PENGENDALIAN ADAPTIF FUZZY UNTUK SELF...
Transcript of PENGENDALIAN ADAPTIF FUZZY UNTUK SELF...
1
PENGENDALIAN ADAPTIF FUZZY UNTUK SELF TUNING PI PADA KONTROL KECEPATAN MOTOR INDUKSI
TIGA FASA TANPA SENSOR KECEPATAN DENGAN OBSERVER MRAS
Ridwan Gunawan. Ane Prasetyowati R
Universitas Indonesia Teknik Kontrol Industri [email protected]
ABSTRAK
Motor Induksi banyak digunakan namun perlu pengendalian putarannya agar dapat mengikuti perubahan beban yang ditanggungnya sehingga banyak penelitian mengenai pengendalian putaran motor induksi. Penelitian ini membahas bagaimana swatala dari konstanta proposional dan integral gain bila kecepatan acu diubah dengan menggunakan adaptif fuzzy. Perancangan sistem kendali adaptif fuzzy ini menggunakan Observer Model reference adaptif system (MRAS) untuk estimasi kecepatan motor induksi. Pemodelan motor induksi tiga phasa dan MRAS dilakukan dalam kerangka acuan sumbu direct-quadrature (dq), yang bertujuan mengurangi banyak transformasi , sehingga mengurangi kesalahan akibat transformasi, hal ini karena pengendali, fluks model, serta banyak besaran lainnya berada pada sumbu dq. Hasil simulasi dengan C-MEX S-function Matlab/Simulink 6.5 menunjukkan bahwa penggunaan kendali Adaptif Fuzzy untuk self tuning PI dapat menala proporsional dan integral gain dengan ketepatan 97%. Respon kecepatan rotor pada kecepatan acu 140 rad/det dengan menggunakan observer MRAS tidak mengalami overshoot dibanding dengan respos Observer full order,. Pada parameter motor yang sama, motor dengan nilai momen inersia besar memiliki putaran lebih stabil. Kata kunci: Observer, adapif fuzzy, MRAS
I. Latar Belakang
Motor induksi jenis squirrel-cage banyak digunakan dalam aplikasi industri, namun mempunyai masalah pada pengaturan kecepatannya, sehingga untuk mencapai unjuk kerja yang baik, maka diperlukan suatu sistem pengendalian putaran motor agar bila terjadi perubahan beban, putaran dapat dipertahankan,.
Penggunaan kontroler logika fuzzy adalah salah satu metoda untuk memperbaiki unjuk kerja kontroller PID pada pengaturan kecepatan, kontroler fuzzy yang digunakan untuk menala parameter PI. Pada penelitian ini dirancang suatu pengaturan kecepatan motor induksi tiga fasa rotor sangkar dengan menggunakan pengontrol adaptif fuzzy. Dengan adanya pengaturan kecepatan ini diharapkan kecepatan motor induksi dapat dikendalikan pada saat mengalami perubahan beban, sehingga menghasilkan performansi motor induksi yang tinggi .
a. Transformasi Clarke dan Park
Pengubahan sistem sumbu tiga phasa ke alpha beta dan dq memerlukan suatu bentuk
trasformasi yaitu transformasi Clark dan Park yang digunakan untuk menganalisa perhitungan arus, fluks, dan tegangan tiga phasa ke bentuk dua phasa pada sumbu dq Nilai io adalah arus urutan nol (zero squence current) yang bernilai nol pada keadaan setimbang dan ideal, hubungan arus pada sumbu dq dan arus phasa abc, ditunjukkan persamaan I.5:
0
2 2cos cos( ) cos( )3 3
2 2 2sin sin( ) sin( )3 3 3
1 1 12 2 2
e e e
d a
q e e e b
c
i ii i
ii
(I.5) b.Model Motor Kerangka Acuan Sumbu dq
Pemodelan motor induksi tiga phasa kerangka acuan dq dilakukan berdasarkan kerangka acuan stator dengan parameter model yang digunakan adalah dengan arus stator dan fluks rotor. Karena kerangka acuan yang digunakan adalah kerangka acuan stator, maka nilai kecepatan sinkron stator 0e , sehingga
2
didapat model motor dalam kerangka acuan dq adalah[7]:
sqerqrs
rmrd
rrs
msd
rs
ssd
ssd i
LLL
LLL
iL
RV
Li
dtd
))1((1
(I.14) 21 1 ( )m m m r
sq sq s sq rq rd e sds s r r s r r s r
L L Ld i V R i idt L L L L L L L
(I.15)
rqresdmr
rrd
r
rrd iL
LR
LR
dtd
)(
(I.16)
rdresqmr
rrq
r
rrq iL
LR
LR
dtd )(
(I.17) a. Sistem Kendali Adaptif Fuzzy
Pada pengendalian kecepatan motor digunakan metoda kendali Adaptif fuzzy pada pengendali PI yang akan melakukan self tuning dalam menentukan nilai gain Proposional kp dan nilai gain Integral ki, ketika parameter motor mengalami perubahan secara automatik nilai kp dan ki akan menyesuaikan dengan aturan dari masukan nilai parameter motor, dan aturan penggunaan metode adaptif fuzzy harus dalam bentuk sebuah himpunan crisp.
