09-2014 Penyetelan PID

Tujuan Pembelajaran
Saat kuselesaikan bab ini, kuingin dapat melakukan

hal-hal berikut.
• Menjelaskan sasaran kinerja yang kita cari hingga

ketemu lewat penyetelan (tuning).
• Menerapkan prosedur penyetelan menggunakan kurva
reaksi porses (process reaction curve) dan persamaan
tuning.
• Perbaikan kinerja lebih lanjut dengan penyetelan yang
baik
Kerangka Kuliah
Kerangka Kuliah
• Pendekatan trial-and-error - kenapa kita

tidak menggunakannya
• Definisi masalah tuning
• Menyelesaikan dan Mengembangkan
korelasi
• Menerapkan korelasi ke contoh-contoh
• Kehalusan penyetelan - sentuhan pribadi
Tahapan PABRIK
• Desain
• Konstruksi
• Commissioning CONTROLLER TUNING
• Start up
• Operation
• Production
• Optimization
Apa yang Distel?
• P : PB atau Kc
• I : Ti
• D : Td
Sifat-sifat yang Kita Cari dalam Kontroler
• Kinerja yang baik - ukuran

feedback dari Bab 7 Bab ini
• Aplikabilitas yang luas -
parameter yang dapat disetel
• Kalkulasi tepat waktu -
menghindari lup konvergen
Bab sebelumnya
• Ganti ke/dari manual - tanpa
tabrakan
• Ekstensibel - dipertinggi dengan
Bab nanti
mudah
Penyetelan PID
• Bagaimana kita menerapkan persamaan sama untuk
banyak proses?
• Bagaimana mencapai kinerja dinamik yang kita inginkan?
TUNING!!!
 1 d CV 
MV (t )  K c  E(t )   E(t' )dt'Td I
 TI 0 dt 
Parameter yang dapat disetel disebut konstanta tuning. Kita dapat

menyesuaikan harganya ke proses untuk mempengaruhi kinerja dinamik
Penyetelan PID
S-LOOP plots deviation variables (IAE = 608.1005)
40
20
Trial 1: tak
Controlled Variable
0
Adakah cara -20
stabil, hilang
-40
yang lebih mudah 0 20 40 60
Time
80 100 120
$25,000
100
dari pada 50
Manipulated Variable
trial &error? -50
0
-100
0 20 40 60 80 100 120
Time

1
0.8
Trial 2: kelewat
Controlled Variable
0.6
0.4
0.2
0
pelan, rugi
0 20 40 60 80 100 120
1
Time
$3,000
0.8
0.6
0.4
0.2
0
0 20 40 60 80 100 120
Time
AC

1.5
1
Trial n: OK,
Controlled Variable
0.5 akhirnya!, tapi

 TI 0 dt 
0
didapat
K c  E (t )  I
0 20 40 60 80 100 120
MV (t )   E(t' )dt'Td
Time
 1 d CV 
1.5
dengan
1
kelewat lama!!
0.5
0
0 20 40 60 80 100 120
Time
Penyetelan PID
DYNAMIC SIMULATION
1
Controlled Variable
0.8
Ya, kita bisa 0.6
0.4
Tentukan sebuah model
menyiapkan 0.2
0
menggunakan eksperimen
korelasi yang
0 5 10 15 20 25 30 35 40 45 50
Time
PRC (process reaction
1
baik! 0.8
0.6
curve).
0.4
0.2
0
0 5 10 15 20 25 30 35 40 45 50
Time
Tentukan konstanta
penyetelan awal dari
Kc TI korelasi.
Definisikan masalah tuningnya

1. Dinamika proses
2. Variabel yang diukur
3. Kesalahan model 1.5
4. Input forcing 1
Terapkan dan setel lebih
Controlled Variable
5. Kontroler
6. Ukuran kinerja
0.5
halus sesuai kebutuhan.

0
0 20 40 60 80 100 120
Time
1.5
1
0.5
0
0 20 40 60 80 100 120
Time
Penyetelan PID
DYNAMIC SIMULATION
Definisikan masalah Kontroler PID akan berfungsi

1.5
tuningnya
baik untuk daerah yang luas dari 1
1. Dinamika proses
dinamika proses berumpan-balik
Controlled Variable
0.5
ditunjukkan di sini.
2. Variabel yang 0
diukur DYNAMIC SIMULATION

0 5 10 15 20 25
Time
DYNAMIC SIMULATION
30 35 40 45 50
1.5
3. Kesalahan model
0.8
0.6 1
Controlled Variable
4. Input forcing
Controlled Variable
0.4
0.5
0.2
5. Kontroler 0
0
0 5 10 15 20 25 30 35 40 45 50
0 5 10 15 20 25 30 35 40 45 50
Time
Time
6. Ukuran kinerja 1
DYNAMIC SIMULATION
1.5
DYNAMIC SIMULATION
0.8
1
Controlled Variable
0.6
Controlled Variable
0.4
0.5
0.2
0 0
0 5 10 15 20 25 30 35 40 45 50 0 5 10 15 20 25 30 35 40 45 50
Time
Time
0.8
Gambarkan dinamikanya
0.6
0.4 dari data perubahan step.

