identifikasi model sistem 2007
TRANSCRIPT
1. PENDAHULUAN
1.1 Latar Belakang
Era modern kali ini pengembangan dari system kontrol adaptif sangat
dibutuhkan untuk memudahkan pengontrolan suatu system plant. Hal ini sangat
penting untuk industri – industri besar yang biasanya mempunyai suatu input
data alir,karena inputnya akan berubah-ubah jadi untuk mendapatkan output
yang sesuai diperlukan controller yang parameternya bisa mentuning sendiri
parameter kontroller tersebut agar mendapat output yang sesuai dengan yang
diharapkan.
Adapun salah satu metode yang digunakan adalah MRAS (Model
Reference Adaptife System ) ,dimana pada MRAS membutuhkan model
referensi dimana keluaran dari model referensi tersebut akan dibandingkan
dengan keluaran plan.
Untuk mendapatkan suatu fungsi alih plan dalam MRAS digunakan
identifikasi system,yang didapatkan menggunakan MATLAB.
1.2 Batasan Masalah
Untuk memebatasi permasalahan agar tepat sesuai dengan tujuan, maka
batasan masalah dalam tugas ini adalah:
1. Metode yang digunakan adalah MRAS (Model Refrence Adaptif System).
2. Untuk mengidentifikasi system menggunakan RLS (reqursive Least
Square).
3. Software yang digunakan MATLAB.
4. Input Output yang digunakan adalah data yang diperoleh oleh dosen
pengampu mata kuliah Sistem kontrol adaptive.
1.3 Rumusan Masalah
1. Bagaimana memodelkan system menggunakan MRAS
2. Bgaimana mengidentifikasi system menggunakan RLS
3. Bagaimana menggunakan MATLAB untuk menyelesaikan tugas
1.4 Tujuan Penelitian
Tujuan untuk penelitian kali ini adalah untuk menemukan identifikasi
suatu fungsi alih plan dan juga untuk menentukan parameter kontroler dengan
metode MRAS.
IDENTIFIKASI MODEL SISTEM 1
2. DASAR TEORI
2.1 RLS (Reqursive Least Square)
Identifikasi sistem merupakan suatu cara menentukan model dari sistem
dinamis dengan melaksanakan percobaan. Langkah-langkah percobaan untuk
proses identifikasi meliputi:
1. Pengambilan data input-output
2. Menentukan struktur model
3. Estimasi parameter
4. Validasi model
Dua kategori metode identifikasi:
(1) metode berdasarkan pada pemutihan error prediksi;
(2) metode didasarkan pada un-korelasi vektor observasi dan error
prediksi.
Metode identifikasi tersebut dipresentasikan dalam bentuk rekursif
bersama-sama dengan teknik validasi model terkait.
Metode identifikasi berdasarkan pemutihan error prediksi (jenis 1)
Metode identifikasi rekursif berikut dibagi menjadi beberapa kategori:
- Recursive least square (RLS)
- Extended least square (ELS)
- Recursive maximum likelihood (RML)
- Output error with extended prediction model (OEEPM)
- Generalized least square (GLS)
Metode identifikasi didasarkan pada un-korelasi vektor observasi dan
error prediksi (jenis 2)
Metode identifikasi rekursif berikut dibagi menjadi beberapa kategori:
- Instrumental Variable with Auxiliary Model (IVAM)
- Output Error with Fixed Compensator (OEFC)
- Output Error with Filtered Observations (OEFO)
- Output Error with Adaptive Filtered Observations (OEAFO)
IDENTIFIKASI MODEL SISTEM 2
Pada identifikasi model sistem pada tulisan ini menggunakan Recursive
least square (RLS). Metode recursive least square dipresentasikan secara
detail dalam analisis dengan adanya gangguan random. Ini harus diingat
bahwa metode recursive least square memberikan estimasi yang tidak bias
hanya untuk model “plant + disturbance” (struktur S1)
Misal untuk model disturbance C(q-1) =1, dalam persamaan model
