Anda di halaman 1dari 84

Identifikasi Sistem


Pemodelan Empirik

Dr. Abdul Wahid Surhim


2019

1
Tujuan Pembelajaran

Saat kuselesaikan bab ini, kuingin dapat melakukan
hal-hal berikut.

• Disain dan implementasi sebuah


eksperimen yang baik
• Melakukan kalkulasi secara grafik
• Melakukan kalkulasi secara statistik
• Mengkombinasikan pemodelan dasar dan
empirik untuk sistem proses kimia 2
Kerangka Kuliah

Kerangka Kuliah

• Disain eksperimen untuk bangunan


model
• Process reaction curve (graphical)
• Estimasi parameter statistik
• Estimasi parameter dengan nonlinear
least square
• Workshop
3
Tujuan Identifikasi Sistem

Untuk membangun sebuah
model matematika dari sebuah
sistem dinamik didasarkan pada
sinyal input dan output sistem
4
Prosedur Identifikasi Sistem

• Disain
Tahap 2 • Estimasi
Tahap 4
percobaan model
• Akuisisi data
• Analisis data
• Validasi model • Aplikasi
• Pemrosesan
awal data model
Tahap 1 Tahap 3

5
Jenis Data
NO JENIS DATA
1 Time-domain
 KETERANGAN
• Satu atau lebih variabel input dan satu atau lebih variabel
I/O data output, di-sampel sebagai sebuah fungsi waktu.
• Datanya dapat berupa real atau kompleks
2 Time-series • Hanya ada satu atau lebih data variabel output, tidak ada
data input yang dihitung.
• Dapat berupa time-domain atau frequency-domain
3 Frequency- Transformasi Fourier dari sinyal time-domain input dan output
domain data
4 Frequency- • Harga-harga respons-frekuensi kompleks untuk sistem linear
response data yang dikarakterisasi oleh fungsi alih G-nya
• Dapat diukur menggunakan penganalisis spektrum 6
• Disebut juga frequency function data
Jenis Model Matematika

Model

Statik Statik
(Aljabar) Komparatif
Dinamik

Mekanistik Empirik Black-Box Model


(White-Box Model) (Grey-Box Model)

First Principle Identifikasi ANN, Fuzzy


Sistem 7
Grey-Box Model

1. Fungsi alih orde-lebih rendah: FOPDT atau SOPDT
2. Model ruang-keadaan (state-space model)
3. Model polinomial input-output (LINEAR)
a) ARX (AutoRegressive model with eXternal input)
b) ARMAX (AutoRegressive Moving Average model with
eXogenous inputs)
c) Box-Jenkins (BJ)
d) Output-Error (OE) 8
Pressure Control

9
Pemodelan Proses
Model Empirik vs Mekanistik

 Model Empirik
 Diturunkan dari uji kinerja pada proses
nyata
 Tidak didasarkan pada mekanisme yang
melandasinya
 Mencocokkan fungsi tertentu untuk
mencocokkan proses
 Hanya gambaran lokal dari proses saja
(bukan ekstrapolasi)
 Model hanya sebaik datanya

10
Pemodelan Proses

Model Empirik vs Mekanistik
Model Mekanistik
Berlandaskan pada pemahaman kita tentang sebuah proses
Diturunkan dari prinsip pertama
Mengobservasi hukum kekekalan massa, energi dan
momentum
Berguna untuk simulasi dan eksplorasi kondisi operasi
yang baru
Mungkin mengandung konstanta yang tidak diketahui
11
yang harus diestimasi
Pemodelan Empirik

Kita telah menginvestasikan sejumlah usaha untuk
Mempelajari pemodelan dasar. Kenapa kini kita
Mempelajari pendekatan empirik?

PERTANYAAN BENAR/SALAH

Kita memiliki semua data yang diperlukan untuk


mengembangkan sebuah model dasar dari sebuah proses
kompleks
Kita memiliki waktu untuk mengembangkan sebuah model dasar
dari sebuah proses kompleks
Eksperimen adalah mudah untuk dilakukan di sebuah proses
kimia
Kita perlu model yang sangat akurat untuk teknik pengendalian12
Pemodelan Empirik
 Sasaran
 Untuk mengidentifikasi dinamika proses orde
rendah (model fungsi alih orde satu dan dua)
 Mengestimasi parameter proses (K,  dan )
 Metode
 Process Reaction Curve (PRC)
 Statistik s
 Least Square K p e
FOPDT 
 Rough Model s  1

13
Prosedur Pembuatan Pemodelan
Empirik
Pengetahuan awal Mulai

Bukan hanya

Disain Eksperimen
Pengendalian
proses Percobaan Pabrik
Menentukan Struktur Model

Estimasi Parameter

Evaluasi Diagnosis
Data
Alternatif Verifikasi Model
14
Lengkap
Prosedur Pembuatan Pemodelan
Empirik
Mulai

Nampak sangat umum; itu!