0.2
0
0 5 10 15 20 25 30 35 40 45 50
Time
Penyetelan PID
DYNAMIC SIMULATION
Definisikan masalah Kontroler PID akan berfungsi

1.5
tuningnya
baik untuk daerah yang luas dari 1
1. Dinamika proses Tak stabil

dinamika proses berumpan-balik
Controlled Variable
0.5
ditunjukkan di sini.
2. Variabel yang 0

0 5 10 15 20 25
Time
DYNAMIC SIMULATION
30 35 40 45 50
1.5
3. Kesalahan model
0.8
0.6
Orde n dengan dead 1
Integrator, lihat Bab

Controlled Variable
4. Input forcing time
Controlled Variable
0.4
0.5
18
0.2
5. Kontroler 0
0
0 5 10 15 20 25 30 35 40 45 50
0 5 10 15 20 25 30 35 40 45 50
Time
Time
6. Ukuran kinerja 1
DYNAMIC SIMULATION
1.5
DYNAMIC SIMULATION
0.8
1
Controlled Variable
0.6
Orde satu dengan
Controlled Variable
0.4
0.2
dead time 0.5
underdamped
0 0
0 5 10 15 20 25 30 35 40 45 50 0 5 10 15 20 25 30 35 40 45 50
Time
Time
0.8
Gambarkan dinamikanya
0.6
0.4 dari data perubahan step.

0.2
0
0 5 10 15 20 25 30 35 40 45 50
Time
Penyetelan PID
Definisikan masalah
tuningnya Kontroler PID akan berfungsi baik untuk daerah yang luas dari
1. Dinamika proses dinamika proses berumpan-balik
Kita akan
2. Variabel yang
mengembangkan korelasi
1
penyetelan untuk
3. Kesalahan model
0.8
Controlled Variable
0.6 dinamika ini.
4. Input forcing
• Sangat umum terjadi
0.4
0.2
5. Kontroler
• Cocokkan model
0
0 5 10 15 20 25 30 35 40 45 50
Time
6. Ukuran kinerja 1
DYNAMIC SIMULATION menggunakan PRC
• Proses-proses lain
0.8
Controlled Variable
0.6
0.4
dikendalikan dengan PID;
0.2 perlu trial-and-error lagi
0
0 5 10 15 20 25 30 35 40 45 50
Time
0.8
0.6
0.4
0.2
0
0 5 10 15 20 25 30 35 40 45 50
Time
Penyetelan PID
Definisikan masalah
tuningnya
Situasi yang realistis: Variabel yang diukur akan
1. Dinamika proses
memasukkan efek dari sensor noise dan frekuensi gangguan
proses tinggi
2. Variabel yang
1.5
3. Kesalahan model
Controlled Variable
1
4. Input forcing
0.5
5. Kontroler
0
6. Ukuran kinerja
-0.5
0 5 10 15 20 25 30 35 40 45 50
Time
1
0.8
0.6
0.4
0.2
0
0 5 10 15 20 25 30 35 40 45 50
Time
Penyetelan PID
Definisikan masalah
tuningnya Situasi yang realistis: Model tidak mewakili proses
1. Dinamika proses secara pasti. Kita akan asumsikan bahwa model
memiliki  25% kesalahan pada gain, konstanta waktu
2. Variabel yang
diukur dan dead time, sebagai contoh:
3. Kesalahan model
DYNAMIC SIMULATION
1 1
4. Input forcing
0.8
Manipulated Variable 0.8
Controlled Variable
0.6 0.6
5. Kontroler 0.4 0.4
0.2 0.2
6. Ukuran kinerja 0
0 5 10 15 20 25 30 35 40 45 50
0
0 5 10 15 20 25 30 35 40 45 50
Time Time
gain
Dead time
1.5 - 2.5
3.75 - 6.25
5 s
CV ( s ) 2.0e
GP ( s )  
MV ( s ) 10 s  1 Time constant
7.5 -1 2.5
Penyetelan PID
Definisikan masalah
Situasi yang realistis: Dua masukan yang
tuningnya khas akan dipertimbangkan, perubahan di set
1. Dinamika proses
point dan gangguan. Untuk korelasi, pakai
2. Variabel yang
diukur
step inputs, tapi kontroler akan berfungsi
3. Kesalahan model
untuk masukan lainnya.
4. Input forcing
Solvent % A
5. Kontroler FS
6. Ukuran kinerja solvent
FA
pure A
AC SP
Penyetelan PID
Situasi yang realistis : Kita akan
Definisikan masalah
tuningnya mempertimbangkan kontroler PID, yang mana
1. Dinamika proses digunakan untuk hampir semua kontroler lup-
2. Variabel yang tunggal (1CV, 1MV).
diukur
 1

d CV 
3. Kesalahan model MV (t )  K c  E (t ) 
 TI 0 E (t ' )dt 'Td dt   I
4. Input forcing
5. Kontroler
6. Ukuran kinerja FS
solvent
FA
pure A
AC SP
Penyetelan PID
Definisikan masalah Perilaku Dinamik CV:
tuningnya Stabil, offset nol, IAE minimum
1. Dinamika proses
2. Variabel yang
diukur
3. Kesalahan model
Perilaku Dinamik MV:
4. Input forcing
osilasi terredamdan fluktuasi kecil
5. Kontroler disebabkan oleh noise.
6. Ukuran kinerja
MV bisa lebih
agresif pada
bagian transien
yang pertama
Penyetelan PID
Definisikan masalah Sasaran utama kita adalah menjaga CV dekat
tuningnya dengan set point-nya. Di samping tidak mengauskan
1. Dinamika proses katupnya, kenapa kita punya sasaran untuk MV?
2. Variabel yang
diukur
3. Kesalahan model Steam flow

