Nest!!!

My Group in University

KONTROL PROSES BERBASIS MODEL
(Model Predictive Control/MPC)
Oleh : Mohamad Fauzan Amir
Magister Instrumentasi dan Kontrol-Departemen Teknik Fisika
Institut Teknologi Bandung

Prakata :

Tulisan berikut ini bentuk keinginan dari penulis untuk berkontribusi membagi sedikit pengetahun tentang pengertian dan pemahaman Advance Process Control (APC), khususnya Model Predictive Control atau yang dikenal dengan MPC. Hal ini didasari pada perkembangan teknologi MPC yang cukup pesat baik dari aspek perkembangan keilmuan dan juga aplikasi praktis. Pembahasan dan perdebatan mengenai teknologi MPC dan variannya ini masih cukup ramai dalam seminar-seminar internasional yang melibatkan kalangan industri. Jika kita ”browsing” diinternet dan kita mencari kata kunci tentang MPC, maka akan banyak ”report-report” yang membahas masalah ini. Akan tetapi rata-rata tulisan-tulisan ilmiah tersebut masih jarang ditulis oleh kalangan akademisi nasional. Demikian halnya jika kita mencari penerapan aplikasi ini pada industri nasional, masih sangat sedikit yang kita temui. Pada hal teknologi MPC adalah salah satu bentuk Optimisasi dari teknik-teknik kontrol yang telah ada sehingga diyakini akan dapat meberikan keuntungan ekonomis dan peningkatan produksi jika diterapkan dengan teknik dan kondisi yang benar. Tentu saja pertambahan ”gain” yang maksimal akan didapat jika penerapan optimisasi tidak dibatasi pada level ”kontrol” saja melainkan diterapkan juga pada optimisasi proses, optimisasi sistem instrumentasi termasuk instrumen dilapangan, dan optimisasi pada teknologi informasi.Sebenarnya ada banyak sekali aspek yang perlu dikaji dan dioptimisasi jika dikehendaki pertambahan hasil atau manfaat yang sempurna. Akan tetapi penulis hanya membatasi pembahasan teknik optimisasi pada level ”kontrol” saja. Mudahan dalam kesempatan lain akan ada tulisan yang membahas secara menyeluruh mengenai optimisasi dalam berbagai aspek kajian teknik dan teoritis.
Harapan penulis, melalui tulisan ini setidaknya dapat memberikan pencerahan wawasan mengenai wacana baru Kontrol Proses Berbasis Model atau yg lebih dikenal sebagai Model Predictive Control sehingga pengetahuan kita selalu bertambah (Update) dan dapat mengikuti perkembangan teknologi yang sedemikian cepatnya.

1. Apakah Kontrol Tingkat Lanjut itu?
Lebih dari tiga dasawarsa berbagai studi tentang Kontrol Proses tingkat lanjut atau lebih dikenal sebagai Advance Process Control (APC) terus dilakukan. Tinjauan dari sudut pandang teoritis ,studi-studi tentang implementasi dan berbagai pernyataan tentang keuntungan (benefit) dari aplikasi APC ikut menentukan arah perkembangan teknologi ini. Selama tahun 1960-an strategi kontrol lanjut diturunkan dengan pendekatan klasik three-term, Pengontrol Proportional-Integral-Derivative (PID). Dengan datangnya teknologi komputer, ini berarti penerapan teknologi klasik analog menjadi usang berganti menjadi teknologi digital. Kontrol Umpan Maju (Feed forward), Kontrol Multivariabel dan filosofis kontrol optimal menjadi sesuatu yang sangat mungkin untuk diimplementasikan. Pada masa kini, kontrol proses tingkat lanjut (Advance Process Control) selalu disinonimkan dengan implementasi teknologi kontrol yang berbasis komputer.
Laporan penelitian terbaru menunjukkan bahwa APC dapat meningkatkan hasil produksi, mereduksi konsumsi energi, meningkatkan kapasitas, meningkatkan kualitas dan konsistensi produk,meningkatkan keamamanan proses dan mengurangi emisi lingkungan. Keuntungan-keuntungan ini memberikan manfaat yang sangat besar terhadap dunia industri dan dapat dicapai hanya dengan mengurangi tingkat variabilitas dari proses, karena itu plant harus dioperasikan sesuai dengan kapasitas disainnya.
Jadi, apa definisi yang tepat tentang kontrol tingkat lanjut? Definisi ini dapat berbeda bergantung pada latarbelakang individu-individu yang mendefinisikannya. Boleh jadi definisi ini dapat beraneka ragam, misalnya implementasi umpan maju (feedforward), skema kontrol kaskade (Cascade Control), implementasi time delay compensator, self tuning atau algoritma adaptif atau bisa juga aplikasi strategi optimisasi pada suatu sistem. Disini, sudut pandang seorang akademisi akan berbeda secara signifikan dengan seorang praktisi enjiner. Definisi yang lebih komprehensif adalah jika ditinjau dari berbagai disiplin ilmu yakni kontrol enjinering, pengolahan sinyal, statistik, teori keputusan, Artifisial intelijen, hardware dan software enjinering. Titik berat filosofinya adalah kebutuhan akan pengetahuan tentang permasalahan enjinering dan pengertian tentang perilaku dari proses plant secara terintegrasi.
Tulisan berikut ini akan membatasi dan menitikberatkan pada algoritma kontrol berbasis model proses. Karenanya tulisan ini akan memfokuskan tentang teknik berbasis model. Meskipun metode ini diaplikasikan secara luas seperti pada bidang aeronatika, robotik, penjejak radar dan sistem kendali misil, hanya aplikasi pada industri proses yang akan dibahas.