Bagaimanapun, kita masih
perlu memahami prosesnya!
 Disain Eksperimen

Percobaan Pabrik

Menentukan Struktur Model

Estimasi Parameter

Evaluasi Diagnosis
T

A Verifikasi Model

Lengkap

• Mengubah suhu 10K pada reaktor pirolisis


etana diperbolehkan.
• Mengubah suhu pada sebuah ?? Reaktor
akan membunuh mikroorganisma 15
Process Step Testing: Prosedur

Kontroler disetel manual, perubahan step yang cukup besar
pada sinyal keluaran kontroler m(t) (MV-manipulated
variable) dilakukan.
Respon sinyal keluaran transmitter c(t) dicatat pada (kertas)
recorder.
Hasil plot c(t) terhadap waktu (disebut process reaction curve
atau PRC) harus meliputi seluruh test dari awal hingga
mencapai kestabilan baru.
16
Pressure Control

17
Pressure Control

Set Point

18
Panel Kontroler: Setpoint Testing

19
Needle Valve: Disturbance Testing

20
Prosedur Pembuatan Pemodelan
Empirik

 Kondisi operasi kasus dasar


Mulai •

Disain Eksperimen
• Definisi perturbasi
• Variabel yang diukur
Percobaan Pabrik
• Durasi

Menentukan Struktur Model • Dengan aman


• Berdampak kecil terhadap kualitas
Estimasi Parameter produk
• Efek terhadap keuntungan kecil
Evaluasi Diagnosis • Kita akan menggunakan linear.
• Berapa orde, dead time, dsb?
Verifikasi Model

Lengkap
21
Prosedur Pembuatan Pemodelan
Empirik


Mulai

Disain Eksperimen

Percobaan Pabrik

Menentukan Struktur Model • Gain, konstanta waktu, dead time ...

Estimasi Parameter
• Apakah model cocok dengan data yang
Evaluasi Diagnosis digunakan untuk mengevaluasi
parameter?
Verifikasi Model
• Apakah model cocok dengan sejumlah
Lengkap data baru yang tidak digunakan dalam
estimasi parameter. 22
Prosedur Pembuatan Pemodelan
Empirik


Mulai

Disain Eksperimen
•Apa sasaran kita?
Percobaan Pabrik
Kita mendapatkan model yang
Menentukan Struktur Model cukup baik untuk disain
kontrol, penyetelan kontroler,
Estimasi Parameter disain proses.
Evaluasi Diagnosis
• Bagaimana kita tahu?
Kita harus mempercayai buku
Verifikasi Model
dan dosen dari sekarang.
Lengkap
Tapi, kita akan sering mencek
di waktu yang akan datang!
23
Process Reaction Curve (PRC)

Process reaction curve (PRC) - Metode yang paling sederhana
dan paling sering digunakan. Juga memberikan interpretasi
visual yang menarik.

Y  s
s
K pe

X  s s  1
T
1. Mulai dari steady state
2. Step tunggal ke input
3. Kumpulkan data hingga
steady state
24
4. Lakukan kalkulasi
Kenapa Mulai dari Steady-state?

Metode PRC dapat menentukan model antara SATU input dan
sebuah output.
Jika proses tidak berawal pada steady-state, output dipengaruhi
oleh beberapa variabel lain (bukan SATU), sebagai tambahan
pada input yang dimanipulasi, selama respon transien.
Kombinasi input ini akan mengganggu kebutuhan metode
grafik yang memiliki SATU input step, dan perhitungan
berikutnya akan mengarah ke model yang salah

25
Process Reaction Curve (PRC)

i n p u t v a ri a b l e i n d e v i a ti o n (% o p e n )
Metode 1

o u tp u t v a ri a b l e i n d e v i a ti o n (K )
45 15

35
S = maximum slope
 11

Kp   / 
25 7
  /S
15
  ditunjukka n pada gambar 3

5 -1

-5 -5
0 10 20 30 40
time (min) 26
Data diplotkan dalam variabel
deviasi
Process Reaction Curve (PRC)

i n p u t v a ri a b l e i n d e v i a ti o n (% o p e n )
45 15
Metode 2

o u tp u t v a ri a b l e i n d e v i a ti o n (K )
K p   /
35
  1.5 (t63%  t 28% )
 11

0.63
  t63%  
25  7

0.28
15 3

5 -1

t28% t63%
-5 -5
0 10 20 30 40
time (min) 27
Data diplotkan dalam variabel
deviasi
Metode LILJA

 

28
55
Mari kita ambil kalkulator dan
praktek dengan data
percobaan ini.

