pengendalian tekanan kompresor dan suhu steam …

PENGENDALIAN TEKANAN KOMPRESOR DAN SUHU STEAM REFORMER PADA PABRIK BIOHIDROGEN DARI BIOMASSA

MENGGUNAKAN MODEL PREDICTIVE CONTROL (MPC) BERDASARKAN REIDENTIFIKASI SISTEM

Hafizh Malik H.T1 dan Abdul Wahid S2

1Teknik Kimia, Fakultas Teknik, Universitas Indonesia, Depok 16424, Indonesia

2Riset Grup Energi Berkelanjutan, Departemen Teknik Kimia, Fakultas Teknik, Universitas Indonesia, Depok 16424, Indonesia

Email: [email protected]

ABSTRAK Hidrogen merupakan salah satu zat/gas yang sangat banyak kegunaannya, terutama dalam industri kimia.

Kompresor dan steam reformer merupakan unit-unit yang penting dalam pabrik biohidrogen dari biomassa. Kompresor berguna untuk mencapai tekanan tinggi pada kondisi operasi selanjutnya sedangkan Steam Reformer merupakan proses utama dari pabrik ini yang berguna untuk menghasilkan gas H2 . Model Predictive Control (MPC) merupakan suatu pengendali yang dapat bekerja dengan basis model yang diharapkan akan menghasilkan kinerja yang lebih baik daripada pengendali lainnya. Pemodelan proses dilakukan dengan menggunakan model empirik sedangkan proses optimasi dilakukan dengan penyetelan terhadap paramter-parameter pengendali MPC seperti waktu sampel (T), prediction horizon (P), dan control horizon (M). Hasil pengendalian tekanan kompresor dan suhu steam reformer adalah pengendali MPC memiliki kinerja yang lebih baik dari pada pengendali PI dengan melakukan reidentifikasi sistem untuk mendapatkan pemodelan yang sesuai.

ABSTRACT Hydrogen is one of the substances / gases that used by people, especially in the chemical industry.

Compressors and a steam reformer are the important units in biohidrogen from biomass plant. The compressor is useful for achieving high-pressure operating conditions while Steam Reformer next is the main process of this plant are useful to produce H2 gas. Model Predictive Control (MPC) is a controller that can work with the base model is expected to has better performance than other controllers. Process modeling is done by using the empirical model while the optimization process is done by setting the parameter-MPC controller parameters such as sample time (T), prediction horizon (P), and the control horizon (M). The results of the compressor pressure control and temperature control of steam reformer is the MPC controller has better performance than the PI controller by performing system reidentification to obtain appropriate model. Kata Kunci: Pengendalian Proses, Kompresor, Steam Reformer, Model Predictive Control, Reidentifikasi Sistem, Penyetelan

1. Pendahuluan

Proses yang ada pada pabrik biohidrogen dari biomassa terdiri atas unit pengolahan bahan

baku, unit gasifikasi, unit char decomposer, unit kompresi, steam reforming, unit char combuster,

unit cooler, unit H2S Removal, dan unit presseure swing absorber. Diantara proses-proses

tersebut, Steam Reformer dan Unit Kompresi merupakan unit yang sangat penting dalam

Pengendalian Tekanan..., Hafizh Malik H. T, FT UI, 2014

menghasilkan biohidrogen secara efektif karena sangat berpengaruh dengan kinerja unit

selanjutnya dan akan sangat menentukan jumlah produk selanjutnya. Unit kompresi bertugas

untuk menaikkan tekanan yang keluar dari unit gasifikasi sehingga tercapai tekanan yang tinggi

untuk dapat beroperasi, tekanan yang tinggi dibutuhkan untuk kondisi operasi H2S removal, H2S

sangat penting untuk dihilangkan karena merupakan zat beracun yang dapat membahayakan

orang disekitarnya.

Agar dalam pengoperasian pabrik tercapai kondisi optimal, perlu digunakan pengendali

pada kedua unit tersebut, Hal ini dimaksudkan agar apabila terjadi gangguan dari luar, dapat

dipertahankan kestabilan operasi pabrik, sehingga tidak membahayakan orang-orang sekitar

pabrik, disamping peralatan,dan dikedua unit tersebut.

Penelitian mengenai pengendalian, sudah dilakukan oleh Iqbal (2009) dengan

menggunakan pengendali Proportional-Integral (PI). Pada penelitian ini akan digunakan Model

Predictive Control (MPC) yang merupakan salah satu pengendalian tingkat lanjut (advance)

dengan based model control dengan interaksi di antara variabel-variabel yang dikendalikannya.

Oleh karena itu, penerapan pengendali MPC diharapkan lebih baik daripada pengendali PI.

Penilitian yang dilakukan menggunakan sebuah simulator proses untuk sebuah pabrik.