ARMAX
Recursive least square (RLS)
Alasan perlunya menggunakan estimasi parameter secara real time
dengan metode Recursive Least Squares (RLS), antara lain :
Di dalam kontroler adaptif, pengukuran dilakukan secara periodik
dengan kondisi real time
Dibutuhkan perhitungan secara rekursif untuk mempercepat waktu
komputasi, sehingga parameter yang diestimasi (t) merupakan fungsi dari
hasil estimasi yang sebelumnya (t-1) dan hasil pengukuran yang baru
Estimator rekursif ditujukan untuk tracking parameter yang berubah
terhadap waktu
Recursive Least Squares (RLS) dapat digunakan sebagai algoritma
deteksi gangguan, untuk mendeteksi perubahan yang signifikan di dalam
parameter proses
Estimasi least squares untuk sistem SISO untuk data pengamatan {1….t}
dirumuskan sebagai berikut (Becerra, V.M.) :
(1)
Dengan mendefinisikan P(t) sebagai :
(2)
IDENTIFIKASI MODEL SISTEM 3
(3)
Persamaan (1) dapat dituliskan kembali sebagai :
(4)
dan dapat diperluas menjadi :
(5)
Substitusi Persamaan (5) ke dalam Persamaan (4):
(6)
(7)
Persamaan (7) dapat dituliskan sebagai :
(8) dengan
K(t) = P(t)(t)
(t) = y(t) - T(t) (9)
dari Persamaan 2.60 didapatkan :
(10)
Untuk mencari solusi Persamaan (10) diperlukan suatu Lemma tentang
pembalikan matriks :
(A + BCD)-1 = A-1- A-1B(C-1+DA-1B)-1DA-1 (11)
Dengan menggunakan lemma pada Persamaan (11) dan memisalkan
bagian ruas kanan Persamaan (10) sebagai berikut :
A = P(t)-1;
B = (t);
C = I;
D =(t)T;
maka didapatkan :
IDENTIFIKASI MODEL SISTEM 4
(12)
Dengan mensubtitusikan Persamaan (11) pada persamaan K(t), maka
didapatkan rumus :
(13)
Faktor Exponential Forgetting – Parameter Time Varying
Dari penurunan rumus estimasi parameter Recursive Least Squares di
atas, maka dapat dipilih beberapa persamaan penting di dalam metode RLS
sebagai berikut :
(t) = y(t) - T(t) (t-1)
(14)
dengan nilai awal (initial values) (0) = 0 dan P(0) = rI, di mana r
merupakan nilai besar.
Persamaan di atas membutuhkan pertimbangan yang sangat intuitif.
Estimasi parameter sekarang (t) didapatkan dengan menambahkan suatu
perbaikan pada estimasi sebelumnya (t-1). Perbaikan yang diberikan
sebanding dengan prediksi error satu langkah ke depan (t), berdasarkan
estimasi parameter sebelumnya.
Dalam hal ini matriks P(t) diinterpretasikan sebagai kovarians dari
vektor parameter. Magnitudnya menunjukkan pengukuran ketidakpastian
nilai-nilai parameter. Dalam kasus sistem dengan parameter berubah terhadap
waktu secara perlahan, lebih diutamakan data pengukuran yang terakhir
daripada data lama.
Suatu pendekatan yang digunakan adalah memodifikasi kriteria least
squares (LS) :
(15)
dengan (0<<1) disebut faktor pengabaian (forgetting factor).
Sehingga estimasi least squares menjadi :
IDENTIFIKASI MODEL SISTEM 5
(t) = y(t) - T(t) (t-1)
(16)
(17)
“memori” dari estimator diberikan oleh :
(18)
Dengan h adalah interval sampling. Nilai tipikal untuk faktor pengabaian
adalah
= 0.95 .... 0.98.
2.2 MRAS (Model Reqursive Adaptive System)
Model reference adaptive systems (MRAS) adalah salah satu pendekatan
yang paling baik untuk kontrol adaptif. MRAS pertama kali diperkenalkan
oleh Whitaker pada tahun 1958. MRAS yang diperkenalkan oleh Whitaker
mempunyai dua gagasan baru, yaitu :
1. Unjuk kerja sistem ditentukan melalui model.
2. Nilai parameter kontroler disesuaikan besarnya dengan error yang
terjadi antara model referensi dan sistem yang diatur.