51

output variable, degrees C


input variable, % open

47

43

55 39

45

0 10 20 30 40
time
29
Process Reaction Curve (PRC)
Process reaction curve - Metode 1 dan 2


Percobaan dan metode yang juga sama!

Metode 1 Metode 2
• Dikembangkan pertama kali • Dikembangan tahun
• Adanya kesalahan 1960-an
disebabkan oleh evaluasi • Kalkulasinya sederhana
pada slope maksimum

Direkommendasikan 30
Contoh: Problem 6.2
Dihasilkan data input dan output dari reaktor
kimia:
 Tentukan modelnya menggunakan PRC metode
1 dan 2

31
Contoh PRC: Problem 6.2
Metode 1      
7
    Kp = 6.35/8 = 0.79
6
    q = 6.0
    t = 6.35/0.27 = 23.5 5
    S = 7/26 = 0.27 4
t63%

           
3
Metode 2      

    Kp = 6.35/8 = 0.79 2 t28%

    t63% = 50 1
    t28% = 37
0
    t = 19.5 0 10 20 30 40 50 60 70 80 90 100 110
-1
    q = 6.5
24

32
Process Reaction Curve (PRC)
Mulai

i n p u t v a ri a b l e i n d e v i a ti o n (% o p e n )
45 15

o u tp u t v a ri a b l e i n d e v i a ti o n (K )
Disain Eksperimen
35 11

25 7
Percobaan Pabrik

15 3

Menentukan Struktur Model


5 -1

Estimasi Parameter
-5 -5
0 10 20 30 40
ti me (min)

Evaluasi Diagnosis

Verifikasi Model
Apa ini percobaan yang
dirancang dengan baik?
33
Lengkap
Process Reaction Curve (PRC) 45 15

i nput v ariable i n dev iation (% open)


Mulai

output v ariable in dev i ati on (K )


35 11

Disain Eksperimen
25 7

Percobaan Pabrik
15 3

Menentukan Struktur Model


5 -1

Estimasi Parameter -5 -5
0 10 20 30 40
time (min)

Evaluasi Diagnosis

Input seharusnya mendekati step


Verifikasi Model sempurna; ini adalah dasar dari persamaan.
Jika tidak, tidak dapat menggunakan data
34
Lengkap untuk process reaction curve.
Process Reaction Curve (PRC)
45 15

Mulai

o u tp u t v a ri a b l e , d e g re e s C
i n p u t v a ri a b l e , % o p e n
35 11
Disain Eksperimen

25 7
Percobaan Pabrik

15 3
Menentukan Struktur Model

5 -1
Estimasi Parameter

-5 -5
Evaluasi Diagnosis 0 10 20 30 40
time

Verifikasi Model

Apa kita bisa 35


Lengkap
menggunakan data ini?
Process Reaction Curve (PRC)
45 15

Mulai
 35 11

output v ariable, degrees C


input v ariable, % open
Disain Eksperimen
25 7

Percobaan Pabrik 15 3

Menentukan Struktur Model 5 -1

Estimasi Parameter -5 -5
0 10 20 30 40
time

Evaluasi Diagnosis

Output harus cukup “berubah”.


Verifikasi Model Input terlalu kecil. Rule of thumb:
Lengka
Signal/noise > 5 36

p
Process Reaction Curve (PRC)
Mulai

Disain Eksperimen

45 10

o u tp u t v a ri a b l e , d e g re e s C
i n p u t v a ri a b l e , % o p e n
35 6

Percobaan Pabrik
25 2

Menentukan Struktur Model

15 -2

Estimasi Parameter
5 -6

Evaluasi Diagnosis
-5 -10
0 20 40 60 80
time
Verifikasi Model

Apa kita bisa


Lengkap
menggunakan data ini? 37
Process Reaction Curve (PRC) Output tidak
kembali
Mulai

Disain Eksperimen

45 mendekati
10 harga
awal, meski input

o u tp u t v a ri a b l e , d e g re e s C
dikembalikan ke

i n p u t v a ri a b l e , % o p e n
35 6
harga awal
Percobaan Pabrik
25 2

Menentukan Struktur Model

15 -2

Estimasi Parameter
5 -6

Evaluasi Diagnosis
-5 -10
0 20 40 60 80
time
Verifikasi Model

Ini disain eksperimen yang baik; itu 38


Lengkap
mencek gangguan
Rasio Signal/Noise

 Berapa rasio sinyal/noise pada gambar di bawah ini? Apakah datanya
dapat diterima untuk mengestimasi parameter menggunakan PRC?

