hj )
m
Z   w jl y jh
l
0

j 1

yl0  ul  f h ( Z l0 )
fj dan fl fungsi aktivasi
Pelatihan PC-Based Control
Prosedur Desain
- Formulasi backward (revisi bobot)
- Revisi bobot neuron hidden ke output

y p (k )  y p (k  1)
( k )   y  f
w jl (k  1)  w jl m (k )  y p (k )  l
u (k  1)  u (k  2) z
l
l

Pelatihan PC-Based Control