Ide dasar model reference adaptive systems adalah membuat output
sistem yang diatur sedemikian rupa sehingga mempunyai perilaku yang sama
dengan model referensi yang diberikan. Hal ini dilakukan dengan mengubah-
ubah nilai parameter kontrolernya. Prinsip dasar model reference adaptive
systems ditunjukkan di dalam Gambar 2.1.
IDENTIFIKASI MODEL SISTEM 6
Gambar 2.1 Diagram Blok Model Reference Adaptive Systems
Sumber : Astrom K.J., 1995
2.2.1 Plant dan Model Referensi
Plant merupakan bagian sistem yang akan dikendalikan. Plant dinyatakan
dalam fungsi alih. Fungsi alih plant Wp(k) dengan output Yp(k) terhadap sinyal
kontrol u(k) dapat dinyatakan dengan persamaan
(2.1)
Dalam hal ini p(z) adalah polinomial berderajat n,p(z) adalah polinomial
berderajat m < n. Diasumsikan bahwa koefisien p(z) dan p(z) tidak
diketahui, hanya n, m dan tanda gain kp yang diketahui.
Persamaan plant dalam persamaan state space dinyatakan sebagai berikut :
(2.2)
dengan
xp(k) adalah vektor state yang terdiri dari n-vektor;
yp(k) adalah vektor output yang terdiri dari m-vektor;
u(k) adalah vektor input yang terdiri dari r-vektor;
Ap adalah matrik state dengan dimensi nxn;
Bp adalah matrik input dengan dimensi nxr;
adalah matrik output dengan dimensi mxn;
IDENTIFIKASI MODEL SISTEM 7
Model referensi Wm(z) menyatakan fungsi alih output Ym(z) terhadap
r(z). Fungsi alih Wm(z) dinyatakan sebagai berikut :
(2.3)
dengan
m(z) dan m(z) adalah polinomial stabil, yaitu akar-akarnya terdapat di dalam
lingkaran satuan;
km adalah suatu konstanta;
m(z) adalah polinomial berderajat n;
m(z) adalah polinomial berderajat m < n;
Persamaan model referensi dinyatakan dalam persamaan state space
adalah sebagai berikut
(2.4)
dengan
xm(k) adalah vektor state yang terdiri dari n-vektor;
r(k) adalah vektor input yang terdiri dari r-vektor;
ym(k) adalah vektor output yang terdiri dari m-vektor;
Am adalah matrik state dengan dimensi nxn;
Bm adalah matrik input dengan dimensi nxr;
adalah matrik output dengan dimensi mxn;
Output model referensi akan menyatakan output yang dikehendaki dari
plant yang dikendalikan, jika sistem tersebut ditambah dengan kontroler yang
tepat.
Di dalam menentukan model referensi, derajat relatif model referensi harus
sama dengan plant (Narendra dan Annaswamy, 1989). Derajat relatif adalah
selisih antara orde pole dan zero atau n – m (Butler, 1992).
2.2.2 Kontroler Adaptif
Syarat suatu kontroler adaptif adalah :
1. Kontroler mampu menyesuaikan output plant dengan output model
referensi.
IDENTIFIKASI MODEL SISTEM 8
2. Struktur kontroler adaptif terdiri dari pembangkit sinyal bantu yang
menghasilkan vektor sinyal , sehingga sinyal kontrol u yang dihasilkan
oleh kontroler adalah u = T dengan adalah parameter kontroler
(Butler, 1992).
Struktur kontroler adaptif terdiri dari gain k0, F1 dan F2. F1 terdiri dari
pembangkit sinyal bantu dan parameter ci, dengan i = 1, 2, ...., n. F2 terdiri
dari pembangkit sinyal dan parameter dj, dengan j = 1, 2, ...., n. Pembangkit
sinyal yang ada pada F1 dan F2 masing-masing menghasilkan parameter
sinyal (1) dan (2).
Vektor sinyal pada kontroler T terdiri dari sinyal input r dan vektor sinyal
(1) dan (2), sehingga vektor sinyal dapat dituliskan sebagai :
(2.5)
Parameter-parameter yang terdapat di dalam kontroler didefinisikan
sebagai vektor parameter kontroler
(2.6)
Struktur dasar model reference adaptive systems ditunjukkan di dalam
Gambar 4.2 berikut ini.