39
Rasio Signal/Noise (2)

 Dari grafik tersebut terlihat berdekatan, besar dari variasi noise sangat tipis 0.2 sampai
0.4°C.  Suhu awal dan akhir masing-masing 36.5 °C dan 39 °C; oleh karena itu total
perubahan sinyal sekitar 2.5 °C.  Apabila kita asumsikan harga noise rata-rata 0.3,
maka rasionya 8.3. Dalam kasus ini, hal ini dapat diterima karena besar noise cukup
kecil (signal/noise > 5) untuk melakukan analisis grafik.
 Untuk menentukan apakah data ini diterima untuk estimasi parameter model, hal-hal
yang ada di Table 6.1 harus dijawab.

 Apakah rasio signal terhadap noise cukup besar?  YA


 Apakah sinyal input mendekati step sempurna?   YA
 Apakah asumsi metode identifikasi model yang digunakan valid? (yakni smooth, S-shaped
output response) YA
 Apakah proses mulai pada steady state? YA
 Apakah prosesnya mencapai steady state baru? Yes

40
Tes Ketawa

 Data percobaan berikut diperoleh dari proses pemanasan seperti
ditunjukkan pada gambar. Lakukan evaluasi apakah data tersebut
dapat digunakan pada metode PRC

41
Tes Ketawa (2)

Semua persyaratan yang ada pada Tabel 6.1
terpenuhi
Data sesuai dengan kriteria, tapi INI TIDAK CUKUP
Kita harus memastikan data tersebut mewakili pengaruh
(satu) MV pada CV, tanpa ada variabel input lain yang
cukup mempengaruhi
Kita mencatat bahwa ketika aliran bahan bakar dinaikkan,
suhu yang diukur turun. Ini membuat kita
mempertanyakan data dan melakukan percobaan lain, saat
ini dengan step kembali untuk mencek gangguan 42
Tes Ketawa (3)

Pelajaran kunci:
Data harus melewati “tes ketawa”. Dari pengetahun teknik
tentang prinsip proses, kita mengenal ketidakkonsistenan
yang kentara (apakah kita menertawakan datanya?)
Sebagai latihan, daftar semua yang mungkin
menyebabkan penurunan suhu, meski bahan bakar
naik. Kita mungkin akan merujuk balik pada sketsa
proses 43
Proses Sama Hasil Berbeda

Kita melakukan percobaan pada proses yang sama (misal
stirred heater tank), tetapi menghasilkan hasil yang berbeda
ketika diulangi
Apakah penyebabnya dan bagaimana menanggulanginya

44
Proses Sama Hasil Berbeda (2)

Ada dua hal penting:
Kemungkinan pertama kenapa respon suhu berbeda
adalah adanya gangguan. Gangguan yang khas untuk
perpindahan kalor adalah suhu masuk, tekanan aliran atas
dari media pemanas, laju alir umpan. Untuk menghindari
gangguan yang tak terukur, orang yang melakukan
percobaan harus memastikan bahwa seluruh variabel
input lainnya yang mempengaruhi output tidak berubah
Kemungkinan lain, disebabkan oleh valve yang sudah
tidak bekerja dengan benar. Untuk menghindari kesalahan
ini, kita harus memonitor posisi sebenarnya untuk
memastikan aliran berubah sesuai dengan yang diinginkan 45
Process Reaction Curve (PRC)

Mulai

Disain Eksperimen
Plot yang diukur vs diprediksi

Percobaan Pabrik 45 15

o u tp u t v a ri a b l e , d e g re e s C
diukur

i n p u t v a ri a b l e , % o p e n
Menentukan Struktur Model 35 11

Estimasi Parameter 25 7

15 3
Evaluasi Diagnosis
diprediksi

5 -1
Verifikasi Model

-5 -5
Lengkap 0 10 20 30 40 46
time
Process Reaction Curve (PRC)