Himpunan Crisp A didefinisikan oleh elemen-elemen yang ada pada himpunan itu. Jika aA, maka nilai yang berhubungan dengan a adalah 1. Namun, jika a A, maka nilai yang berhubungan dengan a adalah 0. Notasi A =
menunjukkan bahwa A berisi elemen x dengan P(x) benar. Jika XA merupakan fungsi karakteristik A dan properti P, maka dapat dikatakan bahwa P(x) benar, jika dan hanya jika XA(x) = 1.
Himpunan fuzzy didasarkan pada gagasan untuk memperluas jangkauan fungsi karakteristik sedemikian hingga fungsi tersebut akan mencakup bilangan real pada interval [0,1]. Nilai keanggotaan menunjukkan bahwa suatu elemen dalam semesta pembicaraan tidak hanya berada pada 0 atau 1, namun juga nilai yang terletak diantaranya.
Algoritma pembelajaran yang digunakan adalah gradient descent atau yang dikenal dengan error backpropagation. Sistem logika fuzzy yang akan digunakan yaitu fuzzyfikasi singleton, defuzzyfikasi rata-rata tengah (center average defuzzifier), dan fungsi keanggotaan gaussian, sehingga keluaran adaptif fuzzy dapat dinyatakan dalam bentuk pers. (I.8)[5]
F(x) =
n
ili
liil
i
m
l
n
ili
liil
i
m
l
l
xxa
xxay
1
2
1
1
2
1
exp
exp
(I.18)
Parameter yang dapat diubah dari sistem logika fuzzy di atas yaitu:
lia Є (0,1),σil, yl Є V,
lix Є Ui, (I.19)
dimana V adalah semesta pembicaraan pada keluaran sedangkan Ui adalah semesta pembicaraan pada masing-masing masukannya. M adalah banyaknya fungsi keanggotaan fuzzy dan N adalah banyaknya masukan sedangkan F(x) adalah sinyal keluaran jaringan fuzzy.
Variabel lix dan σil masing-masing adalah
parameter titik tengah dan lebar fungsi keanggotaan masukan Gaussian, sedangkan titik titik tengah fungsi keanggotaan keluarannya
adalah yl. Diasumsikan lia = 1 karena harga
dari fungsi keanggotaan maksimum berharga 1. Struktur jaringan adaptif fuzzy seperti yang ditunjukkan pada Gambar I.1.
Gambar I.1. Struktur Jaringan Adaptif Fuzzy
b. Algoritma adaptif fuzzy
Adaptif Fuzzy adalah penggabungan mekanisme fuzzy inference system yang digambarkan dalam arsitektur jaringan syaraf. Sistem inferensi fuzzy yang digunakan adalah sistem inferensi fuzzy model Tagaki-Sugeno-Kang (TSK) orde satu dengan pertimbangan kesederhanaan dan kemudahan komputasi, mekanisme inferensi fuzzy TSK orde satu dengan dua masukan x dan y ditunjukkan pada gambar I.2. dengan dua aturan fuzzy if-then seperti dibawah ini :
3
4,3),(,,1),(
2,1
,1
iyO
atauixO
iBi
Ai
Rule 1 : if x is A1 and y is B1 then f1 = p1x + q1y + r1
premis consequent Rule 2 : if x is A2 and y is B2 then f2 = p2x + q2y + r2
premis consequent Input : x dan y. Consequent-nya adalah f
Gambar I.2 Sistem inferensi fuzzy TSK
dua masukan dengan dua aturan
2211
21
2211
fwfw
wwfwfw
f
(I.20)
c. Fungsi keanggotaan masukan
Fungsi keanggotaan fuzzy masukan (premis) yang digunakan adalah fungsi Generalized-Bell pada persamaan I.21 dibawah ini :
b
acx
cbaxgbell 2
1
1),,,(
(I.21)
Fungsi Generalized-Bell dipakai sebagai fungsi keanggotaan dari masukan, untuk menentukan parameter awal a, b, c dan jumlah himpunan fuzzy masukan . Parameter premis a,b,c akan diubah dengan cara pembelajaran.