Dalam pelaksanaannya akan dilihat bagaimana untuk mengganti pengendali MPC dan melakukan

pemodelan dengan cara Reidentifikasi sistem dalam sebuah simulator proses. Hasil kinerja dari

MPC selanjutnya akan dibandingkan dengan hasil kinerja pengendali PI.

2. Tinjauan Teoritis

2.1 Unit Kompresor dan Steam Reformer

Unit Kompresor merupakan proses untuk mencapai tekanan yang diinginkan, dalam hal ini

digunakan kompresor sentrifugal. Kompresor sentrifugal ini mempunyai bagian bergesekan yang

lebih sedikit, sehingga energi yang digunakan lebih efisien dan memberi aliran udara yang lebih

tinggi dibanding kompresor reciprocating dengan ukuran yang sama (yaitu positive-

displacement). Kelemahan utamanya adalah bahwa mereka tidak bisa mencapai perbandingan

kompresi yang tinggi dari pada kompresor reciprocating tanpa multi-stage. Hal inilah yang

menyebabkan kompresor yang digunakan dalam pabrik ini adalah kompresor sentrifugal multi-

stage. Fan/Blower sentrifugal lebih sesuai untuk pemakaian yang kontinu seperti fan ventilasi,

penggerak udara, bagian pendingin, dan penggunaan lain yang memerlukan volume tinggi


dengan sedikit atau tanpa peningkatan tekanan. Bedanya, kompresor sentrifugal multi-stage

sering mencapai pengeluaran tekanan 8,000 sampai 10,000 psi (59 MPA sampai 69MPa).

Biogas refroming adalah proses dimana memperoduksi hidrogen dari gas alam, dengan

reaksi utamanya adalah sebagai berikut:

CH4 + H2O à CO + 3 H2

Reaksi ini bersifat katalitik dan berlangsung pada suhu 1000°C. Banyaknya panas pada

produk hasil reforming yang dimanfaatkan untuk pembangkit steam sebelum diproses lebih lanjut

dalam converter yang sebagian besar CO diubah menjadi CO2 dengan menggunakan absorber.

Proses dari steam reformer dapat dilihat pada Gambar 1. Bila terjadi perubahan pada suhu

pada steam reformer, maka hasil yang diperoleh akan bervariasi. Hal inilah yang harus dihindari

karena dapat menurunkan kinerja reaktor dan kehidupan katalis. Closed loop control system

biasanya digunakan untuk memodulasi tingkat panas pada input didasarkan pada perbandingan

antara suhu set point dan suhu yang diukur (Vernon et al, 2008). Oleh karena itu, perlu dilakukan

pengendalian suhu, sehingga pada steam reformer suhu dapat dijaga pada suhu 1000 oC (1832 oF).

Gambar 1. Steam Reforming (Steam Reforming Hydrogen for both Waste Management and Hydrogen

Production, Innovations, n.d.).

2.2 Pengendalian Proses

Dalam industri kimia, kondisi ideal harus dipertahankan hal ini terkait dengan kinerja dan

performa suatu pabrik agar dapat menghasilkan produk yang lebih baik. Dalam pengendalian

proses, suatu pengendalian digunakan untuk beberapa tujuan, yakni :


1. Menjaga keamanan dan keselamatan kerja

2. Memenuhi spesifikasi produk yang diinginkan

3. Menjaga peralatan proses dapat berfungsi sesuai desain

4. Menjaga agar operasi pabrik tetap ekonomis.

5. Memenuhi persyaratan lingkungan

6. Mengawasi dan menganalisa

Untuk memenuhi persyaratan diatas diperlukan pengawasan (monitoring) yang terus

menerus terhadap operasi pabrik kimia dan intervensi dari luar (external intervention) untuk

mencapai tujuan operasi. Hal ini dapat terlaksana melalui suatu rangkaian peralatan (alat ukur,

kerangan, pengendali, dan komputer) dan intervensi manusia (plant managers, plants operators)

yang secara bersama membentuk sistem pengendalian. Dalam pengoperasian pabrik diperlukan

berbagai prasyarat dan kondisi operasi tertentu, sehingga diperlukan usaha-usaha pemantauan

terhadap kondisi operasi pabrik dan pengendalian proses supaya kondisi operasinya stabil.

Dalam Pengendalian Proses Unit Kompresor dan Steam Reformer yang akan diidentifikasi

adalah :

Tabel 1. Identifikasi Variabel

Controlled Manipulated Load Disturbance Uncontrolled

Unit Kompresor Tekanan

Tekanan, Laju alir, Suhu,

Laju alir umpan, suhu aliran

Ukuran kompresor

Steam Reformer Suhu

Suhu, Aliran Energi Pemanas

Suhu umpan, laju alir umpan, kondisi lingkungan

Ukuran Steam Reformer

2.3 Pemodelan Empirik

Pemodelan empirik merupakan alternatif ketika pendekatan secara white box dan gray box

model tidak dapat dilakukan karena model yang sangat kompleks. Model yang dikembangkan

dengan metode ini memberikan hubungan dinamis antara variabel input dan output. Cara

langsung untuk menentukan sebuah model dinamik empirik yang linear dari sebuah proses adalah

dengan mencari parameter seperti dead time, konstanta waktu, dan gain. Parameter-parameter

tersebut dapat ditentukan secara eksperimen salah satunya dengan step respon data. Adapun

proses yang dilakukan biasanya dalam kondisi lup terbuka.


