Tugas MID - Sistem Kendali Cerdas - Muh Fakhri D41112286.pdf

LAPORAN SISTEM KENDALI CERDAS

PROPORTIONAL INTEGRAL DERRIVATIVE (PID)

DAN FUZZY LOGIC CONTROLLER (FLC)

DISUSUN OLEH :

MUH FAKHRI

D411 12 286

JURUSAN ELEKTRO FAKULTAS TEKNIK

UNIVERSITAS HASNUDDIN

2015

PENDAHULUAN

Suatu sistem kendali yang baik harus mempunyai ketahanan terhadap disturbance dan mempunyai

respon yang cepat dan akurat. Sering terjadi permasalahan dalam sistem kendali Proportional Integral

Derivative (PID) bila dibuat sangat sensitif, maka respon sistem terhadap disturbance menghasilkan

overshot/undershot yang besar sehingga kemungkinan dapat terjadi osilasi semakin tinggi. Bila dibuat

kurang sensitif memang akan menghasilkan overshot/undershot kecil, tetapi akibatnya akan

memperpanjang recovery time. Untuk mengatasi hal ini, diterapkan juga sistem logika fuzzy

TEORI DASAR

A. Pengantar Logika Fuzzy

Logika fuzzy merupakan sebuah logika yang memiliki nilai kekaburan atau kesamaran

(fuzzyness) antara benar dan salah. Dalam teori logika fuzzy sebuah nilai bisa bernilai benar dan salah

secara bersamaan namun berapa besar kebenaran dan kesalahan suatu nilai tergantung kepada

bobot/derajat keanggotaan yang dimilikinya. Himpunan fuzzy mempunyai derajat keanggotaan

bernilai kontinyu yaitu antara 0 sampai dengan 1, sedangkan himpunan crisp hanya mempunyai 2 nilai

yaitu “0” dan “1”. Satu perbedaan dari himpunan crisp dan fuzzy adalah bahwa himpunan crisp selalu

memiliki fungsi keanggotaan yang unik, sedangkan setiap himpunan fuzzy memiliki nilai keanggotaan

yang terbatas dari fungsi keanggotaan yang mewakilinya. Hal itu memungkinkan fuzzy dapat diatur

secara maksimum dalam situasi yang diberikan.

Logika fuzzy merupakan cabang dari sistem kecerdasan buatan (Artificial Intelegent) yang

mengevaluasi kemampuan manusia dalam bentuk algoritma yang kemudian dijalankan oleh mesin.

Algoritma ini digunakan dalam berbagai aplikasi pemrosesan data yang tidak dapat dipresentasikan

dalam bentuk biner. Logika fuzzy menginterpretasikan statemen yang samar menjadi sebuah

pengertian yang logis.

Sekitar tahun 1965, Profesor Lotfi A. Zadeh adalah guru besar pada University of California

yang merupakan pencetus sekaligus yang memasarkan ide tentang cara mekanisme pengolahan atau

manajemen ketidak pastian yang kemudian dikenal dengan logika fuzzy. Teknik fuzzy dapat

diimplementasikan dalam bidang kontrol, pengenalan pola, pemrosesan citra, analisis kuantitatif pada

penelitian di bidang sosial, penarikan kesimpulan seperti pada Expert System (ES), perencanaan,

prediksi, teknik pembuatan software, dan lain-lain.

B. Block Diagram Fuzzy Logic

Secara umum suatu sistem Logika Fuzzy terdiri dari tiga komponen utama yaitu Fuzzification,

Inference dan Defuzzification:

Fuzzification merupakan proses pemetaan nilai-nilai input (crisp input) yang berasal dari

sistem yang dikontrol kedalam himpunan fuzzy menurut fungsi keanggotaanya(membership

function). Untuk mengubah crisp input menjadi fuzzy input, terlebih dahulu harus menentukan fungsi

keanggotaan (membership function) untuk crisp input, kemudian proses fuzzification akan mengambil

crisp input dan membandingkan dengan fungsi keanggotaan (membership function) yang telah ada

untuk menghasilkan harga fuzzy input.

Sistem Inferensi Fuzzy (Fuzzy Inference Systemdisebut juga fuzzy inference engine adalah

sistem yang dapat melakukan penalaran(inference) dengan prinsipserupa seperti manusia melakukan

penalaran dengan nalurinya atau akan memperhitungkan semua aturan yang ada di dalam basis

pengetahuan fuzzy.

Pada tahap inference diproses hubungan antara nilai-nilai input (crisp input) dan nilai-nilai

output (crisp output) yang dikehendaki dengan aturan-aturan (rulers). Aturan ini nantinya yang akan

menentukan respon sistem terhadap berbagai kondisi seting point dan gangguan yang terjadi pada

sistem. Terdapat beberapa metode aturan fuzzy yang dapat digunakan antara lain Metode Mamdani

dan Metode Sugeno.