Struktur adaptif fuzzy yang menggambarkan sistem fuzzy TSK seperti yang digambarkan pada Gambar I.2. dapat terlihat pada diagram blok atau arsitektur jaringan syaraf feedforward pada gambar I.3:
Gambar I.3. Arsitektur Jaringan Syaraf Feedforward
Pada gambar I.3 terlihat sistem neuro-fuzzy
terdiri atas lima lapisan dengan fungsi yang berbeda untuk tiap lapisannya.
Lapisan 1. Semua simpul pada lapisan ini adalah simpul adaptif (parameter dapat berubah) dengan fungsi simpul :
(I.22)
dengan x dan y adalah masukan pada simpul i, Ai (atau Bi-2) adalah fungsi keanggotaan masing-masing simpul. Simpul O1,i berfungsi untuk menyatakan derajat keanggotaan tiap masukan terhadap himpunan fuzzy A dan B. Fungsi keanggotaan yang dipakai adalah jenis generalized bell (gbell). Parameter a, b, c, pada fungsi keanggotaan gbell dinamakan parameter premis yang adaptif.
Lapisan 2. Semua simpul pada lapisan ini adalah nonadaptif (parameter tetap). Fungsi simpul ini adalah mengalikan setiap sinyal masukan yang datang. Fungsi simpul :
2,1),()(2 iyxwO BiAii (I.23) Tiap keluaran simpul menyatakan derajat
pengaktifan (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 Setiap simpul pada lapisan ini adalah simpul nonadaptif yang menampilkan fungsi derajat pengaktifan ternomalisasi (normalized firing strength) yaitu rasio keluaran simpul ke-i pada lapisan sebelumnya terhadap seluruh keluaran lapisan sebelumnya, dengan bentuk fungsi simpul:
2,1,21
,3
iww
wwO i
ii
(I.24) Apabila dibentuk lebih dari dua aturan,
fungsi dapat diperluas dengan membagi wi dengan jumlah total w untuk semua aturan.
Lapisan 4. Setiap simpul pada lapisan ini adalah simpul adaptif dengan fungsi simpul :
)(,4 iiiiiii ryqxpwfwO
(I.25) dengan adalah derajat perngaktifan ternormalisasi dari lapisan 3 dan parameter p, q, r menyatakan parameter konsekuen yang adaptif.
4
Lapisan 5. Pada lapisan ini hanya ada satu simpul tetap yang fungsinya untuk menjumlahkan semua masukan. Fungsi simpul :
i
iii
iii w
fwfwO ,5
(I.26) Jaringan adaptif dengan lima lapisan tersebut ekivalen dengan sistem inferensi fuzzy TSK. d. Perancangan kendali adaptif fuzzy untuk
self tuning PI pada kontrol kecepatan Metode pengendalian yang digunakan adalah berdasarkan arus stator dan fluks rotor, di mana penelitian ini menggunakan pengendali vektor Rotor Fluks Oriented Control atau RFOC, seperti terlihat pada gambar II.1.
*r
*qsi dq
d*qsi
*si
*si
*ai*bi*ci
aibici
eT
r
ai
bi
ci
Gambar II.1. Diagram blok RFOC dengan
Kontrol Kecepatan
e. Pengendali Kecepatan Untuk pengendali kecepatan digunakan juga
pengendali PI. Konstanta proporsionalnya dan konstanta Integral diset menggunakan trial error, disesuaikan dengan parameter motor, adaptif fuzzy diharapkan dapat menala nilai konstanta yang diset bila kecepatan motor dan momen inersia motor diubah dengan beberapa variabel. Diagram bloknya adalah sebagai berikut:
Gambar II.2. Diagram blok pengendali kecepatan
Keluaran dari pengendali kecepatan ini torsi elektromagnetik , Sudut dan
mengekspresikan perubahan ke sumbu d, vektor fluks rotor pada sumbu d didapat dari substitusi persamaan II.1 dan II.2, dapat dilihat seperti berikut :
(II.1)
; ; ; (II.2)
Dari persamaan II.1 dan II.2, didapat rotor fluk vector, seperti pada persamaan II.3 dibawah ini :
(II.3) Dengan :
f. Perancangan Pengendali fuzzy logic Pengendali Logika fuzzy untuk self tuning PI
pada penelitian ini, menggunakan dua buah fuzzy, yang digunakan untuk menala konstanta gain proporsional dan gain integral. Inputan kedua fuzzy beruba nilai variable e dan e dari nilai konstanta P dan I yang diset disesuaikan dengan parameter motor karena keluaran fuzzy berupa nilai pK dan iK yang akan ditambahkan pada nilai konstanta P dan I yang telah diset. Berikut gambar II.3. bagan dari cara kerja FLC untuk menala nilai konstanta P dan I.