Gambar 2.2 Struktur Dasar Model Reference Adaptive Systems
Sumber : Butler, 1992
Sinyal kontrol u yang dihasilkan oleh kontroler adalah :
IDENTIFIKASI MODEL SISTEM 9
(2.7)
Sinyal kontrol u ini digunakan sebagai input bagi plant.
F1 dan F2 masing-masing terdiri dari pembangkit sinyal bantu dan
parameter kontroler dinyatakan dalam fungsi alih W1 dan W2, yaitu
(2.8)
dengan
C = cnzn-1+....+ c2 z+ c1
N = zn-1+ nn-1 zn-2+ ....+ n1
D = dn zn-1+ ....+ d2 z+ d1
Polinomial N(z) pada pembangkit sinyal bantu adalah zero model referensi
(Sastry dan Bodson, 1993). N(z) adalah polinomial berorde m atau n-1, C(z)
dan D(z) adalah polinomial berorde n-2 (Narendra dan Annaswamy, 1989).
Struktur MRAS dapat digambarkan dalam bentuk sederhana seperti yang
ditunjukkan di dalam Gambar2.3.
Gambar 4.3 Struktur MRAS dalam Bentuk Sederhana
Sumber : Sastry dan Bodson, 1993
Sinyal kontrol u yang dihasilkan oleh kontroler digunakan sebagai input
bagi plant, sehingga output plant sesuai dengan model referensi. Untuk
IDENTIFIKASI MODEL SISTEM 10
menghasilkan output yang sama antara plant dan model referensi, maka
fungsi alih kontroler dan plant harus sama dengan fungsi alih model referensi.
Dari Gambar 2.3 dapat dinyatakan bahwa fungsi alih W(z) dengan Yp
sebagai output plant terhadap input r pada kontroler adaptif adalah sebagai
berikut :
(2.9)
Fungsi alih pada Persamaan 2.9 disesuaikan dengan fungsi alih model
referensi, untuk itu dimisalkan :
N(z) – C(z) = p(z)
p(z) – kpD(z) = m(z)
Dengan pemisalan ini, maka fungsi alih plant dan kontrolernya dapat
dituliskan kembali sebagai
(2.10)
Persamaan 4.9 disesuaikan dengan fungsi alih model referensi Wm(z).
Penyesuaian dilakukan dengan menghitung koefisien pada fungsi alih W(z).
Dengan demikian parameter yang tepat pada kontroler dapat diketahui.
F1 dan F2 dapat dinyatakan dalam persamaan state space (ruang
keadaan). Di dalam persamaan state space, F1 dan F2 dituliskan sebagai
berikut :
F1 :
F2 :
(4.11)
dengan
A adalah matrik nxn;
b adalah n vektor;
cT = [c1, c2,...., cn];
dT = [d1, d2,...., dn];
IDENTIFIKASI MODEL SISTEM 11
Persamaan state space untuk plant dan kontrolernya dinyatakan dengan :
(2.12)
2.2.3 Persamaan Error
Proses adaptasi akan berakhir jika output model referensi sama dengan
output plant, dengan kata lain fungsi alih model referensi sama dengan fungsi
alih plant.
Wm(z) = W(z) (2.13)
Untuk menyesuaikan kedua fungsi alih tersebut, maka didefinisikan
parameter kontroler sebagai berikut :
)()( kk (2.14)
Dalam hal ini * adalah vektor konstan yang menyatakan parameter kontroler
pada saat fungsi alih plant dan kontrolernya sesuai dengan fungsi alih model
referensi. (k) adalah parameter error (Sastry dan Bodson, 1993). *
dinyatakan dengan :
Proses adaptasi berlangsung dengan mengubah T(k) menjadi *.
Perubahan ini dilakukan agar output plant bergerak menuju nilai output
model referensi yang diinginkan.