Dengan memberikan step disturbance (mt) pada proses dan mencatat variabel output (xt)

sebagai fungsi waktu, maka dapat dibuat kurva reaksi proses yang menghubungkan antara waktu

dengan variabel output yang dapat dilihat pada Gambar 2. Dalam pembuatan kurva reaksi proses,

langkah yang dilakukan adalah dengan memulai dari steady state, hal ini karena apabila proses

tidak berawal pada steady state, output akan dipengaruhi oleh beberapa variabel lain yakni

sebagai tambahan pada input yang dimanipulasi pada respon masih transien. Kombinasi input ini

akan mengganggu pemodelan empirik dengan metode grafik yang memiliki satu input step, dan

perhitungan berikutnya akan mengarah ke model yang salah. Hal selanjutnya adalah

memasukkan step tunggal ke input, data yang akan dikumpulkan adalah data dari adanya step

hingga ke keadaan steady state, dari data tersebut, kita dalam melakukan kalkulasi.

Untuk mendapatkan grafik Process Reaction Curve (PRC), maka pengendalian dapat

dilakukan dengan dua jenis, yakni pengendalian lup tertutup dan pengendalian lup terbuka.

Pengendalian lup tertutup dilakukan dengan mengubah setpoint yang mengakibatkan elemen

akhir pengendali (control valve) membuka atau menutup secara otomatis, sedangkan

pengendalian lup terbuka dilakukan dengan mengubah bukaan control valve secara manual

kemudian controlled variable berubah sesuai dengan besarnya bukaan control valve tersebut.

Gambar 2. Kurva reaksi proses metode Marlin II (Marlin, 2000).

Selanjutnya kita dapat menetukan fungsi alihnya (G) dengan formula :

! =!!!−!"!"+1 (1)


Keluaran

Untuk menentukan Gain (Kp), konstanta waktu (!) dan dead time-nya (!) dapat diperoleh dari

kurva reaksi proses dengan mengaplikasikan metode Marlin II (Marlin, 2000). Nilai dari ∆ =

besarnya perubahan variabel keluaran dan ! = besarnya perubahan variabel masukkan yang

mempengaruhi variabel kaluaran.

!! = ∆! (2)

! = 1,5 (!!"% − !!"%) (3)

! = !!"% − ! (4)

2.4 Sistem Pengendalian lup tertutup (closed-loop control system).

Konfigurasi ini mengukur secara langsung variabel yang dikendalikan untuk mengatur

harga variabel yang dimanipulasi. Tujuan pengendalian ini adalah mempertahankan variabel yang

dikendalikan pada level yang diinginkan (set point). Gambar 3 menunjukkan diagram dari siklus

tertutup yang merupakan suatu sistem pengendali yang lengkap karena sudah memasukkan

pengendali pada siklus sistem yang menerima informasi dari keluaran, yang akan memberikan

pengaruh atau aksi terhadap variabel yang dapat dimanipulasi (manipulated variable), sehingga

dapat memperbaiki jika ada kesalahan.

Gambar 3. Diagram Blok Berumpan-Balik (Marlin, 2000)

Gambar 4. Diagram blok pengendalian propagasi mundur pada sistem lup tertutup (Marlin, 2000)

Pengendali Elemen Pengendali

Proses

Sensor -‐ Transmitter

Masukan


Gambar 4 merupakan skema dari sistem lup tertutup, dimana pada sistem lup tertutup

memiliki fungsi alih dan variabel sebagai berikut:

Fungsi alih: Variabel:

Gc(s) = Pengendali

Gv(s) = Valve

Gp(s) = Proses

Gs(s) = Sensor

Gd(s) = Gangguan

CV(s) = Variabel terkendali

CVm(s) = Pengukuran harga dari variabel terkendali

D(s) = Gangguan

E(s) = Error

MV(s) = Variabel Manipulasi

SP(s) = Set Point

Untuk perubahan masukan set point diperoleh bentuk respon sistem yang disebut SERVO (Set

Point Response).

!"(!)!"(!)

= !" ! !" ! !"(!)!!!" ! !" ! !" ! !"(!)

(5)

Sedangkan untuk masukan akibat gangguan memiliki bentuk respon sistem yang disebut

REGULATORY (Disturbance Response).

!"(!)!(!)

= !" !!!!" ! !" ! !" ! !"(!)