40
4. Input forcing 30
5. Kontroler 20
10
6. Ukuran kinerja
0
-10
0 5 10 15 20 25 30 35 40
Time
Large, rapid changes to the

steam flow can damage the
AC
trays
Penyetelan PID
Definisikan masalah Sasaran utama kita adalah menjaga CV dekat
tuningnya dengan set point-nya. Di samping tidak mengauskan
1. Dinamika proses katupnya, kenapa kita punya sasaran untuk MV?
2. Variabel yang
diukur
3. Kesalahan model PI
1
Fuel flow
40
4. Input forcing
AT PI
1 4
FT
1 TI
30
PI
1
5
5. Kontroler TI
TI
5
20
2
6. Ukuran kinerja PT
TI
6
10
TI
3 0
TI
7
TC TI
10
TI
-10
0 5 10 15 20 25 30 35 40
TI
FT FI
8
2 TI
3
Time
11
PI
2
PI
3
PI
6
Besar, perubahan cepat
terhadap aliran bahan bakar
Fuel
menyebabkan tekanan panas
(thermal stress) yang merusak
tube.
Penyetelan PID
Definisikan masalah
tuningnya DEFINISI GABUNGAN DARI MASALAH PENYETELAN UNTUK
1. Dinamika proses KORELASI
2. Variabel yang
• Model proses dinamik orde satu dengan dead time (FOPDT)
diukur • Sinyal pengukuran kebisingan (noisy)
3. Kesalahan model
• Kesalahan parameter ± 25% antara model/pabrik
• Kontroler PID: tentukan Kc, TI, Td
4. Input forcing
• Minimisasi IAE dengan MV di dalam batas
5. Kontroler
6. Ukuran kinerja
Kita capai sasaran dengan

menyesuaikan Kc, TI dan Td.
Detailnya ada di bab dan
Appendix E.
Metode Penyetelan Kontroler
 PRC-FOPDT
 Grafis
 Ciancone (1992)
 Lopez (1969)
 Persamaan
 Ziegler- Nichols (1942)
 Coon-Cohen (1953)
 Lopez (1967)
 Sintesis Dahlin (1968)
 Wahid-Rudi-Victor (2005)
 On-line: Ziegler-Nichols (1942)
 Internal Model Control (IMC)
 PRC-SOPDT: Sung, dkk (1996)
Penyetelan PID
Process reaction Selesaikan masalah Terapkan, apa
curve penyetelan. Perlu kinerjanya baik?
program komputer.
1.5
1
0.5
0
-0.5
0 5 10 15 20 25 30 35 40 45 50 DEFINISI GABUNGAN DARI MASALAH
1 PENYETELAN UNTUK KORELASI
0.8
v1
•
0.6
0.4 Model proses dinamik orde satu
0.2
00 5 10 15 20 25 30 35 40 45 50
dengan dead time (FOPDT) TC
• Sinyal pengukuran kebisingan (noisy)

v
• Kesalahan parameter ± 25% antara
1
TC model/pabrik v2
• Minimisasi IAE dengan MV di dalam
v batas
2
Kp = 1 Kc = 0.74
 = 5 TI = 7.5
 = 5 Td = 0.90
Penyetelan PID
Penyetelan bukan terbaik untuk sembarang kasus individual, tapi terbaik
untuk daerah dinamika yang mungkin - itu handal (robust)!
15 15 15
10 10 10
CV
CV
CV
5 5 5
0 0 0
-5 -5 -5
0 20 40 60 80 100 120 0 20 40 60 80 100 120 0 20 40 60 80 100 120
40 30 25
20
30 Batas MV Batas MV Batas MV
20
15
MV
MV
MV
20
10
10
10
5
0 0 0
0 20 40 60 80 100 120 0 20 40 60 80 100 120 0 20 40 60 80 100 120
time time time
Plant = - 25% Plant = model Plant = + 25%
Penyetelan PID
Kinerja baik
Process Selesaikan masalah

reaction curve penyetelan. Perlu
program komputer. 15
10
1.5
1
CV
0.5 5
0
-0.5
0 5 10 15 20 25 30 35 40 45 50 DEFINISI GABUNGAN DARI MASALAH 0
1 PENYETELAN UNTUK KORELASI
0.8
-5
•
0.6
0.4 Model proses dinamik orde satu 0 20 40 60 80 100 120
0.2
00 5 10 15 20 25 30 35 40 45 50
dengan dead time (FOPDT)
• Sinyal pengukuran kebisingan (noisy) 30
v
• Kesalahan parameter ± 25% antara
1
TC model/pabrik
20
MV
• Minimisasi IAE dengan MV di dalam
v batas 10
2
0
0 20 40 60 80 100 120
Kp = 1 Kc = 0.74 time
 = 5 TI = 7.5
v
1
 = 5 Td = 0.90 TC
v
2
Penyetelan PID
Kita dapat menyelesaikan setiap masalah secara individual, tapi ini akan
terlalu banyak makan waktu. Kita akan menyukai untuk mengembangkan
sebuah korelasi didasarkan pada banyak solusi.