Persamaan 2.14 disubstitusikan ke dalam Persamaan 2.12 membentuk
persamaan sinyal kontrol u yang terdiri dari nilai parameter konstan * dan
parameter error ¸ yang dituliskan sebagai berikut :
(2.15)
IDENTIFIKASI MODEL SISTEM 12
Persamaan 2.15 disubstitusikan ke dalam Persamaan 2.12, maka
didapatkan persamaan plant dan kontrolernya :
H
asil substitusi persamaan plant dengan kontrolernya dapat disederhanakan
menjadi :
(2.16)
Plant dikatakan sama dengan model referensi jika = 0 atau (k)=*,
sehingga dapat dinyatakan bahwa persamaan tersebut sesuai dengan
persamaan model referensi. Persamaan tersebut dinyatakan dengan :
(2.17)
dalam hal ini
Jika fungsi alih yp terhadap r dinyatakan sebagai Wm(z), maka fungsi
alihnya memenuhi persamaan :
(2.18)
Dari Persamaan 4.16 dan 4.17, maka persamaan error antara plant
bersama kontrolernya dengan model referensi dinyatakan dalam persamaan
state space dapat dituliskan sebagai berikut :
(2.19)
dengan
e(k) = x(k) – xm0(k).
Jika persamaan error dinyatakan dalam fungsi alih, maka persamaan error
antara yp dan ym dinyatakan dengan :
(2.20)
IDENTIFIKASI MODEL SISTEM 13
2.2.4 Hukum Adaptasi
Proses adaptasi berlangsung dengan adanya perubahan nilai pada
parameter kontroler. Proses ini berlangsung selama terjadi error antara output
plant yp(k) dan output model referensi ym(k). Proses adaptasi diatur melalui
suatu cara yang disebut dengan hukum adaptasi (Narendra dan Annaswamy,
1989).
Dalam hukum adaptasi, parameter kontroler akan diubah sedemikian rupa
sehingga error antara yp(k) dan ym(k) sama dengan nol. Pengaturan parameter
kontroler akan menghasilkan sinyal kontrol u(k) sebagai masukan bagi plant,
sehingga output yp(k) akan mendekati ym(k) pada saat k menuju tak hingga.
Hal tersebut dapat dituliskan sebagai berikut :
(2.21)
Pada MRAS, error antara yp dan ym digunakan secara langsung untuk
mengubah nilai parameter kontroler. Proses adaptasi pada MRAS ini disebut
dengan adaptasi langsung (Sastry dan Bodson, 1993).
Salah satu hukum adaptasi yang digunakan adalah metode Lyapunov.
Untuk menggunakan teorema Lyapunov dalam merancang MRAS,
diasumsikan semua variabel state dapat diukur. Dari persamaan dinamik
sistem, dipilih fungsi Lyapunov yang sesuai.
Fungsi Lyapunov mewakili dinamika energi yang digunakan dalam proses
sistem yang diatur. Dengan menjamin bahwa energi yang digunakan akan
berkurang terhadap waktu, maka dapat dipastikan bahwa sistem tersebut
stabil. Dari turunan fungsi Lyapunov terhadap waktu, diperoleh suatu
persamaan yang mengandung nilai pengaturan adaptif yang dicari.
Untuk mencapai kestabilan, fungsi Lyapunov V(x) harus merupakan fungsi
dalam bentuk state. Dengan syarat-syarat :
V(x) > 0 untuk x 0 (definit positif)
untuk x 0 (definit negatif)
V(x) untuk x
V(0) = 0 (2.22)
IDENTIFIKASI MODEL SISTEM 14
Untuk menerapkan metode Lyapunov, diperlukan beberapa langkah
pengerjaan :
Adanya persamaan error.
Persamaan error tersebut dapat berupa error output yp-ym atau persamaan
state space error xp-xm.
Untuk mendapatkan hukum adaptasi, dipilih fungsi Lyapunov yang
mengandung sinyal error e dan parameter error , yaitu persamaan :
(2.23)
dengan
e adalah vektor sinyal error e = xp – xm;
adalah vektor parameter error = - *;
adalah matrik gain adaptasi yang memenuhi syarat definit positif, matrik
tersebut ditentukan sebagai matrik diagonal sehingga -1 juga memenuhi
syarat definit positif;
Matrik P merupakan matrik simetris definit positif;
Dengan menurunkan fungsi Lyapunov terhadap waktu, maka akan
langsung didapatkan hukum adaptasi. Apabila definit negatif, maka sistem
adaptif memenuhi kestabilan asimtotik. Pada umumnya mempunyai bentuk
. Persamaan yang
mengandung dibuat sama dengan nol, sehingga didapatkan hukum adaptasi.