(6)

2.5 Jenis Pengendali a. Pengendali Konvensional

• Pengendali Proportional Integral (Pengendali PI)

• Pengendali Proportional Derivative (Pengendali PD)

• Pengendali Proporsional, Integral, dan Derivatif (Pengendali PID) b. Pengendalian Tingkat Lanjut (Advanced Controller)

Terdapat beberapa pengendalian advance yang pernah dikembangkan seperti ratio

control, cascade control, feedforward control, decoupling control, model based control. Model Predictive Control

Model Predictive Control (MPC) adalah metode lanjutan dari proses pengendalian yang

telah digunakan dalam industri proses pabrik, kilang, maupun sistem tenaga listrik. Pengendali

MPC bergantung pada model dinamis proses, dan model yang paling sering digunakan adalah

yakni model empirik yang diperoleh dengan melakukan identifikasi sistem. Keutamaan dari MPC


adalah MPC dapat mengoptimasi kondisi pada sekaligus menjaga kondisi proses masa yang akan

datang tetap dalam keadaan stabil. MPC dapat mengantisipasi kejadian dimasa depan dan dapat

mengambil tindakan terhadap pengendali yang sesuai, sedangkan Pengendali PID tidak memiliki

kemampuan prediksi ini.

Model yang digunakan pada MPC didapat dari identifikasi sistem, identifikasi sistem

menggunakan metode statistik untuk membangun model matematis secara dinamis dari data yang

terukur. Model nya dapat berupa model empirik FOPDT (Kp, τ, θ).

Untuk mendapatkan prediksi yang sesuai dilakukan optimasi menggunakan cost function.

Optimasi dari Cost Function ini didapat dari persamaan 7.

! = !!!(!! − !!)! + !!!∆!!

!!

!!!

!

!!!

(7)

!! = Variabel terkendali

!! = !"#$%&'#

!! = Manipulated Variable

!!! = Koefisien dari x!

!!! = Koefisien dari u!

Hasil dari cost function ini adalah berupa u (Manipulated Variable/MV) yang merupakan

hasil prediksi dari model yang telah digunakan. Cost function sangat diperngaruhi oleh parameter

tuning dari MPC yakni Sampling Time, Prediction Horizon, dan Model Horizon.

Untuk meningkatkan kinerja dari MPC, maka akan dilakukan identifikasi sistem sehingga

didapat nilai parameter dari suatu sistem. Cara lain yang dapat digunakan adalah dengan

melakukan tuning terhadap pengendali MPC. Cara yang dapat dilakukan adalah dengan

melakukan Fine Tuning, yakni melakukan penyetelan pada sistem dengan mencoba melihat

perubahan grafik PRC dan mengubah nilai Sampling Time, Prediction Horizon, dan Model

Horizon secara manual hingga mencapai kinerja yang paling optimum. Cara ini dilakukan apabila

penyetelan dengan metode Dougherty and Cooper tidak bisa dilakukan karena hasil perhitungan

yang tidak sesuai dengan batas parameter MPC.

2.6 Parameter Kinerja Pengendali Parameter dalam suatu pengendali seperti Offset,Rise Time, Peak Time, Settling Time,

Decay Ratio, Periode Osilasi, Deviasi Maksimum, IAE, ISE seperti yang terlihat pada Gambar 5.


Gambar 5. Parameter Kinerja Pengendali

3. Metode Penelitian

3.1. Diagram Alir Penelitian

Mulai

Identfikasi Pabrik dan Sistem Pengendalian

Simulasi Pengendalian dengan metode MPC

Penyetelan Parameter MPC (Ts, P, dan M)

Kinerja MPC > Kinerja PI ?

Finish

Tidak

Ya

Penggantian pengendali PI menjadi MPC

Reidentifikasi Sistem(Kp, τ, ϑ)

Gambar 6. Diagram Alir Penelitian.


3.2 Identifikasi Sistem

Identifikasi sistem dapat dilakukan model testing untuk pengendali PI untuk tekanan dan

suhu, dimana akan mengubah tekanan pada keluaran kompresor sebesar 5% yang berfungsi

sebagai gangguan. Hasil yang diperoleh berupa grafik yang menghubungkan antara waktu

pengujian (testing time) dengan tekanan. Dari grafik tersebut kita dapat menentukan nilai dari

gain, konstanta waktu dan waktu delay-nya. Untuk mendapatkan parameter tersebut digunakan

metode perhitungan II (Marlin,2000)

3.3 Reidentifikasi Sistem

Nilai empirik yang telah didapat dari identifikasi sistem pada pengendali PI, dilakukan lagi

reidentifikasi sistem dengan menggunakan pengendali MPC, reidentifikasi dilakukan dengan

memberi perubahan setpoint dan gangguan pada pengendali untuk melihat reaksi yang dihasilkan

oleh pengendali. Untuk pengendali tekanan pada unit kompresor, setpoint akan diubah sebesar +7

kPa dan -7 kPa sedangkan pengendalian suhu untuk unit steam reformer, akan dilakukan

pengubahan setpoint sebesar +10oC dan -10oC. Identifikasi dilakukan berulang-ulang untuk

setiap pengendali nya. Identifikasi ini dapat dianggap selesai apabila nilai IAE yang dihasilkan

dari sistem lebih jelek daripada nilai IAE sebelumnya. Langkah yang dilakukan dalam

reidentifikasi sistem ini dapat dilakukan dengan :

a. Memasukkan nilai empirik (Kp, τ, θ) yang didapat dari pengendali PI kedalam pengendali