K c K p 1  1 
 s' (Td /(   )  e  s ' /(  ) 
        
CV ( s )
  s' (T I /( )  1 s' ( /( )) 
MV ( s ) 1  K K 1  1      e  s ' /(  ) 
 s' (TI /(   )
s ' (T /( )  1  s' ( /(   )) 
 
c p d
Konstanta Penyetelan Tanpa Variabel bebas

Satuan
Ingat bahwa /(+ ) +  /(+ ) = 1
disturbance Set point change
Penyetelan PID
(KORELASI CIANCONE)
Grafik Tuning untuk Kontroler
PID Berumpan-balik
menggunakan KORELASI
CIANCONE
Ini dikembangkan dengan

merangkum sejumlah besar studi
kasus pada grafik tanpa
dimensi ini?
(Lihat halaman 281 di buku ajar untuk gambar yang lebih besar.)
Penyetelan PI (KORELASI CIANCONE)
disturbance Set point
Grafik Tuning untuk Kontroler PI
Berumpan-balik menggunakan
KORELASI CIANCONE
Ini dikembangkan dengan

merangkum sejumlah besar studi
kasus pada grafik tanpa
dimensi ini?
(Lihat halaman 286 di buku ajar untuk gambar yang lebih besar.)
Penyetelan PID
Mari kita terapkan grafik tuning ke proses 3 tangki pencampuran, yang bukan
FOPDT.
FS
solvent
FA
pure A
AC
Process reaction curve Tuning dari chart

Kp = 0.039 %A/%open Kc = ??
 = 5.5 min TI = ??
 = 10.5 min Td = ??
Penyetelan PID
Mari kita terapkan grafik tuning ke proses 3 tangki pencampuran, yang bukan
FOPDT.
FS
solvent
FA
pure A
AC
Process reaction curve Tuning dari chart

Kp = 0.039 %A/%open Kc = 1.2/0.039 = 30 %open/%A
 = 5.5 min TI = 0.69(16) = 11 min
 = 10.5 min Td = 0.05(16) = 0.80 min
Penyetelan PID
Kinerja yang baik Konsentrasi effluent
Gangguan konsentrasi
3.4
3.3
concentration
3.2
FS
3.1
solvent
3
0 20 40 60 80 100 120 140 160 180 200
time
FA
Valve % open
pure A
50
45 AC
manipulated flow
40
35
30
 1 d CV 
25
v  30  E (t )   E (t ' )dt'0.80  50
0 20 40 60 80 100 120 140 160 180 200
time

 11 0 dt 
Penyetelan PID
FINE TUNING: Process reaction curve dan grafik tuning menyediakan
sebuah metode yang baik untuk penyetelan beberapa (tidak semua) lup PID.
Kita perlu mempelajari bagaimana untuk penyetelan lup yang halus untuk
terus memperbaiki kinerja didasarkan pada perilaku sekarang - KENAPA?
• Beberapa lup akan memiliki obyektif kinerja yang berbeda-beda

• Beberapa lup akan memiliki dinamik yang berbeda dari FOPDT
• Bisa terjadi kesalahan pada PRC, mungkin terjadi gangguan
selama eksperiman.
• Dinamika pabrik dapat berubah disebabkan oleh perubahan
pada laju alir umpan, konversi reaktor, dan sebagainya.
Penyetelan PID
 1 d CV 
MV (t )  K c  E(t )   E(t' )dt'Td I
 TI 0 dt 
Apa efek dari merubah gain kontroler pada kinerja sebuah lup PID?
Mari kita lakukan sebuah eksperimen dengan merubah Kc dan memonitor

kinerjanya.
Penyetelan PID
60
Bad • Kenapa IAE naik
control performance, IAE

v1 untuk Kc yang kecil?
40
TC
• Kenapa IAE naik
? untuk Kc yang besarl?
20
v2
0
0 0.5 1 1.5 2
controller gain
1 1 1
Kc = 0.62
Kc = 1.14 Kc = 1.52
controlled variable
0.5
controlled variable
controlled variable
0.5 0.5
0 0 0
-0.5 -0.5 -0.5

Is this the “best”?
-1 -1 -1
0 50 100 150 200 0 50 100 150 200 0 50 100 150 200
time time time
Kontroler PID dengan perubahan Kc, TI = 10, Td = 0.