definit negatif apabila Q definit positif. Matrik A adalah matrik state
pada model referensi, di mana matrik ini akan memenuhi kestabilan asimtotik
apabila Q adalah matrik definit positif. Q dapat dinyatakan sebagai matrik
identitas I. Apabila kedua kondisi ini terpenuhi, maka akan didapatkan matrik
P definit positif :
ATP + PA = -Q (2.24)
Untuk menentukan hukum adaptasi, selain didapatkan dari penurunan
fungsi Lyapunov juga ditentukan dari fungsi alih model referensi Wm sebagai
berikut :
(2.25)
IDENTIFIKASI MODEL SISTEM 15
Fungsi Lyapunov yang digunakan yaitu fungsi yang mengandung vektor
sinyal error e dan vektor parameter error , yaitu
(2.26)
Dalam persamaan di atas e didefinisikan sebagai
dengan penurunan V, maka didapatkan
(2.27)
Matrik P dan Q sebagai matrik simetris definit positif, seperti dalam
persamaan :
(2.28)
dalam hal ini = (1,0,....,0),dan matrik P merupakan matrik definit positif,
sehingga
Dengan demikian Persamaan 4.27 dapat dituliskan kembali menjadi
Untuk memastikan bahwa adalah definit negatif, maka dua persamaan
terakhir dibuat sama dengan nol, sehingga :
Didapatkan hukum adaptasi
(2.29)
Dalam bentuk diskrit, hukum adaptasi dinyatakan dengan
(2.30)
3. PEMBAHASAN
3.1 Data Input Output
DATA INPUT DAN OUTPUTNo. T1_Output T1_Input No. T1_Output T1_Input No. T1_Output T1_Input
IDENTIFIKASI MODEL SISTEM 16
1 0.1065908 -1 49 -5.786371 1 97 3.76348 -12 -0.4779248 -1 50 -4.11008 -1 98 4.471599 13 -0.7337904 1 51 -2.084482 -1 99 3.809595 -14 -3.308395 -1 52 -0.1180156 1 100 2.875771 15 -3.861913 1 53 -1.296526 -1 101 1.40615 16 -3.301771 -1 54 -0.5699319 1 102 0.1066282 17 -3.395371 -1 55 -0.701871 1 103 0.4079193 -18 -2.752391 1 56 -0.2572584 1 104 3.196318 19 -3.604489 -1 57 1.389731 -1 105 3.024354 -1
10 -1.962636 -1 58 4.300591 -1 106 3.864058 111 -1.253025 -1 59 5.627117 -1 107 2.701137 -112 -3.07878 -1 60 3.24339 -1 108 1.122768 -113 -4.402909 -1 61 -0.2113817 1 109 -0.6150674 114 -5.570817 -1 62 -4.087918 1 110 -2.976168 115 -7.55504 -1 63 -5.77735 -1 111 -3.644421 -116 -8.572233 1 64 -4.092378 1 112 -1.891735 117 -8.943193 -1 65 -2.524378 1 113 -1.391798 118 -6.939669 1 66 -1.525926 -1 114 0.4468824 119 -4.961151 1 67 1.545792 1 115 2.410448 120 -1.87059 1 68 3.768255 1 116 4.239432 -121 1.728934 1 69 4.473706 1 117 7.407203 -122 6.28996 -1 70 6.465232 -1 118 7.064397 123 9.697028 1 71 7.037138 -1 119 4.761059 124 8.840219 1 72 5.693692 1 120 2.022641 125 7.09327 -1 73 3.454793 -1 121 1.100709 126 6.681979 -1 74 0.3394627 -1 122 1.788358 127 4.44474 -1 75 -1.309203 -1 123 3.589741 -128 0.5798803 -1 76 -4.353184 1 124 6.344954 129 -4.734814 -1 77 -7.668214 -1 125 5.685823 -130 -7.205506 -1 78 -7.851258 1 126 4.707539 131 -9.256931 1 79 -7.284769 1 127 1.702385 132 -11.23425 1 80 -3.746844 -1 128 0.397597 -133 -9.357891 1 81 0.03259865 1 129 0.7958083 -134 -4.088432 -1 82 2.256446 1 130 0.7286018 -135 0.2246785 -1 83 4.462216 -1 131 -0.9725783 136 3.669087 -1 84 6.243825 -1 132 -4.369655 -137 3.388042 1 85 5.92524 1 133 -4.863323 138 1.52332 1 86 3.430934 -1 134 -4.613652 -139 0.5040864 -1 87 1.092699 1 135 -2.617785 -140 1.440444 1 88 -1.564718 1 136 -1.733235 -141 1.510389 -1 89 -3.060693 -1 137 -1.783846 -142 1.781555 -1 90 -1.250623 -1 138 -3.809448 143 0.8506894 -1 91 -0.9294519 1 139 -5.050929 144 -2.232889 -1 92 -1.000223 1 140 -4.148407 1