MPC, lalu jalankan integrator.

b. Mengubah setpoint pengendali tersebut sesuai dengan yang telah ditentukan, sehingga didapat

kurva PRC yang baru pada pengendali MPC.

c. Melakukan perhitungan nilai empirik yang baru dari kurva PRC yang didapat sebelumnya.

d. Menghitung nilai IAE dari kurva PRC hasil dari nilai empirik yang baru. Apabila nilai IAE

dari kurva PRC yang baru lebih bagus daripada nilai IAE dari PRC sebelumnya, maka

reidentifikasi dianggap telah selesai, sedangkan apabila nilai IAE yang baru tidak lebih baik

daripada nilai IAE pada PRC sebelumnya, maka dilakukan kembali poin b hingga d.

3.4 Penyetelan Parameter MPC (Ts, P, M)

Parameter pengendali MPC yang dilakukan tunning yaitu T (waktu sampel), P (prediction

horizon), dan M (control horizon). Adapun metode yang digunakan adalah hasil perhitungan


dengan pengembangan Dougherty dan Cooper (2003b). Dari nilai Kp, !, dan !, maka didapat

dihitung nilai dari T, P, atau dapat menggunakan metode fine tuning untuk mendapatkan nilai

parameter pengendaliannya

3.5 Simulasi Pengendalian dan melihat kinerja MPC dan PI

Setelah mengetahui nilai empirik dari sistem tersebut, dan setelah melakukan penyetelan

pada Pengendali MPC, selanjutnya akan dilihat kinerja dari pengendali MPC dan PI, apabila

pengendali MPC memiliki kinerja yang lebih bagus daripada pengendali PI, maka penelitian

dianggap sudah berhasil, apabila belum berhasil, maka akan dilakukan penghitungan ulang pada

nilai empirik dan nilai parameter MPC kembali. Kinerja MPC dapat dilihat dengan melakukan

penghitungan Offset,Rise Time, Peak Time, Settling Time, Decay Ratio, Periode Osilasi, Deviasi

Maksimum, IAE, ISE.

4. Hasil Penelitian

4.1 Identifikasi Empirik dengan pengendali MPC

Melakukan pemodelan dengan pengendali MPC dilakukan dengan cara yang sama dengan

pengendali PI yakni dengan mengubah setpoint setiap pengendali untuk melihat perubahan reaksi

yang dihasilkan oleh pengendali untuk mencapai kestabilan.

Untuk pengendalian tekanan pada unit kompresor, setpoint akan diubah sebesar +7 kPa

dan -7 kPa, sedangkan pengendalian suhu untuk unit steam reformer, akan dilakukan pengubahan

setpoint sebesar +10oC dan -10oC. Setiap pengendali dilakukan pengubahan setpoint hingga

mencapai IAE yang paling rendah. Hal ini bertujuan untuk mendapatkan model yang maksimal

dan tepat. Model yang didapat akan dilanjutkan modifikasi parameter MPC (Prediction Horizon,

Control Horizon, Control Interval).

Dalam mengidentifikasi sistem, kita akan menghitung nilai empirik dari sistem tersebut,

nilai empirik pada penilitan ini dapat dilihat dari Gambar 7 dan Gambar 8. Grafik PRC tersebut

akan menunjukkan nilai dari Kc, Ti, dan θ yang merupakan model yang dihasilkan dari sistem,

nilai ini juga digunakan untuk perhitungan nilai parameter MPC.

Gambar 7 dan Gambar 8 merupakan hasil pemodelan dengan nilai parameter (tuning) MPC

standar (default). Hasil pemodelan ini, nantinya akan digunakan untuk melihat respon pengendali


apabila diberi gangguan. Hasil pemodelan yang terakhir pada setiap unit merupakan model yang

paling bagus sehingga nantinya akan dilakukan penyetelan.

Model Testing dilakukan hingga mendapatkan nilai IAE yang minimum untuk setiap

pengendali untuk mendapatkan hasil yang lebih akurat. Hasil dari tuning pada setiap pengendali

dapat dilihat pada Tabel 2.