Penyetelan PID
 1 d CV 
MV (t )  K c  E(t )   E(t' )dt'Td I
 TI 0 dt 
Apa efek merubah waktu integral pada kinerja lup PID?
Apa jawabannya berbeda dari Kc? Apa bedanya?

Penyetelan PID
FINE TUNING: Mari kita terapkan pemahaman kita untuk membangun pedoman
fine tuning.
1.5
Controlled Variable
Ini adalah kinerja

0.5 pengendalian yang “baik”.
Jelaskan bentuk respon

0 CV dan MV.
0 5 10 15 20 25 30 35 40 45 50
Time
1.5
0.5
0
0 5 10 15 20 25 30 35 40 45 50
Time
Penyetelan PID
Catatan: ini adalah perubahan step pada set point - baik untuk diagnosis!
CV dibatasi overshoot set point,
S-LOOP plots deviation variables (IAE = 9.6759) peredaman cepat, dan kembali
1.5 ke set point-nya
Controlled Variable
0.5
CV tidak berubah disebabkan oleh dead time

0
0 5 10 15 20 25 30 35 40 45 50
Constant slope Time
E(t) = constant
1.5
MV overshoot moderate <= 0.5(MVss)

0.5 MV0 = Kc (SP) seharusnya mendekati perubahan yang MVss

diperlukan pada steady state.
0
0 5 10 15 20 25 30 35 40 45 50
Time
Penyetelan PID
Terapkan pedoman fine tuning untuk respon di bawah dan sarankan
perubahan spesifik untuk perbaikan.
1
Controlled Variable
0.8
0.6
0.4
0.2
0
0 5 10 15 20 25 30 35 40 45 50
Time
1
0.8
0.6
0.4
0.2
0
0 5 10 15 20 25 30 35 40 45 50
Time
Penyetelan PID
1
Ini kinerja pengendalian

Controlled Variable
0.8
yang jelek.
0.6
Kontroler tidak cukup
0.4 The CV response is very slow, agresif.
not aggressive enough
0.2
MV0, kecil, gain
kontroler naik,
0
0 5 10 15 20 25 30 35 40 45 50 Kc sekitar x2
Time
1
0.8
0.6
0.4
Perubahan awal pada MV terlalu kecil, lebih kecil 40% dari
0.2
harga akhirnyal, perubahan steady-state.
0
0 5 10 15 20 25 30 35 40 45 50
Time
Penyetelan PID
2
Ini kinerja pengendalian

Controlled Variable
1.5
yang jelek.
1 Kontroler tidak cukup

agresif.
0.5
MV0, kecil, gain
0
kontroler naik,
0 10 20 30 40 50 60 70 80 Kc sekitar
90 x2
100
Time
2.5
1.5
0.5
0
0 10 20 30 40 50 60 70 80 90 100
Time
Penyetelan PID
2
CV terlalu berosilasi Ini kinerja pengendalian

Controlled Variable
1.5
yang jelek.
1 Kontroler tidak cukup

agresif.
0.5
MV0, kecil, gain
0
kontroler naik,
0 10 20 30 40 50 60 70 80 Kc sekitar
90 x2
100
Time
2.5
2
Overshoot MV terlalu besar
1.5
0.5 MV0
0
0 10 20 30 40 50 60 70 80 90 100
Time
Metode LOPEZ (Grafis)
Metode LOPEZ
(Persamaan - Disturbance)
Kontroler PID (Lopez – Disturbance)
Metode LOPEZ
(Persamaan - Setpoint)
Kontroler PID (Lopez – Setpoint)
Metode Ziegler-Nichols (PRC)
Tipe Proportional Integral Derivative

Kontroler gain (Kc) time (Ti) time (Td)
−1
Proportional P 1 𝜃 - -
only 𝐾𝑝 𝜏
−1
Proportional PI 0.9 𝜃 3.33𝜃 -
-Integral 𝐾𝑝 𝜏
−1
Proportional PID 1.2 𝜃 2.0𝜃 0.5𝜃
-Integral- 𝐾𝑝 𝜏
Derivative
Metode Ziegler-Nichols (Online)
• Langkah-langkah percobaan
• Set kontroler:
• AUTOMATIK
• Proporsional saja (Ti maksimum, Td = 0)
• Ubah-ubah harga Kc atau PB (Proportional Ba
nd = 100/Kc) hingga responnya berosilasi pen
uh atau siklik:
• Kc yang didapatkan disebut Kcu (ultimate controlle
r gain)
• Hitung periode osilasinya (Tu)
Metode Ziegler-Nichols (Online)

Proportional P 𝐾𝑐𝑢 - -
only 2
Proportional- PI 𝐾𝑐𝑢 𝑇𝑢 -
Integral 2.2 1.2
Proportional- PID 𝐾𝑐𝑢 𝑇𝑢 𝑇𝑢
Integral- 1.7 2 8
Derivative
Metode Tyreus-Luyben (Online) 1996