Proses pencampuran tiga-tangki

PRC untuk kasus dasar

47
Fig. P7-1 Vacuum Filter

48
Proses Vacuum Filter

 Perhatikan vacuum filter yang ditunjukkan pada Fig. P7-1. proses ini
adalah bagian dari pabrik pengolahan limbah. Sludge masuk ke filter
pada sekitar 5% padatan. Dalam vacuum filter, sludge di de-watered ke
sekitar 25% padatan. Filterabilitas dari sludge dalam rotating filter
bergantung pada pH dari sludge yang memasuki filter. Satu cara untuk
mengendalikan moisture dari sludge ke incinerator adalah dengan
menambahkan chemicals (ferric chloride) ke sludge feed untuk menjaga
pH yang diperlukan. Figure P7-1 menunjukkan skema pengendalian
yang diusulkan. The moisture transmitter memiliki rentang dari 55%
hingga 95%.
49
Data berikut diperoleh dari step test pada output of the
controller (MC70) of + 12.5 %CO.


Time, min Moisture, % Time, min Moisture, %
0 75 10.5 70.9
1 75 11.5 70.3
1.5 75 13.5 69.3
2.5 75 15.5 68.6
3.5 74.9 17.5 68
4.5 74.6 19.5 67.6
5.5 74.3 21.5 67.4
6.5 73.6 25.5 67.1
7.5 73.0 29.5 67
8.5 72.3 33.5 67 50
9.5 71.6
PRC 1

Moisture, %
76

74

72

70

68

66

64

62
51
0 5 10 15 20 25 30 35 40
FOPDT: INTERPOLASI

   = -8 dan  = 12.5% 
 63% = (0.63)(67-75) = (0.63)(-8) = -5.04  titik di grafik = 75-5.04 = 69.96
 Titik ini antara: 69.3 (t = 13.5) dan 70.3 (t = 11.5)

 28% = (0.28)(67-75) = (0.28)(-8) = -2.24  titik di grafik = 75-2.24 =72.76


 Titik ini antara: 72.3 (t = 8.5) dan 73 (t = 7.5)

  = 1.5(12.82 – 8.16) = 6.99


  = 12.82 – 6.99 = 5.83
52
FOPDT: GRAFIS

   = -8 dan  = 12.5% 
 63% = (0.63)(67-75) = (0.63)(-8) = -5.04  titik di grafik = 75-5.04 = 69.96

 28% = (0.28)(67-75) = (0.28)(-8) = -2.24  titik di grafik = 75-2.24 =72.76

  = 1.5(11.95 – 7.95) = 5.99


  = 11.95 – 5.99 = 5.95

53
Matlab

t=[0 1 1.5 2.5 3.5 4.5 5.5 6.5 7.5 8.5 9.5 10.5 11.5 13.5 15.5 17.5 19.5 21.5 25.5 29.5 33.5]
m=[75 75 75 75 74.9 74.6 74.3 73.6 73.0 72.3 71.6 70.9 70.3 69.3 68.6 68 67.6 67.4 67.1 67 67]
plot(t,m)
hold on
g1=tf(-0.64,[6.99 1])
g1.InputDelay=5.83
g2=tf(-0.64,[5.99 1])
g2.InputDelay=5.95
t1=0:0.5:33.5;
model1=75+12.5*step(g1,t1);
model2=75+12.5*step(g2,t1);
plot(t1,model1,'r--')
54
plot(t1,model2,'k-.')
Perbandingan Aktual dan Model

Aktual Interpolasi

Grafis

55
When the input moisture to the filter was changed by
2.5%, the following data
were obtained.

Time, min Moisture, % Time, min Moisture, %
0 75 11 75.9
1 75 12 76.1
2 75 13 76.2
3 75 14 76.3
4 75 15 76.4
5 75 17 76.6
6 75.1 19 76.7
7 75.3 21 76.8
8 75.4 25 76.9
9 75.6 29 77
10 75.7 33 77 56
PRC 2

Moisture, %
77.5

77

76.5

76

75.5

75

74.5

74
0 5 10 15 20 25 30 35 57
Metode Statistik

Menyediakan banyak pendekatan umum
yang tidak dibatasi oleh
Input step
Model FOPDT (first order plus dead time)
Eksperimen tunggal
Gangguan “yang besar”
Mencapai steady-state di akhir percobaan
Memerlukan
Kalkulasi yang lebih kompleks
58
Metode Statistik

Ide dasarnya adalah merumuskan model
sedemikian rupa sehingga regresi dapat
digunakan untuk mengevaluasi parameter
Kita akan melakukan ini untuk model FOPDT,
meski metode ini sangat umum
Bagaimana kita melakukan ini untuk model di
bawah ini?
 s
dY (t ) Y (s) K pe
  Y (t )  K p X (t   ) 
dt X (s)  s  1 59
Metode Statistik