Gambar 7. PRC Unit Kompresor (Pressure Control)

Gambar 8. PRC Unit Heater pada Steam Reformer (Temperature Control)

1576

1577

1578

1579

1580

1581

1582

1583

1584

1585

0 2000 4000 6000 8000

PV (k

Pa)

Waktu (s)

SP

Pemodelan PI

Pemodelan MPC 1

Pemodelan MPC 2

Pemodelan MPC 3

648

650

652

654

656

658

660

662

0 1000 2000 3000 4000 5000

PV (oC)

Waktu (s)

SP

Pemodelan PI

Pemodelan MPC 1

Pemodelan MPC 2

Pemodelan MPC 3

Pemodelan MPC 4


Tabel 2. Hasil Tuning pada setiap pengendali

KOMPRESOR 1 Pemodelan 1 Pemodelan 2 Pemodelan 3 Pemodelan 4

Kp -0,64935 -0,50542 -0,2329 -0,14774 thau 0,495 3,417 7,2501 6,2583 theta 1,3012 0,302 1,5219 1,0863

KOMPRESOR 2 Pemodelan 1 Pemodelan 2 Pemodelan 3 Pemodelan 4

Kp -0,70975 -0,57023 -0,29849 -0,15618 thau 16,935 29,08245 42,83085 6,9723 theta 2,308 8,04225 9,40195 1,2743

KOMPRESOR 3 Pemodelan 1 Pemodelan 2 Pemodelan 3

Kp -0,4227 -0,28285 -0,70061 thau 29,3067 23,42445 1,55625 theta 5,0861 7,09145 0,81675

KOMPRESOR 4 Pemodelan 1 Pemodelan 2

Kp -0,69754 -0,69839 thau 5,25 1,002 theta 0,0855 1,1697

HEATER Pemodelan 1 Pemodelan 2 Pemodelan 3 Pemodelan 4

Kp 0,217721 0,218084 0,595201 3,401832 thau 36,0045 9,4845 3,501 0,51 theta 0,3285 0,5155 0,666 0,33

COMBUSTOR Pemodelan 1

Kp 0,312824 thau 2,0025 theta 0,165

Dari pemodelan yang dilakukan terhadap setiap pengendali, hasil pemodelan yang

digunakan untuk kemudian di lakukan penyetelan MPC lebih lanjut adalah pemodelan yang

terakhir. Hasil penyetelan empirik yang terbaik untuk setiap pengendali dilihat pada Tabel 3.


Tabel 3. Hasil FOPDT PRC setiap pengendali

No. Pengendali Kp τp ϴ

1 PC Compressor 1 -0,1477 6,2583 1,0863

2 PC Compressor 2 -0,1562 6,9723 1,2743

3 PC Compressor 3 -0,7006 1,5563 0,8168

4 PC Compressor 4 -0,6984 1,0020 1,1697

5 TC Heater 3,4018 0,5100 0,3300

6 TC Combustion 0,3128 2,0025 0,1650

4.2 Kinerja Pengendali MPC

Hasil penyetelan pada pengendali PI unit kompresor - 3 adalah penyetelan dengan

menggunakan metode Ziegler Nichols, dimana hasil terbaik didapat dengan nilai Kc = 0,7187

dan Ti = 0,3556. Sedangkan untuk pengendali MPC, nilai empirik yang digunakan adalah

Kp = -0,7006, τp = 1,5563, dan θ = 0,8168, untuk nilai parameter penyetelan MPC hasil fine

tuning pada unit ini adalah

Step Respon Length (SRL) = 50

Prediction Horizon (P) = 50

Control Horizon (M) = 3

Control Interval (Ts) = 2

Berdasarkan Gambar 9, dapat dilihat bahwa pengendali MPC setelah dimodelkan mampu

memberikan respon yang lebih cepat dari pada pengendali PI terhadap perubahan setpoint sebesar

7 kPa, yang membuktikan bahwa pengendali MPC lebih baik dari pada pengendali PI. Begitu

juga apabila dibandingkan dengan pengendali MPC tanpa dilakukan reidentifikasi terlebih

dahulu, kinerja MPC yang telah direidentifikasi lebih baik dari pada kinerja MPC yang belum

diidentifikasi, hal ini membuktikan bahwa reidentifikasi akan menghasilkan model yang lebih

optimum.


Gambar 9. Respon PV pada pengendali MPC dan PI Unit Kompresor 3 terhadap Perubahan Setpoint Sebesar 7 kPa

Gambar 10 menunjukkan respon pengendali pada unit kompresor-3 apabila diberi

gangguan 20 kPa pada tekanan masukannya, grafik berwarna biru yang merupakan hasil respon

pengendali MPC, menunjukkan kinerja yang lebih baik dari pada hasil kinerja pengendali PI.

Kedua pengendali berhasil melakukan pengendalian, tetapi pengendali MPC mengendalikan dan

mengembalikan kondisi ke kondisi awal dengan lebih cepat dari pada pengendali PI. Begitu juga

apabila dibandingkan dengan hasil kinerja MPC tanpa direidentifikasi, hal ini membuktikan

bahwa MPC perlu diidentifikasi terlebih dahulu.