Proportional P − - -
only
Proportional- PI 𝐾𝑐𝑢 2.2𝑇𝑢 -
Integral 3.2
Proportional- PID 𝐾𝑐𝑢 2.2𝑇𝑢 𝑇𝑢
Integral- 2.2 6.3
Derivative
Cohen-Coon Tuning
• Model: FOPDT
• Spesifikasi kinerja:
Untuk mendapatkan
1/4 rasio peluruhan
• penurunan cepat pada
amplitudo osilasi
• Rasio peluruhan
• Overshoot
• Untuk sistem orde dua:

Cohen-Coon Tuning
Contoh
Cohen-Coon Tuning
• Cohen-Coon: Servo
• Kontroler PID lebih baik dari PI

• Gain kontroler lebih agresif/tinggi
• Respon tidak diinginkan untuk banyak kasus
Cohen-Coon Tuning
• Cohen-Coon: Regulatori
• Osilasi lebih tinggi

• Lebih agresif
Sintesis DAHLIN
• Minium IAE
Kontroler PI: 0.5   
Kc   
c = 2/3 
K  
Kontroler PID:
c = 1/5 
• 5% 0vershoot
0.5   
Kc   
K  
  1  1  2 s 
Gc s   1   
K  c     s  1   ' s 
 c
 '
2   
Contoh Sintesis Dahlin
0.8e 11.2 s
FOPDT 
33.8s  1
Fungsi alih dari kontroler sintesis :
 
 
 1  1  5.6 s
Gc s  
33.8 
1  
0.80(0.2)(33.8)  11.2   33.8s  1  5.6(0.2)(33.8) s 
 (0.2)(33.8)  11.2 
 
 1  1  5.6s 
Gc s   2.35241   
 33.8s  1  2.1078s 
Korelasi Wahid-Rudi-Victor (WRV): Servo
0,0672  1,774
• Proporsional: Kc 
K
• PI:
0,0433  0,8353
Kc   i  1,027  10,777
K
0.0679*  0.9968
• PID: KC 
K
 i  1.1200*  1.8665
 D  0.6409*  2.4525
55
Tentukan harga parameter
Kontroler PID dengan berbagai
Korelasi
51
output variable, degrees C

input variable, % open
47
43
55 39
45
0 10 20 30 40
time
Heat Exchanger
Exchanger
G p s   C/kg/s 
50
30 s  1
Sensor-transmitter
100%
Gain   1.0 %/C
150  50C
Gm s  
1.0
%/C
10s  1
Control valve
 0.016 kg/s  / %
1.6 (kg/s)
Gain 
100%
Gv s   kg/s  / %
0.016
3s  1
0.8e11.2 s
PRC G( s) 
33.8s  1
Kode MATLAB
Kc=input('Masukkan harga Kc: '); % SERVO (Setpoint)
Ti=input('Masukkan harga Ti: '); G=n/d;
Td=input('Masukkan harga Td: '); t=0:h:tn;
tn=input('Waktu akhir: '); step(G,t)
h=input('dt: '); [y,t]=step(G,t);
Gc=Kc*tf([Ti*Td Ti 1],[Ti 0]); n=length(t);
Gv=tf(0.016,[3 1]); IAE=0;
Gp=tf(50,[30 1]); for j=2:n
Gs=tf(1,[10 1]); IAE(j)=IAE(j-1)+h*abs(1-y(j-1));
Kp=0.8; end
n=Gc*Gv*Gp; pause
d=1+Gc*Gv*Gp*Gs; plot(t,IAE)
IAE=IAE(n)
0.8e11.2 s
Perbandingan G( s) 
33.8s  1
Ziegler-Nichols:
Kc = 4.5 Lopez:
Ti = 22.4
Td = 6.6 Kc = 1.63
IAE = 10.5252 Ti = 48.5
Ciancone: Td = 4.29
Kc = 1.5 IAE = 26.9076
Ti = 40.5 Wahid
Td = 1.8
IAE = 23.678 Kc = 4
Cohen-Coon Ti = 40
Kc = 5.34 Td = 9
Ti = 24.32 IAE = 3.2461
Td = 3.84
IAE = 14.0442
Internal Model Control
• Hubungan kontroler yang diimplementasikan (Gc):
• Fungsi alih lup tertutup:

1. Model proses difaktorkan ke dalam dua bagian
dengan mengandung dead-time dan RHP zero, sat

edy state gain diskalakan 1
2. Kontroler
dengan f adalah filter IMC (low pass)

• Catatan
• kontroler IMC lebih melibatkan dari pada
dijamin untuk yang secara fisik dapat dicapai dan stabil
• IMC didasarkan pada penghilangan pole-zero

tidak direkomendasikan untuk proses tidak stabil lup terbuka
• Jika model proses sempurna

• Penyetelan kontroler PID didasarkan IMC

• Asumsinya model sempurna (perfect model)
• Filter yang digunakan orde satu:
• Proses mengandung:
• RHP (right half plane) zero
• Komponen integral
• Time delay perlu diaproksimasi dengan Pad

e
Penyetelan kontroler PID didasarkan IMC unt
uk Gc
Controller Tuning by SOPDT
km e m s
G p s   Gm s   2 2
 m s  2 m m s  1

  
0.983


K p K c  0.04  0.333  0.949   ,   0.9

 
  