 Kita memiliki pengukuran-pengukuran diskret,mari kita nyatakan
modelnya sebagai sebuah persamaan yang berbeda, dengan prediksi
yang didasarkan pada pengukuran sekarang dan yang telah lalu

Y 
'
i 1 predicted  
 a Yi' measured

 b X i'  measured

a  e  t / 
b  K p (1  e  t /  )
   / t 60
Metode Statistik
min  Yi
i
  '
predicted  Yi  
'
measured
 2

45
 15

Kini kita dapat

o u tp u t v a ri a b l e , d e g re e s C
menyelesaikan soal regresi

i n p u t v a ri a b l e , % o p e n
35 11

standar untuk
meminimisasi the sum of 25 7

squares dari deviasi antara


prediksi dan pengukuran. 15 3

Detailnya ada di buku.


5 -1

-5 -5
0 10 20 30 40
time
61
Contoh Statistik: Problem 6.2
t X Y Yi+1 Yi Xi-8 Sample
0 30 69.65 0.05 0 0 1
4 30 69.7 0.76 0.05 0 2
8 30 70.41 0.63 0.76 0 3 METODE STATISTIK  
12 30 70.28 -0.10 0.63 0 4
16 30 69.55 0.67 -0.1 0 5 Lakukan regresi
20 30 70.32 0.32 0.67 0 6  
24
28
32
38
38
38
69.97
69.96
69.68
0.31
0.03
0.57
0.32
0.31
0.03
0
0
8
7
8
9
 
  '
 
 Yi 1 predicted  a Yi
'
measured

 b X i'  measured

36 38 70.22 1.67 0.57 8 10 a


40 38 71.32 2.68 1.67 8 11 = 0.77330    
44 38 72.33 3.27 2.68 8 12
48 38 72.92 3.80 3.27 8 13 b
52 38 73.45 4.44 3.8 8 14 = 0.17848    
56 38 74.09 5.35 4.44 8 15
Kp
60 38 75 5.60 5.35 8 16
64 38 75.25 5.13 5.6 8 17
= 0.79 (Kp = b/(1-a))
68 38 74.78 5.62 5.13 8 18 t
72 38 75.27 6.32 5.62 8 19
76 38 75.97 6.65 6.32 8 20
= 15.56 (t = Dt/ln(a))
80 38 76.3 6.65 6.65 8 21 (q =
84 38 76.3 5.86 6.65 8 22
88 38 75.51 5.21 5.86 8 23
q G *D
92 38 74.86 6.21 5.21 8 24 = 32 t)  
96 38 75.86 6.55 6.21 8 25        
100 38 76.2 6.35 6.55 8 26
104 38 76 6.35 27 62
Metode Statistik
Y   Y 
i
'
 predicted
'
i measured


Mulai
Random?
Disain Eksperimen

m e a s u re d o u tp u t - p re d ic tio n , d e g re e s
Percobaan Pabrik 1.5

1
Menentukan Struktur Model

0.5

Estimasi Parameter
0

Evaluasi Diagnosis -0.5

-1
Verifikasi Model
-1.5
0 10 20 30 40
Lengkap time
63
Diplotkan untuk setiap pengukuran (sample)
Metode Least Square


 Contoh Pencocokan Least Square Nonlinear proses orde satu
dari data respon step
Model:
Data

64
Metode Least Square
 MATLAB untuk LEAST-SQUARE NON LINEAR

function diff = fit_simp(x,X,Y)
% This function is called by lsqnonlin.
% x is a vector which contains the coefficients of the
% equation. X and Y are the option data sets that were
% passed to lsqnonlin.

A=x(1);
B=x(2);

diff = 3.*A.*(1-exp(-X/B)) - Y;
65
Metode Least Square
MAIN PROGRAM

% Define the data sets that you are trying to fit the
% function to.

waktu=[1.154,2.308,3.077,4.231,5.000,6.154,6.923,8.077,9.231,10.000,11.154,12.308,13.077,13.846,
15.000,16.154,17.308,18.077,19.231,20.000,21.154,21.923,23.077,23.846,24.615,25.769,26.923,28.077,29.231,30.000,30.769,31.5
38,32.692,33.846,34.615,35.769,36.923,37.692,38.846,40.000,40.769,41.538,42.692,43.462,44.615,45.769,46.538,47.692,48.462,4
9.423,50.385,51.538,52.308,53.462,54.231,55.385,56.538,57.308,58.077,59.231,60.385];
respon=[-0.125,0.250,0.531,0.938,1.094,1.281,1.594,1.813,2.000,2.188,2.406,2.438,2.500,2.656,2.875,
2.813,3.063,2.938,3.219,3.094,3.375,3.219,3.469,3.313,3.531,3.438,3.688,3.563,3.688,3.625,3.781,3.719,3.750,3.734,3.734,3.875,3
.813,3.844,3.906,3.813,4.000,3.844,3.844,3.813,3.938,3.875,4.031,4.016,4.094,4.031,3.969,3.969,3.906,4.031,3.906,4.125,3.938,4.
094,4.031,3.938,3.906];

% Initialize the coefficients of the function.