Defuzzification merupakan proses pemetaan himpunan fuzzy kehimpunan tegas (crips)

artinya kebalikan dari proses fuzzifikasi. Pada tahap ini dilakukan pemetaan bagi nilai-nilai fuzzy output

yang dihasilkan pada tahap inference ke nilai-nilai output kuantitatif yang sesuai dengan sistem yang

diharapkan.

C. Pengendali PID

Dalam suatu sistem kontrol kita mengenal adanya beberapa macam aksi kontrol, diantaranya

yaitu aksi kontrol proporsional, aksi kontrol integral dan aksi kontrol derivative. Masing-masing aksi

kontrol ini mempunyai keunggulan-keunggulan tertentu, dimana aksi kontrol proporsional

mempunyai keunggulan risetime yang cepat, aksi kontrol integral mempunyai keunggulan untuk

memperkecil error, dan aksi kontrol derivative mempunyai keunggulan untuk memperkecil derror

atau meredam overshot/undershot. Untuk itu agar kita dapat menghasilkan output dengan risetime

yang tinggi dan error yang kecil kita dapat menggabungkan ketiga aksi kontrol ini menjadi aksi kontrol

PID

Setiap kekurangan dan kelebihan dari masing-masing pengontrol P, I dan D dapat saling

menutupi dengan menggabungkan ketiganya secara paralel menjadi pengontrol proposional plus

integral plus derivative (pengontrol PID). Elemen-elemen pengontrol P, I dan D masing-masing secara

keseluruhan bertujuan untuk mempercepat reaksi sebuah sistem, menghilangkan offset dan

menghasilkan perubahan awal yang besar.

Karakteristik umum yang digunakan dalam pengontrolan suatu sistem antara lain meliputi

stabilitas, akurasi, kecepatan respon dan sensitivitas. Dalam Aksi kendali proporsional, output dari

sistem kontrol selalu sebanding dengan inputnya. Sinyal output merupakan penguatan dari sinyal

kesalahan dengan faktor tertentu, faktor penguatan ini merupakan konstanta proporsional dari

sistem, yang dinyatakan dengan Kp, dimana Kp ini mempunyai respon yang tinggi/cepat. Dalam aksi

kendali integral, output dari kontroler ini selalu berubah selama terjadi penyimpangan, dan kecepatan

perubahan output tersebut sebanding dengan penyimpangannya, konstantanya dinyatakan dengan

Ki, dimana Ki ini mempunyai sensitivitas yang tinggi, yaitu dengan cara mereduksi error yang dihasilkan

dari sinyal feedback. Makin besar nilai Ki maka sensitivitasnya akan semakin tinggi, tetapi waktu yang

dibutuhkan untuk mencapai kestabilan lebih cepat, demikian pula sebaliknya.

Sedangkan aksi kendali derivative (turunan) bekerja berdasarkan laju perubahan simpangan,

sehingga jenis kontroler ini selalu digunakan bersama-sama dengan kontroler proporsional dan

integral, konstantanya dinyatakan dengan Kd, dimana Kd ini mempengaruhi kestabilan dari sistem,

karena aksi kendali ini dapat mereduksi error.

METODOLOGI

A. Pembuatan Model Sistem

Model sistem yang disimulasika seperti gambar dibawah ini.

Model dibuat menggunakan simulink MATLAB dimana inputnya berupa sinyal step dan menggunakan

PID controller dan Fuzzy Logic Controller serta terdapat gangguan. Sistem prosesnya berpa transfer

function. Pada simulasi dilakukan simulasi sistem dengan PID, FLC dan dengan gangguan.

B. Pengendali PID

Untuk pengaturan nilai P, I dan D, untuk sistem digunakan pengaturan sebagai berikut

C. Pengendali FLC

Untuk masukannya adalah error dan derror, keluarannya adalah out dan sistemnya adalah

motor menggunakan mamdani.

1) Fungsi keanggotaan error

Variabel masukan pada sistem fuzzy sinyal rujukan adalah sinyal kesalahan e(t) dengan nilai

variabel masukan dibatasi -1 sampai 1 sebagai semesta pembicaraannya. Fungsi

keanggotaan fuzzy digambarkan oleh lima fungsi keanggotaan segitiga yang masing-masing

mewakili himpunan fuzzy: Negative Big (NB), Negative Small (NS), ZE, Positive Small (PS), dan

Positive Big (PB)

2) Fungsi keanggotaan derror

Variabel masukan pada sistem fuzzy sinyal feedback adalah sinyal selisih kesalahan de(t)

dengan nilai variabel masukan dibatasi -1 sampai 1 sebagai semesta pembicaraannya.

Fungsi keanggotaan fuzzy digambarkan oleh lima fungsi keanggotaan segitiga yang masing-

masing mewakili himpunan fuzzy: Negative Big (NB), Negative Small (NS), ZE, Positive Small

(PS), dan Positive Big (PB)

3) Fungsi keanggotaan output

Pada variabel keluaran sistem fuzzy sinyal rujukan memiliki lima variabel, yaitu: Negative Big

(NB), Negative Small (NS), ZE, Positive Small (PS), dan Positive Big (PB) dengan

menggunakanf ungsi keanggotaan segitiga, seperti gambar dibawah. Variabel keluaran fuzzy

dibatasi pada nilai antara -1 sampai 1 sebagai semesta pembicaraannya.

4) Rule

Pengkombinasian himpunan-himpunan fuzzy pada masukan dan keluaran sistem fuzzy sinyal

rujukan maka menghasilkan 25 aturan fuzzy satu masukan jika-makaseperti yang

ditunjukkan pada gambar dibawah ini.

HASIL SIMULASI DAN PEMBAHASAN

Dalam simulasi ini dilakukan percobaan yaitu dengan PID saja, PID dengan gangguan, FLC

saja, FLC dengan gangguan, PID & FLC, dan PID & FLC dengan gangguan:

a. PID saja

Tr (s) Td (s) Tp (s) Ts (s) Mp (%)

0.0033 0.002 0.0054 0.0196 1.3556

Pada percobaan ini sistem dikendalikan oleh pengendali PID saja tanpa ada gangguan. Terlihat

bahwa nilai overshootnya cukup besar. Sedangkan waktu risetimenya cukup kecil. Responnya

cepat namun errornya besar.

b. PID dengan gangguan

Tr (s) Td (s) Tp (s) Ts (s) Mp (%)

0.0033 0.002 0.0054 0.4 1.3556

Pada percobaan ini, digunakan pengendali PID dan diberikan gangguan berupa sinyal step

juga. Nilai Mp, Tr, Td dan Tp nya sama dengan PID tanpa gangguan. Pada grafik terlihat gangguan

mulai terjadi pada detik 0.017 yang mengakibatkan meningkatnya error pada sinyalnya. Kemudian

error tersebut ditanggulangi oleh PID sehingga sistem menjadi stabil. Ts nya sebesar 0.3787 berbeda

dengan yang hanya PID saja yaitu 0.0196

c. FLC saja

Tr (s) Td (s) Tp (s) Ts (s) Mp (%)

0.0115 0.0068 0.0132 0.0397 1.0783

Pada percobaan ini, pengendali yang digunakan hanya fuzzy logic controller. Overshootnya lebih

kecil dibanding menggunakan PID. Tetapi respon time nya lebih lambat. Sinyalnya stabil saat

0.0397.

d. FLC dengan gangguan

Tr (s) Td (s) Tp (s) Ts (s) Mp (%)

0.3 0.1 0.45 0.5 16

Pada percobaan ini sistem ini pengendalinya FLC lalu diberi gangguan pada detik 0.017. terlihat

bahwa saat diberi gangguan terjadi error yang sangat besar, sinyal stabil pada saat detik ke 0.5.

e. PID dan FLC

Tr (s) Td (s) Tp (s) Ts (s) Mp (%)

0.003 0.0018 0.0048 0.052 1.3775

Pada percobaan ini, pengendalinya menggunakan PID dan FLC. Terlihat bahwa respon time-nya

Tr, Td dan Tp-nya lebih sepat dibanding hanya PID atau hanya FLC. Tetapi T(s) nya masih agak

besar. Dan overshootnya leih besar dibaning hanya PID atau hanya FLC.

f. PID dan FLC dengan gangguan

Tr (s) Td (s) Tp (s) Ts (s) Mp (%)

0.003 0.0018 0.0048 0.2955 1.3774

Pada percobaan ini, sistemnya diberi gangguan pada detik 0.017. overshootnya lebih rendah

dibanding tanpa gangguan. Dan Tr, Td, dan Tp nya hampir sama dengan tanpa gangguan saat

diberi gangguan sinyalnya besar namun kemudian mencapai keadaan stabil.

KESIMPULAN

Dalam sistem ini kendalinya adalah kendali PID dan kendali logika fuzzy. Kendali fuzzy bekerja

membantu untuk meminimalkan overshot/undershot yang terjadi dan juga meminimalkan recovery

time dari respon sistem. Sistem kendali logika fuzzy yang didesain mempunyai 2 input yaitu error dan

delta error dan output kecepatan motor.

DAFTAR PUSTAKA

Bachri M, Samsul. 2004. Sistem Kendali Hybrid PID-Logika Fuzzy pada Pengaturan Kecepatan Motor

DC. MAKARA : JEMBER.

Endra Joelianto & Oberli Tansroi. 2007. Sistem Kontrol Hibrida Sinyal Rujukan Berbasis Logika Fuzzy

untuk Peningkatan Kinerja Transien Pengontrol PID. PROC. ITB Sains & Tek : Bandung.