   
 0.832
   
K p K c  0.544  0.308   1.408   ,   0.9
      

TI     
 2.055  0.072  , 1
     
TI     
 1.768  0.329  , 1
  
  
    1.06  
       1.09

            
 1  exp   0 .55  1 .683   
Td   0.87      
   
  
 
Controller Tuning by SOPDT
Model SOPDT
• Metode Harriott (1964)
• Metode Smith (1972)
• Rough Model
Metode Harriott
t 73% (dari PRC)
t73%
1   2 
1 .3 1   2
1   2
t
 0 .5
1   2
t
PRC
y/KM
Kurva Harriott
1
1   2  1 , 2 Gm s  
K
 1s  1 2 s  1
Metode Smith
t20% t60% dari PRC
t 20%
t 60%
Kurva SMITH
Gm s   2 2
K

t 60%
  s  2s  1

Gm s  
 1      2  1 K
 2      2  1  1s  1 2 s  1
Rough Model
G s  
K
1   2   3
 1s  1 2 s  1 3 s  1
Ke3s
SOPDT   1,  2 ( terbesar)
 1s  1 2 s  1
   3 ( terkecil)
km e m s
G p s   Gm s   2 2
 m s  2 m m s  1
Studi Kasus
3 2
d c A3 (t ) d c A3 (t ) dc A 3 ( t )
8 3
 10 2
6  c A 3 ( t )  0.125c A0 ( t )
dt dt dt
dc A 3 d 2c A3
dengan c A 3 (0)  0; (0)  0; 2
( 0)  0
dt dt
Jika kita menggunakan kontroler P, PI dan PID yang optimum,

buat grafik untuk ketiga respon tersebut! Asumsinya Gv(s) = Gs(s) =1
PRC
MATLAB
% 3 CSTR
Gcstr=tf(.125,[8 10 6 1]);
step(Gcstr)
[ca3,t]=step(Gcstr);
Gc1=13.399*tf([7.1885 1],[7.1885 0]);
Gc2=10.3515*tf([4.746 1],[4.746 0]);
Gc3=8.074*tf([14.903 1],[14.903 0]);
Gclosedloop1=Gc1*Gcstr/(1+Gc1*Gcstr);
subplot(3,1,1)
step(Gclosedloop1)
subplot(3,1,2)
step(Gclosedloop2)
subplot(3,1,3)
step(Gclosedloop3)
Penyetelan PID - WORKSHOP 1
Bayangkan bahwa kamu adalah terdampar di sebuah pulau dan kamu tidak
memiliki buku ajar atau diktat kuliah! Tentu saja, kamu ingin menyetel
kontroler PID.
Tinjau grafik tuning dan kembangkan beberapa pedoman kasar untuk
penyetelan yang kamu ingin ingat untuk sisa hidupmu.
Pantai tropis tapi tidak ada

textbook atau sambungan
internet.
Gain kontroler adalah positif untuk contoh-contoh di dalam diktat. Apa Kc
selalu lebih besar dari nol? Di dalam jawabanmu, diskusikan sistem
pengendalian suhu pada gambar di bawah ini.
v1
TC
v2
Apa satuan dari gain kontroler-nya?

Data di bawah ini adalah PRC untuk sebuah proses, grafikkan dalam
variabel deviasi. Tentukan penyetelan untuk sebuah kontroler PID.
4
3
Controlled Variable
-1
0 5 10 15 20 25 30 35 40 45 50 v1
Time
TC
15
10
v2
0
0 5 10 15 20 25 30 35 40 45 50
Time
Diagnosis data lup-tertutup pada gambar dan sarankan modifikasinya,
jia perlu.
1.5
Controlled Variable
0.5
-0.5
0 5 10 15 20 25 30 35 40 45 50
Time v1
20 TC
15
10
v2
5
-5
0 5 10 15 20 25 30 35 40 45 50
Time
Meski dengan eksperimen yang sangat hati-hati, kamu dapat menentukan
parameter modelnya dengan ketidakpastian  50%. Rekomendasikan
harga kontanta penyetelan awal untuk sebuah kontroler PID.
DYNAMIC SIMULATION
1 1
0.8 0.8
Controlled Variable
0.6 0.6
0.4 0.4
0.2 0.2
0 0
0 5 10 15 20 25 30 35 40 45 50 0 5 10 15 20 25 30 35 40 45 50
Time Time
gain
Dead time
1.0 - 3.0
2.5 - 7.5
5 s
CV ( s ) 2.0e
GP ( s )  
MV ( s ) 10 s  1 Time constant
5.0 -1 5.0
Penyetelan PID
Saat kuselesaikan bab ini, kuingin dapat melakukan
hal-hal berikut.
• Menjelaskan sasaran kinerja yang kita cari hingga

ketemu lewat penyetelan (tuning).
• Menerapkan prosedur penyetelan menggunakan kurva
reaksi porses (process reaction curve) dan persamaan
tuning.
• Perbaikan kinerja lebih lanjut dengan penyetelan yang
baik
Banyak perbaikan, tapi kita perlu beberapa studi lagi!