X0=[1 1]';

% Set an options file for LSQNONLIN to use the


% medium-scale algorithm
options = optimset('Largescale','off');

% Calculate the new coefficients using LSQNONLIN.


x=lsqnonlin('fit_simp',X0,[],[],options,X,Y);

% Plot the original and experimental data.


Y_new = 3.*x(1).*(1-exp(-X/x(2))); 66
plot(X,Y,'+r',X,Y_new,'b')
Metode Least Square
 Hasil

Menggunakan fungsi MATLAB “lsqnonlin” diperoleh

Pencocokan yang dihasilkan

HASIL:
Kp = 1.3669
t = 13.6919

67
Perbandingan Model
Empirik
 Metode PRC

 didasarkan pada interpretasi grafik
 sangat sensitif terhadap process noise
 guna respon step adalah menyusahkan pada operasi pabrik yang normal
 Sering gangguan tak terukur
 Sulit melakukan perubahan step yang seketika
 Barangkali mustahil untuk proses yang lambat
 dibatasi pada model orde satu disebabkan oleh kehandalannya
 Cepat dan mudah
 Metode Least Square
 Pendekatan sistematik
 Perhitungannya intensif
 Dapat menangani dinamik atau sinyal input manapun
 Dapat menangani proses kontrol nonlinear
 Handal 68
Rough Model: Ketentuan

Jika satu konstanta waktu model orde-tinggi
lebih besar dari pada lainnya, maka
konstanta waktu efektif FOPDT sama dengan
konstanta waktu terlama/terbesar.
Dead-time efektifnya adalah jumlah seluruh
konstanta waktu yang lebih kecil plus dead-time
model orde-tinggi.
69
Contoh Rough Model

1 50 0,016
G(s)  . .
10 s  1 30s  1 3s  1

K = 0,8
Asumsi: 30 detik adalah kontanta waktu yang
lebih besar dari pada kedua lainnya, sehingga:
  = 30 detik
  = 10 + 3 = 13 detik 13 s
Perkiraaan kasar: 0,8e
G (s) 
30 s  1 70
Prosedur Pembuatan Pemodelan
Empirik


Kita telah melakukan PRC untuk isothermal CSTR
dengan reaksi orde satu. Parameter dinamiknya adalah
C A kmol / m 3
Kp   0.50 F
C A0 kmol / m 3
CA0 A B
  12.4 min CA V
 rA  kC A

dC' A
Kini, kita ubah laju alir umpan V  F(C' A0  C' A )  VkC' A
dt
sebesar -40% dan mencapai dCA'
  C A'  KC A' 0
steady-state baru. Berapa dt
dinamik CA0CA sekarang? V F
with   and K  71
F  kV F  kV
Prosedur Pembuatan Pemodelan
Empirik


Cocokkan metodenya

Feature Process reaction curve Statistical method


Input magnitude Signal/noise > 5 Can be much smaller
Experiment duration Reach steady state Steady state not required
Input change Nearly perfect step Arbitrary, not sufficient
“information” required
Model structure First order with dead time General linear dynamic model
Accuracy with Poor with significant disturbance Poor with significant disturbance
unmeasured
disturbances
Diagnostics Plot prediction vs data Plot residuals
Calculations simple Requires spreadsheet or other
computer program 72
Pembuatan Pemodelan Empirik

Bagaimana keakuratan model empirik?
• Pendekatan linear dari proses non-linear
• Noise dan gangguan tak-terukur mempengaruhi data
• Kurang konsisten dalan metode grafik
• Kurang sempurna dalam impelementasi perubahan katup
• Kesalahan sensor

Mari kita katakan bahwa setiap parameter


memiliki kesalahan  20%. Apa itu cukup baik 73
untuk aplikasi mendatang?
TUGAS

Berdasarkan buku Smith and Corripio
Kerjakan Problem 7-20 menggunakan
metode 1 dan 2. Buat validasi modelnya
dengan memplot PRC aktualnya dengan
kedua model tersebut menggunakan
MATLAB
74
Pemodelan Empirik – WORKSHOP 1