*eT*
r re
reFLC
r
PK
IK
re
Gambar II.3. Fuzzy Self Tuning PI untuk control
kecepatan
Pengendali Logika Fuzzy yang digunakan pada penelitian ini menggunakan metode MAMDANI dan operator yang digunakan adalah operator AND saja karena untuk mendapatkan hasil minimum aturan dari aplikasi operator AND tersebut. Pada tahap defuzzifikasi akan dipilih suatu nilai dari suatu variable solusi yang merupakan konsekuen dari daerah fuzzy. Metode yang digunakan adalah metode centroid, karena metode ini memiliki tingkat daerah yang sensitive yang sangat tinggi, maka diharapkan proses tuning mendapatkan hasil dengan error yang sangat kecil. FIS pada program MATLAB dari pengendali logika fuzzy dapat terlihat pada gambar 3.7 dibawah ini :
5
Langkah-langkah untuk menala gain proporsional dari nilai set point menggunakan Adaptif fuzzy :
1. Pendefinisian karakteristik model 2. Dekomposisi variabel model menjadi
himpunan fuzzy. 3. Pembuatan aturan fuzzy. 4. Penentuan metode defuzzy untuk tiap-
tiap variabel solusi. 5. Pelaksanaan simulasi sistem.
g. Pendefinisian karakteristik model Pada pendefinisian karakteristik model
ditentukan batas max dan min batas e dan
e yang telah ditentukan, diharapkan batas max dan min dapat menala gain P dan I dengan batasan error yang diharapkan kecil ( > 0.06). Dengan menentukan batasan error > 0.06 maka didapat variable-variabel untuk semesta pembicaran seperti tabel II.1 dibawah ini :
Tabel II.1 Variabel karakteristik model PI
Fungsi Nama Variabel
Semesta Pembicaraa
n Keterangan
Input error [(0,0.01)] nilai error
delta error [(0,0.06)] rata-rata error
Output delta Kp & delta Ki [(0,0.06)] rata-rata
nilai Kp
Fungsi keanggotaan pada penelitian ini, untuk fungsi keanggotaan pK menggunakan
tiga triangular dan iK menggunakan lima
triangular, maka rules untuk pK menggunakan
15 rules, sedangkan iK menggunakan 25 rules, fungsi keanggotaan akan menala dengan trial error dengan menggunakan strategi yang telah dibuat dalam rules, sehingga diharapkan mendapatkan nilai yang memiliki tingkat error yang sangat kecil. h. Perancangan Adaptasi ( Proses
Pembelajaran) Adaptasi yang dilakukan pada fungsi
keanggotaan masukan yaitu dengan melakukan pengakuratan tanggapan sistem dengan masukan yang diharapkan. Caranya dengan melipatkan batas keanggotaan menjadi 2 kali lipat batas keanggotaan sebelumnya sehingga resolusi menurun dan lebih akurat dua kalinya.
Adaptasi terhadap fungsi keanggotaan keluaran dilakukan dengan penalaan terhadap
fungsi keanggotaannya, atau berupa pergeseran pusat dari setiap himpunan keanggotaan. Tujuan dari adaptasi ini adalah untuk memepercepat adaptasi penyesuaian nilai Kp dan Ki pada parameter motor yang berbeda.Tanggapan pada keadaan transiennya menuju ke keadaaan steady state, juga diharapkan untuk memperbaiki kinerja sistem fuzi proporsional dan fuzi integral. Pergeseran atau adaptasi dilakukan dengan algoritma fuzi pula dengan komponen masukan yaitu galat dan selisih perubahan galat error. i. Observer Model Reference Adaptif
System (MRAS) Algoritma MRAS yang pada penelitian ini
untuk menentukan estimasi kecepatan, model MRAS yang digunakan menggunakan rotor fluks space vector, error antara output kedua sistem yaitu model reference dan model adjustable untuk menala estimasi kecepatan, algoritma dari MRAS dapat terlihat pada gambar 3.13 dibawah ini :
Gambar II.4 Model reference adaptive control
untuk kontrol kecepatan Dari gambar II.4 terlihat reference model dan adjustable model mendapat masukan berupa Vs dari RFOC, persamaan untuk reference model dibawah ini:
s
s
ss
ss
s
s
m
r
s
r
ii
FLRFLR
vv
LLF
00
(II.4)
)( sssm
rr iR
dtdv
LL
dtd
dan
)( sssm
rs iR
dtdv
LL
dtd
dan adjustable model pada persamaan II.5
s
s
m
r
r
r
tr
rt
s
r
ii
LL
TT
F
/1/1
(II.5)
sm
rss
rs i
LL
Tdtd
)1( dan
6
sm
rsss i
LL
dtd
)(
Output dari reference model dan adjustable model berupa si dan
si akan ditranspose dan
dijumlahkan yang akan menghasilkan dan
yang telah ditranspose, lalu menjadi inputan pada mekanisme adaptif bersama output dari adjustable model berupa r dan
s , keluaran
dari mekanisme adaptasi akan menala ke adjustable model menjadi adaptif. Persamaan estimasi kecepatan rotor
dengan menggunakan control PI seperti terlihat pada persamaan II.6.