IDENTIFIKASI MODEL SISTEM 17
45 -4.35553 -1 93 -0.520823 1 141 -2.30088 146 -6.290286 1 94 1.722376 -1 142 1.172458 -147 -9.30601 -1 95 3.404379 1 143 4.508265 148 -8.391426 -1 96 3.952972 1 144 6.152125 -1
No. T1_Output T1_Input No. T1_Output T1_Input No. T1_Output T1_Input145 6.127045 -1 193 0.9988688 1 241 1.129488 -1146 4.911849 1 194 -1.325642 -1 242 1.158048 -1147 1.683255 1 195 -2.189696 1 243 -0.2690638 1148 -1.15152 1 196 -2.334857 -1 244 -3.233816 1149 -0.2049837 1 197 -2.527558 1 245 -4.681418 -1150 0.8201955 -1 198 -2.307759 1 246 -3.602801 -1151 3.581169 -1 199 -1.899308 1 247 -2.447345 -1152 3.841446 -1 200 0.6622335 1 248 -2.481434 1153 2.798365 1 201 4.009884 1 249 -3.875647 1154 -0.7138865 -1 202 7.139126 1 250 -2.094723 1155 -2.409922 -1 203 10.22506 -1 251 -0.7999781 1156 -3.084687 -1 204 10.23696 1 252 2.222367 1157 -4.493667 1 205 9.165178 1 253 5.403934 1158 -5.761708 1 206 6.03308 1 254 8.413181 1159 -6.007411 1 207 4.991066 -1 255 10.39322 1160 -3.4221 -1 208 3.994052 1 256 11.39311 -1161 1.313679 1 209 2.778873 1162 3.887225 -1 210 1.304582 1163 5.253113 -1 211 1.234183 1164 5.069098 -1 212 2.115432 1165 1.707889 1 213 4.330834 -1166 -1.354176 -1 214 7.263661 -1167 -3.089285 -1 215 6.3812 -1168 -4.79153 1 216 3.254742 -1169 -5.788337 1 217 -1.125361 -1170 -4.96852 -1 218 -6.171551 1171 -2.236128 -1 219 -8.521154 1172 -0.1918832 1 220 -9.108666 -1173 -0.6946863 -1 221 -5.144796 -1174 -1.081547 -1 222 -2.196182 1175 -0.2263049 1 223 -1.186395 1176 -1.757744 1 224 -0.2803479 -1177 -1.462454 1 225 3.292557 -1178 -0.2403528 -1 226 3.665343 -1179 3.142476 -1 227 1.154356 -1180 3.742214 1 228 -2.000044 1181 2.382885 1 229 -4.709171 -1182 1.075624 -1 230 -6.212963 -1
IDENTIFIKASI MODEL SISTEM 18
183 2.332954 1 231 -5.761556 -1184 1.07169 -1 232 -5.69269 -1185 0.8938228 1 233 -5.844932 1186 1.077331 -1 234 -6.288966 -1187 1.172067 1 235 -4.660242 1188 -0.053131 1 236 -3.389442 -1189 -1.090863 -1 237 -1.191855 1190 1.833714 1 238 -1.04717 -1191 1.938202 -1 239 1.282013 1192 1.499565 -1 240 0.9879379 -1
Dengan menggunakan software MATLAB dan listing program di bawah ini
load T1subplot(2,1,1)time=linspace(1,256,256);time=[time' time'+1]';time=time(:);y=[y y]';y=y(:);plot(time,y,'k','linewidth',2);hold onplot([1 256],[0 0],'k','linewidth',2);title('Plant Output','FontSize',12,'FontWeight','Bold')axis([1 256 -12 12]) %set(gca,'FontSize',10,'FontWeight','Bold')subplot(2,1,2)sbpa=[u u]';sbpa=sbpa(:);plot(time,sbpa,'k','linewidth',1);hold onplot([1 256],[0 0],'k','linewidth',2);title('Plant Input','FontSize',12,'FontWeight','Bold')axis([1 256 -1.1 1.1]) %set(gca,'FontSize',10,'FontWeight','Bold')xlabel('Samples','FontSize',12,'FontWeight','Bold')
Akan didapat grafik data input output adalah sebagai berikut
IDENTIFIKASI MODEL SISTEM 19
3.2 Identifikasi SistemUntuk mnemukan identifikasi sistem sebelumnya kita harus menemukan berpa orde yang pas buat sistem tersebut.