We introduced an impulse to the process at t=0. Develop
and apply a graphical method to determine a dynamic
model of the process.
3

2
output

0 75
0 5 10 15 20 25 30
Pemodelan Empirik – WORKSHOP 2


State whether we can use a first order with dead time model for the
following process. Explain your answer.
F0 ( s ) m 3
Gvalve ( s )   .10
v( s ) % open

T1 ( s )  1.2 K / m 3
Gtank1 ( s )  
F0 ( s ) 250s  1

Tmeasured ( s )
Gsensor ( s ) 
T2 ( s )
T2 ( s ) 1.0 K / K T 1 .0 K / K
Gtank2 ( s )   
T1 ( s ) 300s  1 10s  1
(Time in seconds) 76
Pemodelan Empirik – WORKSHOP 3


We are familiar with analyzers from courses on analytical chemistry. In
an industrial application, we can extract samples and transport them to a
laboratory for measurement.

What equipment is
required so that could we
can achieve faster A

measurements for use in


feedback control?
Pemodelan Empirik – WORKSHOP 4


We are performing an experiment, changing the reflux flow and
measuring the purity of the distillate. Discuss the processes that will
affect the empirical dynamic model.

Pure product

Fresh feed
flow is
constant Reactor

X = 50%
Pure,
X = 95% unreacted feed 78
Identifikasi Pemodelan Empirik

Saat kuselesaikan bab ini, kuingin dapat melakukan
hal-hal berikut.

• Disain dan implementasi sebuah eksperimen yang


baik
• Melakukan kalkulasi secara grafik
• Melakukan kalkulasi secara statistik
• Mengkombinasikan pemodelan dasar dan empirik
untuk sistem proses kimia

Lot’s of improvement, but we need some more study!


• Read the textbook
• Review the notes, especially learning goals and workshop
• Try out the self-study suggestions
• Naturally, we’ll have an assignment!
79
Sumber Pembelajaran

• SITE PC-EDUCATION WEB
- Instrumentation Notes
- Interactive Learning Module (Chapter 6)
- Tutorials (Chapter 6)
• Software Laboratory
- S_LOOP program to simulate experimental step data, with noise
if desired
• Intermediate reference on statistical method
- Brosilow, C. and B. Joseph, Techniques of Model-Based Control,
Prentice-Hall, Upper Saddle River, 2002 (Chapters 15 & 16).

80
Saran untuk Belajar Mandiri

1. Temukan PRC yang diplotkan pada Bab 1-5 di buku ajar. Cocokkan
menggunakan metode grafik.
Diskusikan bagaimana parameter akan berubah jika percobaan
diulangi pada aliran ½ dari harga asalnya.
2. Estimasi jangkauan dinamika yang kita harapkan dari
a. aliran di dalam pipa
b. heat exchangers
c. level di reflux drums
d. komposisi distilasi
e. tekanan distilasi
3. Kembangkan Excel spreadsheet untuk mengestimasi parameter dalam
model FOPDT
81
Model Polinomial Input-Output
(LINEAR)

Model Discrete-Time Form Noise Model
Structure
The noise model is and the noise is coupled to the
dynamics model. ARX does not let you model noise and
ARX dynamics independently. Estimate an ARX model to
obtain a simple model at good signal-to-noise ratios.
Extends the ARX structure by providing more flexibility
for modeling noise using the C parameters (a moving
ARMAX average of white noise). Use ARMAX when the
dominating disturbances enter at the input. Such
disturbances are called load disturbances.
Provides completely independent parameterization for
the dynamics and the noise using rational polynomial
Box-Jenkins functions.
(BJ) Use BJ models when the noise does not enter at the input,
but is primary a measurement disturbance, This structure
provides additional flexibility for modeling noise.
Output- Use when you want to parameterize dynamics, but do not
Error (OE) want to estimate a noise model.
82

83
Nonlinear Black-Box Model

 Kenapa perlu model nonlinear?
 Model linear tidak cukup
 Sistem fisik adalah nonlinear secara inheren
 Model linear kurang tepat untuk sinyal output yang diukur dan
tidak dapat diperbaiki dengan merubah struktur atau orde model
 Model nonlinear memiliki fleksibilitas lebih dalam menangkap
fenomena kompleks
 Jenis-jenis model nonlinear
1. Nonlinear ARX Models
2. Hammerstein-Wiener Models
3. Nonlinear State-Space Models
84