Dengan demikian, berdasarkan kedua gambar tersebut, dapat dilakukan perhitungan nilai

parameter keberhasilan pengendalian dari masing-masing metode untuk dapat dibandingkan

secara kuantitatif. Hasil perhitungan dapat dilihat pada Tabel 4.

Gambar 10. Respon PV pada pengendali MPC dan pengendali PI Unit Kompresor 3 terhadap Perubahan kondisi

tekanan umpan sebesar 20 kPa

-‐1

0

1

2

3

4

5

6

7

8

0 500 1000 1500 2000

∆PV (kPa

)

Waktu (s)

PI

MPC tanpa ReidenBfikasi

MPC

SP (7 kPa)

-‐0.5

0

0.5

1

1.5

2

2.5

0 500 1000 1500 2000 2500

∆PV (kPa

)

Waktu (s)

PI

MPC tanpa ReidenBfikasi

MPC

SP (20 kPa)


Tabel 4. Hasil perhitungan parameter kinerja pengendali Unit Kompresor-3

Parameter PI MPC MPC tanpa Reidentifikasi

Offset 0 0 0

Rise Time (s) 1160 801 1500

Peak Time 0 0 0

Overshoot 0 0 0

Settling Time (s) 780 440,25 1090

Decay Ratio 0 0 0

Periode Osilasi 0 0 0

Deviasi Maksimum 0 0 0

IAE 41,55 20,37 76,16

ISE 128,99 46,58 264,37 Dari sepuluh parameter yang diuji pada Unit Kompresor-3 terlihat bahwa kinerja

pengendali MPC jauh lebih baik dari pada pengendali PI. Pengendali PI membutuhkan waktu

yang lebih lama untuk mencapai kondisi stabil. Hasil yang serupa juga didapat dari MPC yang

tidak di Identifikasi terlebih dahulu, yang membutuhkan waktu yang lebih lama untuk mencapai

kondisi stabil.

Hal yang sama akan dihasilkan oleh Unit Kompresor 1, Unit Kompresor 2, Unit

Kompresor 4, Unit Heater dan Combustor pada Steam Reformer. Setiap pengendali MPC

menghasilkan kinerja yang lebih baik daripada kinerja pengendali PI.

Model Predictive Control (MPC) telah membuktikan kemampuannya dalam

mengendalikan tekanan maupun suhu. Penyetelan parameter MPC dalam penelitian ini dilakukan

dengan menggunakan penyetelan non-adaptif berdasarkan perhitungan yang dikembangkan oleh

Dougherty Cooper dan juga menggunakan metode fine tuning.

Hasil penyetelan dengan menggunakan metode non-adaptif menunjukkan tidak adanya

respon terhadap perubahan setpoint yang diberikan kepada pengendali. Hal ini menunjukkan

bahwa pengendali MPC non-adaptif tidak dapat berfungsi sebagaimana mestinya. Sedangkan

untuk pengendali MPC hasil fine tuning menunjukkan hasil yang sangat maksimal, hal ini

terbukti dari perbandingan antara pengendali MPC dan PI yang sangat signifikan. Sehingga

metode fine tuning sangat tepat jika dilakukan.


MPC non-adaptif tidak menunjukkan perubahan dapat disebabkan karena terlalu besarnya

jangkauan Prediction Horizon (P) berdasarkan hasil perhitungan dimana proses dari sistem ini

tidak membutuhkan prediction horizon (P) yang tinggi. Selain itu, Control Interval (T) yang

diperlukan berdasarkan hasil perhitungan juga cukup besar, sedangkan dalam melakukan

pengendalian menggunakan metode fine tuning, nilai T yang dibutuhkan cukup kecil untuk

mendapatkan hasil yang optimum, sebaliknya jika dilakukan dengan control interval yang cukup

tinggi, maka proses menjadi cepat tidak stabil atau respon yang berlebihan terhadap pengaruh

setpoint itu sendiri. Sehingga penyetelan dengan menggunakan metode non-adaptif tidak

disarankan untuk digunakan dalam pengendali Model Predictive Control (MPC).

Model Predictive Control merupakan pengendali yang dapat mengoptimasi suatu

pengendalian. Kelemahan dari MPC ini adalah apabila diberikan gangguan yang tinggi, maka

responnya akan sangat buruk dan cenderung tidak stabil sehingga selalu melakukan osilasi.

Berbeda dengan pengendali PI yang mampu mengendalikan sebuah sistem walaupun diberi

gangguan yang tinggi. MPC akan jauh menunjukkan kinerja yang lebih baik daripada PI apabila

diberi gangguan yang kecil, tetapi tidak berlaku jika MPC diberikan gangguan yang tinggi, maka

MPC akan cenderung tidak stabil. Oleh karena itulah, Model Predictice Control disebut sebagai

pengendali bekerja untuk optimasi.