• Baca textbook
• Tinjau catatannya, khususnya tujuan pembelajaran dan workshop
• Uji coba nasihat-nasihat belajar mandiri
• Tentunya, kita seharusnya punya tugas (assignment)!
Bab 9 - Sumber Pembelajaran
• Home page
- Instrumentation Notes
- Interactive Learning Module (Bab 9)
- Tutorials (Bab 9)
• Cari WEB dan temukan produk perangkat lunak “automatic PID

tuning”. Siapkan tinjauan kritis dari tekniknya.
Bab 9 - SARAN UNTUK BELAJAR MANDIRI
1. Temukan beberapa plot PRC pada Bab 3-5 dan tentukan

penyetelankontroler PID dan PI menggunakan grafik tuning.
2. Menggunakan MATLAB, ulangi hasil simulasi untuk 3-tangki
pencampuran di bawah kontrol PID. Kemudian tentukan sensitivitas
untuk perubahan di dalam tuning dengan merubah KC dan TI (secara
bersamaan), % perubahan dari penyetelan kasus dasar; -50%, -10%,
+50%. Diskusikan hasilmu.
3. Menggunakan MATLAB, tambahkan noise untuk pengukuran di dalam
submenu 1, Kn = 0.05 . Simulasikan penyetelan asal dan harga lain dari
Td. Apa yang terjadi pada kinerjanya?
Bab 9 - SARAN UNTUK BELAJAR MANDIRI
4. Formulasikan jawaban-jawaban yang serupa dengan itu di dalam WILMO,

satu untuk setiap Check Your Reading, Study Questions dan Thought
Questions.
5. Pada Bab 3-5, temukan contoh-contoh proses untuk mana penyetelan dari
tuning charts akan (1) applicable dan (2) not applicable.
6. Pada hari Senin, kita menyetel kontroler komposisi 3-tangki
pencampuran. Pada hari Jum’at, kita antisipasi penurunan laju alir umpan
sebesar 50% (dari 7 ke 3.5 m3/min). Saat ini terjadi, apa seharusnya kita
merubah penyetelan kontroler? Jika ya, yang mana yang tetap dan
berapa harnya?
(Ingat: Model tiga-tangki pencampuran ada di Example 7.2 pada halaman 223 dari buku ajar.)

09-2014 Penyetelan PID

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

09-2014 Penyetelan PID

Uploaded by

Copyright:

Available Formats

Tujuan Pembelajaran

Saat kuselesaikan bab ini, kuingin dapat melakukan

• Menjelaskan sasaran kinerja yang kita cari hingga

• Pendekatan trial-and-error - kenapa kita

• Kinerja yang baik - ukuran

Parameter yang dapat disetel disebut konstanta tuning. Kita dapat

Adakah cara -20

yang lebih mudah 0 20 40 60

S-LOOP plots deviation variables (IAE = 23.0904)

S-LOOP plots deviation variables (IAE = 9.7189)

0.5 akhirnya!, tapi

Ya, kita bisa 0.6

Definisikan masalah tuningnya

halus sesuai kebutuhan.

Definisikan masalah Kontroler PID akan berfungsi

diukur DYNAMIC SIMULATION

0.4 dari data perubahan step.

Definisikan masalah Kontroler PID akan berfungsi

1. Dinamika proses Tak stabil

diukur DYNAMIC SIMULATION

Integrator, lihat Bab

4. Input forcing time

Orde satu dengan

0.4 dari data perubahan step.

5. Kontroler 0.4 0.4

6. Ukuran kinerja solvent

3. Kesalahan model Steam flow

Large, rapid changes to the

Kita capai sasaran dengan

• Sinyal pengukuran kebisingan (noisy)

Process Selesaikan masalah

Konstanta Penyetelan Tanpa Variabel bebas

Ini dikembangkan dengan

Ini dikembangkan dengan

Process reaction curve Tuning dari chart

Process reaction curve Tuning dari chart

• Beberapa lup akan memiliki obyektif kinerja yang berbeda-beda

Mari kita lakukan sebuah eksperimen dengan merubah Kc dan memonitor

Bad • Kenapa IAE naik

control performance, IAE

-0.5 -0.5 -0.5

Kontroler PID dengan perubahan Kc, TI = 10, Td = 0.

Apa efek merubah waktu integral pada kinerja lup PID?

Apa jawabannya berbeda dari Kc? Apa bedanya?

Ini adalah kinerja

Jelaskan bentuk respon

CV tidak berubah disebabkan oleh dead time

MV overshoot moderate <= 0.5(MVss)

0.5 MV0 = Kc (SP) seharusnya mendekati perubahan yang MVss

Ini kinerja pengendalian

Ini kinerja pengendalian

1 Kontroler tidak cukup

CV terlalu berosilasi Ini kinerja pengendalian

1 Kontroler tidak cukup

Tipe Proportional Integral Derivative

Tipe Proportional Integral Derivative

Tipe Proportional Integral Derivative

• Untuk sistem orde dua:

• Kontroler PID lebih baik dari PI

• Osilasi lebih tinggi

output variable, degrees C

• Hubungan kontroler yang diimplementasikan (Gc):

• Fungsi alih lup tertutup: