Professional Documents
Culture Documents
Kerangka Kuliah
• 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
1 d CV
MV (t ) K c E(t ) E(t' )dt'Td I
TI 0 dt
20
Trial 1: tak
Controlled Variable
0
stabil, hilang
-40
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
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
Manipulated Variable
0.6
0.4
0.2
0
0 20 40 60 80 100 120
Time
AC
1
Trial n: OK,
Controlled Variable
MV (t ) E(t' )dt'Td
Time
1 d CV
1.5
dengan
1
kelewat lama!!
Manipulated Variable
0.5
0
0 20 40 60 80 100 120
Time
Penyetelan PID
S-LOOP plots deviation variables (IAE = 608.1005)
DYNAMIC SIMULATION
1
Controlled Variable
0.8
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
Manipulated Variable
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.
4. Input forcing 1
Terapkan dan setel lebih
Controlled Variable
5. Kontroler
6. Ukuran kinerja
0.5
Time
1.5
1
Manipulated Variable
0.5
0
0 20 40 60 80 100 120
Time
Penyetelan PID
DYNAMIC SIMULATION
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
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
Manipulated Variable
0.6
0
0 5 10 15 20 25 30 35 40 45 50
Time
Penyetelan PID
DYNAMIC SIMULATION
tuningnya
baik untuk daerah yang luas dari 1
Controlled Variable
0.5
ditunjukkan di sini.
2. Variabel yang 0
Time
DYNAMIC SIMULATION
30 35 40 45 50
1.5
3. Kesalahan model
0.8
0.6
Orde n dengan dead 1
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
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
Manipulated Variable
0.6
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
diukur DYNAMIC SIMULATION
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
Manipulated Variable
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
diukur DYNAMIC SIMULATION
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
Manipulated Variable
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
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
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
4. Input forcing 30
Manipulated Variable
5. Kontroler 20
10
6. Ukuran kinerja
0
-10
0 5 10 15 20 25 30 35 40
Time
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
Manipulated Variable
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
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
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
• Kontroler PID: tentukan Kc, TI, Td
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
Penyetelan PID
(KORELASI CIANCONE)
Grafik Tuning untuk Kontroler
PID Berumpan-balik
menggunakan KORELASI
CIANCONE
(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
(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
FS
solvent
FA
pure A
AC
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?
Apa efek dari merubah gain kontroler pada kinerja sebuah lup PID?
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
Controlled Variable
1.5
Manipulated Variable
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
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.
S-LOOP plots deviation variables (IAE = 19.3873)
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
Manipulated Variable
0.8
0.6
0.4
0.2
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.
S-LOOP plots deviation variables (IAE = 19.3873)
1
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
Manipulated Variable
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
Terapkan pedoman fine tuning untuk respon di bawah dan sarankan
perubahan spesifik untuk perbaikan.
S-LOOP plots deviation variables (IAE = 20.1754)
2
1.5
yang jelek.
2.5
Manipulated Variable
1.5
0.5
0
0 10 20 30 40 50 60 70 80 90 100
Time
Penyetelan PID
Terapkan pedoman fine tuning untuk respon di bawah dan sarankan
perubahan spesifik untuk perbaikan.
S-LOOP plots deviation variables (IAE = 20.1754)
2
1.5
yang jelek.
2.5
Manipulated Variable
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)
• 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)
• Rasio peluruhan
• Overshoot
• 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 2.35241
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
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 50C
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
• Catatan
• kontroler IMC lebih melibatkan dari pada
dijamin untuk yang secara fisik dapat dicapai dan stabil
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
t 20%
t 60%
Kurva SMITH
Gm s 2 2
K
t 60%
s 2s 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
Ke3s
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
v1
TC
v2
3
Controlled Variable
-1
0 5 10 15 20 25 30 35 40 45 50 v1
Time
TC
15
Manipulated Variable
10
v2
0
0 5 10 15 20 25 30 35 40 45 50
Time
Penyetelan PID - WORKSHOP 4
Diagnosis data lup-tertutup pada gambar dan sarankan modifikasinya,
jia perlu.
S-LOOP plots deviation variables (IAE = 6.1515)
1.5
Controlled Variable
0.5
-0.5
0 5 10 15 20 25 30 35 40 45 50
Time v1
20 TC
Manipulated Variable
15
10
v2
5
-5
0 5 10 15 20 25 30 35 40 45 50
Time
Penyetelan PID - WORKSHOP 5
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
Manipulated Variable
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.