Berdasarkan penelitian diatas, dapat diukur presentase peningkatan kinerja dari

pengendali MPC setelah dilakukan pemodelan dan penyetelan. Hasil peningkatan kinerja dari

pengendali MPC dapat dilihat pada Tabel 5. Tabel 5. Hasil peningkatan kinerja setiap kendali

Pengendali Unit IAE PI IAE MPC IAE MPC tanpa

Reidentifikasi

Presentase Kenaikan

Kinerja (x 100%)

Tekanan Unit Kompresor 1 84,33 11,37 57,74 7,42




Suhu Unit Steam

Reformer

11,30 0,42 3,93 27,16

Suhu 249,35 27,38 30,73 9,11


Pada Tabel 5 terlihat bahwa kinerja pengendali MPC jauh lebih baik dari kinerja

pengendali PI, pemodelan yang dilakukan sangat berguna untuk menaikkan kinerja suatu

pengendali. Hal ini terlihat apabila pada pengendali MPC tidak dilakukan suatu pemodelan yakni

pada penelitian ini digunakan model empirik, maka kinerja pengendali MPC tidak akan lebih

baik dan cenderung buruk, hal inilah mengapa pemodelan sangat perlu dilakukan.

5. KESIMPULAN

Berdasarkan hasil penelitian dan pembahasan yang telah dilakukan, maka dapat diambil

kesimpulan sebagai berikut :

1. Pengendali tekanan kompresor dan suhu steam reformer dengan menggunakan MPC

memiliki hasil yang lebih baik dari pada pengendali PI. Pengendali MPC menunjukkan

dapat mengoptimasi suatu sistem, berbeda halnya dengan pengendali PI yang membutuhkan

waktu yang lama untuk mengoptimasi sistem.

2. Model empirik yang digunakan untuk melakukan penyetelan PI pada penelitian sebelumnya

belum menghasilkan kinerja yang optimum jika digunakan pada pengendali MPC.

3. Modifikasi parameter pengendali MPC tidak bisa dilakukan dengan strategi tuning non-

adaptive, sehingga harus dilakukan dengan strategi fine tuning.

4. Reidentifikasi sistem dan fine tuning pada pengendali MPC mampu meningkatkan kinerja

pengendalian tekanan kompresor dan suhu steam reformer, sehingga menghasilkan kinerja

yang lebih baik dari pada pengendali PI dan MPC tanpa reidentifikasi sistem

5. Pengendali MPC berhasil meningkatkan kinerja dari pengendalian tekanan untuk kompresor

1 sebanyak 7,4 kali lebih baik, kompresor 2 sebanyak 2,6 kali lebih baik, kompresor 3

sebanyak 2 kali lebih baik, kompresor 4 sebanyak 2,7 kali lebih baik, suhu heater pada

steam reformer sebanyak 27 kali lebih baik, dan suhu column combustor pada steam

reformer sebanyak 9 kali lebih baik. 6. SARAN

Berdasarkan kesimpulan dan hasil penelitian ini, penulis menyarankan untuk adanya

penelitian lebih lanjut mengenai :

1. Penggabungan pengendali PI dan MPC, dimana kedua pengendali ini digunakan untuk

suatu alat/unit yang sama.


2. Penelitian untuk menemukan metode yang tepat dalam penentuan nilai modifikasi metode

MPC.

7. DAFTAR PUSTAKA

Agachi, Paul Serban (2006). Model Based Control. German : WILEY-VCH Verlag GmbH

Aspen, (2012). Aspen Hysys Operation Guide : Reference Guide

Boyd, S. (2010). Model Predictive Control. Stanford University

Budianta, I.A, Abqari, F. Dkk (2011). Perancangan Pabrik Biohidrogen dari Biomassa. Depok :

Departemen Teknik Kimia Universitas Indonesia

Camacho, E. F., Carlos B. (2007). Nonlinear Model Predictive Control : an introductory review.

Spain: University of Seville

Dwiyaniti, Murie. (2010). Perancangan Pengendalian. University of Indonesia.

Dougherty, D., Cooper, D. (2003b). A practical multiple model adaptive strategy for single loop

MPC. Control Engineering Practice, 11, 141-159.

Hanifah, Nur. (2008). Simulasi Pengendalian. Universitas Indonesia.

Hansen, Claus (2008). Dynamic Simulation of Compressor Control Systems. Aalborg University

Esbjerg

Haugen, Finn (2010). MPC Vs PID. Telemark University College.

HONEYWELL. (2009). UniSim® Design Dynamic Modeling: Reference Guide.

MARLIN, T. E. (2000). Process Control: Designing Processes and Control Systems for Dynamic

Performance, United States, McGraw-Hill Higher Education.

Rawlings, James. (2000). Tutorial Overview of Model Predictive Control. IEEE Control System

Magazine

Smith, C. A. & Corripio, A. B. (1985). Principles and Practice of Automatic Process Control,

United States, John Wiley & Sons Inc.


pengendalian tekanan kompresor dan suhu steam …

Documents