dtKKr ip ^ (II.6)
(II.7) Dengan nilai error seperti persamaan II.6 dan II.7 dibawah ini ;
^
dan
^ (II.8)
j. Diagram Blok Sistem Pada perancangan ini sistem akan bekerja sesuai dengan diagram blok yang ditunjukkan pada gambar
II.5.di bawah ini:
Gambar II.5 Diagram blok sistem Sistem diberi masukan kecepatan rotor
referensi refr pada blok pengendali kecepatan,
sebelum nilai referensi dikirim ke blok pengendali kecepatan nilai variabel proposional dan integral melalui proses pembelajaran oleh fuzzy sebagai self tuning PI, diharapkan nilai konstanta PI berubah secara otomatis melalui pembelajaran ketika parameter motor mengalami perubahan rpm, dan keluaran adalah nilai referensi arus stator sumbu q merupakan masukan blok RFOC. Nilai referensi arus stator sumbu d akan diberikan oleh kendali ”Filed Weakening” yang akan mengendalikan tegangan stator agar berada di nilai referensi yang diberikan, yaitu tegangan maksimum dari DC link voltage. Blok kendali ”Field Weakening” membatasi nilai arus sumbu q yang diijinkan
agar tetap dalam daerah batas arus. Nilai kedua arus referensi dq, dikendalikan oleh PI yang akan mendapat umpan balik dari nilai arus stator aktual sumbu d dan q. Keluaran dari blok pengendali vektor arus akan ditambahkan oleh dekopling menjadi nilai referensi tegangan stator sumbu d dan q.
Pada RFOC terdapat fluks model yang akan melakukan estimasi frekuensi sinkron ( e ) motor. Nilai frekuensi sinkron akan diberikan kesetiap blok yang melakukan transformasi alfa-beta ke direct-qudrature (dq), salah satunya blok observer Model reference adaptif system (MRAS) yang akan mengestimasikan nilai dari arus, fluks, dan kecepatan motor. Nilai dari kecepatan estimasi akan menjadi nilai umpan balik bagi pengendali kecepatan.
II. Simulasi dan analisa
Pengujian dilakukan dengan menggunakan motor induksi tiga fasa dengan
daya 1, 10 dan 50 hp, dengan nilai parameter sebagai berikut :
Tabel III.1 Parameter Motor 1, 10 dan 50 hp
MRAS
PWM
Flux Model
IM2 3
dq
dq 3 2
Dekoplingcdv
cqv
PI
PI
aibici
*dv*qv
Speed contr
refr
es tr
maxsv
sdi
sdisqi
e,sd sqv v
RFOC
*sdi
*sqi
Field Weakening Control
e
PI
Fuzzy
*sqi*
sdi
7
Daya hp 1 10 50 P
Jumlah Pasang Kutub (Np) 2 2 2
Resistansi Stator (Rs)- ohm 2.76 0.6 0.087
Resistansi Rotor (Rr)-ohm 2.90 0.4 0.228
Induktansi Stator (Ls)-H 0.2349 0.123 0.0355
Induktansi Rotor (Lr)-H 0.2349 0.1274 0.0355
Induktansi magnetik (Lm)-H 0.2279 0.12 0.0347
Momen Inersia (J)-Kgm2 0.0436 0.05 1.622
Koeffisien Gesekan (f)- Nms 0.0005 0.005 0.1
a. Simulasi self tuning PI untuk motor
induksi tiga fasa Pengujian rancangan self tuning
pengendali PI kontrol kecepatan motor induksi tiga fasa, dilakukan simulasi menggunakan program SIMULINK MATLAB dengan variasi beban dan kecepatan, dan tiga buah motor induksi tiga berdaya 1, 10 dan 50 hp untuk melihat kinerja kerja dari adaptif fuzzy dalam menala gain proporsional dan integral.