Dari fungsi ident pada MATLAB telah ditemukan orde yang paling bagus adalah orde 5, setelah kita menemukan ordenya maka dengan model ARX kita menemukan parameter estimasi a dan b.
%Basic recursive least squares methode%N - number of identificatioan steps%c - covariance matrix%d - regression vector%theta - vector of the parameter estimates%ep(k) - prediction error%eps - auxiliary parameter%y(k) - prosess output%u(k) - controller outputclear, close all, clc;load T1;%input variablesu=u';u=u(:);%output variablesy=y';y=y(:);N=50;theta= [0 0 0 0 0 0 0 0 0 0]'; %initial vector of parameter estimatesc = 1000*eye(10); %initial covariance matrixfor k=10:1:N d = [ -y(k-1) -y(k-2) -y(k-3) -y(k-4) -y(k-5) u(k-1) u(k-2) u(k-3) u(k-4) u(k-5)]'; %new data vector ep(k)=y(k)-theta'*d; eps=d'*c*d;
IDENTIFIKASI MODEL SISTEM 20
theta = theta + (c*d*ep(k)) / (1+eps); %theta update c = c-(c*d*d'*c)/(1+eps); %new covariance matrix a1(k)=theta(1); a2(k)=theta(2); a3(k)=theta(3); a4(k)=theta(4); a5(k)=theta(5); b1(k)=theta(6); b2(k)=theta(7); b3(k)=theta(8); b4(k)=theta(9); b5(k)=theta(10);endfigure,plot(a1,'-ok');hold onplot(a2,'-ob');hold onplot(a3,'-og');hold onplot(a4,'-or');hold onplot(a5,'-oc');hold onplot(b1,'-*m');hold onplot(b2,'-*y');hold onplot(b3,'-*k');hold onplot(b4,'-*r');hold onplot(b5,'-*b');hold onxlabel('time steps')ylabel('theta, e')title('Parameter Estimasi')grid onlegend('a1 estimate','a2 estimate','a3 estimate','a4 estimate','a5 estimate','b1 estimate','b2 estimate','b3 estimate','b4 estimate','b5 estimate',4);
IDENTIFIKASI MODEL SISTEM 21
Setelah itu diperoleh parameter estimasi a,b sebagai berikut
a1 -0.5322 b1 0.0259
a2 0.2259 b2 0.9798
a3 -0.3468 b3 1.5113
a4 -0.0383 b4 1.4074
a5 0.3531 b5 0.8226
Fungsi alih sistem bisa diliat dari ident yaitu sebagai berikut :
Dengan rumus
b=[0 0.03243 0.957 1.364 0.877 0.364];a=[1 0.6579 -0.1001 0.008052 0.1197 0.1124];Gz=tf(b,a,1);Gs=d2c(Gz,'zoh');
Fungsi alih dalam bentuk fungsi s :
IDENTIFIKASI MODEL SISTEM 22
3.3 Perancangan Sistem dengan MRAS
4. KESIMPULANDan
SARAN
Kesimpulan
IDENTIFIKASI MODEL SISTEM 23