8
we
vq
vd
Vs|vd |
imr _act
fluks_q
W r
Vs_max
0.5*0.9*311
Vdq
Vdc
311
VdVq
TL
Sp_ref
Scope
S-Function 3
IMS-Function 2
PWM
S-Function 1
RFOC
S-Function
SPD_CTL
Memory 1
Memory
Kp
0.375
Ki
0.95
Fc
1E4
Demux
DemuxDemux
Demux
Act
PWMa
PWMb
PWMc
Imr
Te
theta_eIa
Ib
IcId_ref
Id
IaIb
Ic
Te_acttheta_e_act
theta_r_act
Wr
iq_ref
Vc
Vb
Va
Rotor Speed
Iq
Iq_ref
fluks _d
we
vq
vd
Vs|vd |
imr_act
fluks_q
Wr
Vs_max
0.5*0.9*311
Vdq
Vdc
311
VdVq
TL
Subtract 1
Subtract
Sp_ref
Scope
S-Function 3
IMS-Function 2
PWM
S-Function 1
RFOC
S-Function
SPD_CTL
Memory 1
Memory
Kp
0.375
Ki
0.95
Im
Fuzzy Logic Controller 1
Fuzzy Logic Controller
Fc
1E 4
Display 1
Display
Difference 1
z-1
z
Difference
z-1
z
Demux
Demux
Demux
DemuxDemux
Demux
Add 1
Add
Act
PWMa
PWMb
PWMc
Imr
Te
theta_eIa
Ib
IcId_ref
Id
IaIbIcTe_acttheta_e_acttheta_r_actWr
iq_ref
Vc
Vb
Va
Rotor Speed
Iq
Iq_ref
fluks _d
Gambar III.1 Diagram MATLAB-Simulink adaptif fuzzy dan Diagram
MATLAB-Simulink tanpa adaptif fuzzy tanpa observer MRAS
b. Hasil simulasi unjuk kerja adaptif fuzzy pada Motor 1 HP, 10 HP dan 50 HP. Dengan nilai konstanta pengendali kecepatannya yaitu Kp = 0.375 dan Ki = 0.95.
(a) Motor 1 HPdgn adaptif fuzzy (b) Motor 1HP tanpa adaptif fuzzy
tanpa observer MRAS tanpa observer MRAS
(c) Motor 10 HPdgn adaptif fuzzy (d) Motor 1HP tanpa adaptif fuzzy
tanpa observer MRAS tanpa observer MRAS
(e) Motor 50 HPdgn adaptif fuzzy (f) Motor 50 HP tanpa adaptif fuzzy
tanpa observer MRAS tanpa observer MRAS
Gambar III.3 Respon kecepatan dari Motor 1HP, 10HP
dan 50 HP tanpa perubahan beban
9
c. Hasil simulasi unjuk kerja adaptif fuzzy pada Motor 1 HP, 10 HP dan 50 HP dengan perubahan kecepatan dan Beban Dari simulasi akan dilihat kecepatan rotor
( r ), pada simulasi ini akan dilihat blok adaptif fuzzy dapat menala gain PI ketika terjadi
perubahan kecepatan dan dibandingkan dengan tidak menggunakan adaptif fuzzy dengan kondisi yang sama dengan beban maksimum 7 Nm. Hasil simulasi dengan Motor 1 HP, 10 HP dan 50 HP sebagai berikut:
Nilai konstanta pengendali kecepatannya yaitu Kp = 0.375 dan Ki = 0.95.
(a) Motor 1 HPdgn adaptif fuzzy (b) Motor 1HP tanpa adaptif fuzzy
tanpa observer MRAS tanpa observer MRAS
(c) Motor 10 HPdgn adaptif fuzzy (d) Motor 1HP tanpa adaptif fuzzy
tanpa observer MRAS tanpa observer MRAS
(e) Motor 50 HPdgn adaptif fuzzy (f) Motor 50 HP tanpa adaptif fuzzy
tanpa observer MRAS tanpa observer MRAS
Gambar III.4 Respon dari Motor 1HP, 10HP dan 50 HP
dengan perubahan beban dan kecepatan
Dari hasil simulasi uji kinerja dari adaptif fuzzy pada gambar II.3(a) – II.4(f), terlihat bahwa hasil respon menggunakan adaptif fuzzy dengan nilai konstanta kontrol kecepatan motor gain kp dan ki yang sama dengan daya motor yang berbeda menunjukkan performansi yang baik, dapat dilihat kecepatan motor dapat mencapai waktu mantap walaupun dengan waktu yang berbeda, tetapi bila sistem diberikan beban
pada daya 50 HP, sampai pada t = 20 detik, kecepatan motor belum dapat mencapai waktu mantap, ini dikarenakan proses pembelajaran adaptif fuzzy pada s-function memerlukan waktu yang lama. Berikut tabel hasil respon dari adaptif fuzzy dalam menala gain P dan I, dapat dilihat waktu yang dibutuhkan oleh sistem untuk respon mencapai waktu mantap.
10
Tabel III.2 Respon Kecepatan motor pada Adaptif fuzzy
Daya Waktu respon sistem mencapai steady state
Adaptif fuzzy tanpa Adaptif fuzzy beban nol perubahan beban beban nol perubahan beban
1 HP 2 non 15 non 10 HP 2 non 18 non 50 HP 15 non > 20 non
d. Simulasi observer MRAS pada pengendalian motor induksi tiga fasa
Untuk menguji hasil rancangan observer MRAS pada pengendalian motor induksi tiga fasa mengunakan program SIMULINK MATLAB dengan variasi beban dan kecepatan. Pengujian
dilakukan dengan menggunakan motor induksi tiga fasa yang memiliki daya kecil (1 HP), daya sedang (10 HP) dan daya besar (50 HP) untuk melihat kinerja kerja dari observer MRAS dengan membandingkan kinerja dari full order observer.
vq
Iq
vd
we
we
vq
vd
Vs|vd |
imr_act
fluks_q
wr
fluks _rq
fluks _rd
Vs_max
0.5*0.9*311
Vdq
Vdc
311
VdVq
Te1
TL
Sp_ref
Scope
S-Function 4
MRAS1
S-Function 3
IM 2S-Function 2
PWM
S-Function 1
RFOC
S-Function
SPD_CTL
Memory 1
Memory
Kp
0.7
Ki
1
Im
Fc
1E4
Demux
Demux
DemuxDemux
Demux
Act
PWMa
PWMb
PWMc
Imr
Te
theta_eIa
Ib
IcId_ref
Id
Ia
IbIc
Te_acttheta_e_act
theta_r_actWr
iq_ref
Vc
Vb
Va
Rotor Speed
Iq
Iq_ref
fluks _d
fluks _d_ref
fluk _q_ref
wr_est
Gambar III.5. Diagram MATLAB-Simulink dengan observer MRAS
Pada perancangan simulasi sistem ini, blok motor diasumsikan sebagai motor induksi tiga fasa yang sebenarnya. Masukannya berupa tegangan tiga fasa yang dikeluarkan oleh sumber tegangan inverter (seperti yang telah dibahas pada BagianII). Arus stator keluaran dari motor dan nilai tegangan dari inverter akan diumpanbalikkan ke blok observer MRAS. Maka dalam implementasi sistem sebenarnya diperlukan sensor arus. Umpan balik tersebut memerlukan memori sebelum masuk ke blok observer MRAS. Hal ini dimaksudkan agar tidak terjadi algebraic loop karena algebraic loop terjadi apabila masukan suatu blok dipengaruhi oleh keluaran pada blok yang secara tidak
langsung ikut mempengaruhi karena menjadi masukan blok lainnya yang berhubungan dengan blok tersebut. Waktu sampling yang digunakan pada sistem yaitu 10-4s. e. Perbandingan Simulasi Observer MRAS
dan Full order Observer Berikut ini akan diperlihatkan Gambar III.6
yang memperlihatkan perbandingan kinerja dari kedua observer, perbandingan ditunjukkan dengan membandingkan respon dari kecepatan
rotor ( r ), fluk sumbu d ( d ) , fluks sumbu q
( q) dan Torsi (Te) untuk kedua observer.
Kecepatan Motor 1 HP.
11
(a) dengan observer MRAS (b) observer full order
Kecepatan Motor 10 HP
(c) dengan observer MRAS (d) dengan observer full order
Kecepatan Motor 50HP
(e) dengan observer MRAS (f) dengan observer full order
Gambar III.6. Perbandingan kecepatan motor dengan
observer MRAS dan observer full order
Dari hasil simulasi pada gambar III.6 dapat terlihat kinerja dari observer MRAS, respon kecepatan motor untuk daya motor 1 HP, pada t = 3 dan t = 13 terlihat tidak terjadi overshoot, seperti yang terjadi pada observer full order, untuk daya motor 10 HP performansi dari respon kecepatan motor sama seperti pada performansi daya motor 1 HP, pada daya motor 50 HP
terlihat jelas perbedaan respon kecepatan motor, dimana pada observer full order terlihat ripple yang lebih banyak sebelum sistem mencapai waktu mantap, walaupun respon untuk mencapai waktu mantap hampir sama, untuk observer MRAS pada t = 13 dan untuk observer full order t = 15.
f. Simulasi Perubahan Parameter Momen
Inersia Pada simulasi ini dilakukan perubahan
parameter motor momen inersia pada motor 1 HP, 10 HP dan 50 HP dalam periode waktu tertentu yaitu pada saat t=0 momen inersia dibuat 0.005 kgm2 , pada saat t=5 detik nilai momen inersia dibuat menjadi 0.01 kgm2,
kemudian pada saat t=10 detik, momen inersianya dibuat menjadi 0.2 kgm2, dan pada saat t=15 detik diubah menjadi 1 kgm2, kemudian untuk t=20 detik momen inersianya disesuaikan dengan parameter motor induksi yaitu 0.0436 kgm2. Berikut gambar III.7 yang memperlihatkan respon motor 1 HP, 10 HP dan 50 HP dengan perubahan momen inersia
2
(a) Respon motor 1 HP (b) Respon motor 10 HP (c) Respon motor 50 HP
Gambar III.7. Respon motor dengan perubahan momen inersia
Dari Gambar III.7 terlihat bahwa ketika momen inersia motor dibuat lebih kecil dari nilai parameter aslinya, maka putaran motor terjadi fluktuasi. Dimana nilai kecepatan motor sangat dipengaruhi oleh nilai konstanta momen inersia motor (J). Sehingga penentuan nilai momen inersia yang tidak tepat akan mempengaruhi keluaran model motor induksi yang digunakan.
III. KESIMPULAN
Berdasarkan perancangan dan simulasi sistem kendali Adaptif Fuzzy untuk motor induksi tanpa sensor kecepatan, ditarik kesimpulan sebagai berikut:
1. Sistem menggunakan adaptif fuzzy dapat menala gain proporsional dan gain integral pada nilai konstanta gain kp = 0.375 dan ki = 0.95 untuk daya 1 HP, 10 HP dan 50 HP.
2. Kinerja Observer MRAS pada motor 1 hp tidak terjadi overshoot pada t = 3 detik seperti pada respon yang ditunjukkan dengan penggunaan observer full order. Pada motor 50 hp, respon kecepatan motor menggunakan observer MRAS tidak menunjukkan banyaknya ripple sebelum mencapai keadaan tunak pada t =13 detik, seperti yang terjadi pada observer full order.
3. Dengan parameter motor yang sama, motor dengan nilai momen inersia besar memiliki putaran lebih stabil dibanding dengan motor dengan nilai momen inersia kecil. Dalam percobaan dengan motor 1, 10 dan 50 hp, nilai momen inersia terbaik berturut-turut adalah 1 kgm2, 2 dan 5 kgm2 .
Daftar Pustaka 1. Yusivar, Fery dan S. Wakao, Minimum
Requirements of Motor Vector Control Modeling and Simulation Utilizing C MEX S-function in MATLAB/SIMULINK, IEEE journal, 2001.
2. Albertos P. dan A. Sala, Multivariable
Control Systems : An Engineering Approach, Springer-Verlag London Limited, Valencia, 2004.
3. Krishnan, R., Electric Motor Drives, Prentice Hall, USA, 2001.
4. N. Mohan, T.M. Undeland, W.P. Robbins, Power Electronics, Wiley, 2003.
5. Ogata, Katsuhiko, Modern Control Engineering, edisi 4, Prentice Hall, University of Minnesota, 2002.
6. S.-H. Kim, S.-K. Sul, Voltage Control Strategy for Maximum Torque Operation of an Induction Machine in the Field Weakening region, IEEE Trans. Ind. Electron, vol. 44, hal. 512-518, Aug. 1997.
7. Vas, Peter, Electric Machine and Drives: A Space Vector Theory Approach, Oxford University, New York, 2003.
8. J-S R Iang,C-T Sun and E Mizutani,Neuro-Fuzzy and Soft Computing,Prentice-Hall International,Inc,1997.
9. Truc Pham-Dinh, Effects Of Iron Loss On Adaptive Speed Control In Rotor Flux Oriented Control Of Induction Motor,Vietnam National University ,2007.
10. Youssef Agrebi, Moncef Triki,Rotor speed estimation for indirect stator flux oriented induction motor drive based on MRAS scheme, J. Electrical Systems 3-3,2007.