2. Model Proses

Model suatu sistem dapat direpresentasikan dalam suatu bentuk ekspresi matematik. Ekspresi matematik tersebut dapat diturunkan dari hukum-hukum fisika maupun dari hubungan output terhadap input yang diberikan.Berdasarkan ekspresi matematik tersebut, maka informasi dinamik serta kondisi steadystate (ajeg/mantap) dari suatu sistem dapat diperkirakan. Informasi-informasi ini berguna bagi seorang sistem enjiner dalam melakukan analisis dan teknik disain suatu sistem.
Dalam hubungannya dengan sistem kontrol, sebuah model harus berisi informasi prediksi perilaku suatu sistem sebagai konsekuensi dari perubahan kondisi operasi suatu proses. Keterkaitannya dengan konteks ini,berarti sebuah model dapat berupa fungsi matematika maupun informasi statistik yang dapat menjelaskan aspek khusus suatu proses tertentu. Selain tinjauan matematika dan statistik, sebuah model dapat juga dipandang sebagai deskripsi kualitatif dari perilaku suatu proses. Pengklasifikasian ini ditunjukkan pada gambar berikut:


Gambar 1. Klasifikasi tipe model pada proses monitoring dan kontrol

2.1. Model Mekanistik

Melihat asal katanya “mekanistik”, sebagian orang akan mengira bahwa model yang dimaksud adalah model mekanik yang diturunkan berdasarkan hukum-hukum mekanika klasik. Akan tetapi pengertian yang dimaksud tidak sesempit itu, melainkan lebih bersifat umum. Model mekanistik biasanya diturunkan dari hukum-hukum fisika atau kimia, jadi pengertiannya tidak hanya sekedar model mekanika saja. Teknik analisa pernurunan dapat didekati dengan konsep parameter tergumpal(lumped) atau bisa juga dengan representasi parameter terdistribusi. Analisa parameter tergumpal digambarkan dengan persamaan diferensial biasa atau Ordinary Differential Equation (ODE).Sedangkan perangkat matematik yang digunakan untuk analisa parameter terdistribusi adalah dengan menggunakan persamaan diferensial parsial atau partial differential equations (PDEs. Contoh sederhana yang dapat diilustrasikan untuk menggambarkan kedua metoda ini adalah : ODE digunakan untuk menggambarkan perilaku dari system ditinjau dari satu dimensi saja misalnya ketinggian fluida sebagai fungsi dari waktu. Sedangkan penggunaan PDE misalnya pada analisa profil temperature dalam sebuah tangki. Salah satu alasan yang mendasari pengunaan PDE untuk analisa ini adalah dikarenakan profil temperature yang tidak sama antara beberapa titik pengukuran. Sehingga analisa yang dilakukan harus terdistribusi pada beberapa titik pengukuran supaya mendapatkan model yang benar-benar valid.
Model yang dikembangkan dengan mengunakan parameter terdistribusi dengan menggunakan PDE jauh lebih kompleks jika dibandingkan dengan model parameter tergumpal (Lumped) atau model satu dimensi dengan ODE. Sehingga untuk mendapatkan solusi analisa PDE akan jauh lebih sulit dibandingkan solusi ODE. Meskipun demikian, untuk Model parameter terdistribusi tersebut sering didekati dengan deret satu dimensi (ODE) saja. Alasannya adalah untuk penyederhanaan saja dengan catatan asumsi tertentu harus dipenuhi supaya penyederhanaan tersebut cukup valid. Mengacu kembali ke diagram klasifikasi model pada gambar 1 diatas, lebih jauh lagi pengklasifikasian kedua model tergumpal (lumped) dan teristribusi dapat digolongkan lagi menjadi linier dan tidak linier. Biasanya nonlinieritas akan dilinerisasi untuk memudahkan suatu analisa.
Terkadang dalam banyak kasus, karena terbatasnya waktu dan financial mungkin saja sebuah model mekanik menjadi tidak praktis untuk dikembangkan. Apalagi jika pengetahuan kita tentang objek tersebut terbatas atau model tersebut terlalu kompleks sehingga sangat sulit untuk dipecahkan. Dalam kondisi ini model empiris atau model “black box” yang dibangun berdasarkan data dari plant boleh jadi diajukan sebagai alternatif pemecahan kebuntuan jawaban.

2.2. Model “Black Box”
Keterbatasan teknik pemecahan masalah terhadap persamaan diferensial kompleks yang sering dijumpai ketika melakukan analisa matematik terhadap model mekanistik, memaksa kita untuk mengunakan pendekatan baru yang dikenal sebagai Model “black box” . Kata “black box” mengingatkan kita pada sebuah kotak hitam yang kita tidak mengetahui apa yang terdapat didalam kotak hitam tersebut. Akan tetapi kita akan sangat penasaran untuk mengetahui apa isi di dalam kotak tersebut, sehingga berbagai cara kita lakukan misalnya kotak tersebut kita “goyang-goyang”, “dipukul-pukul” atau disinari dengan suatu cahaya dengan harapan kita akan mendapatkan informasi atas “efek (sebab)” yang ditimbulkan. Berdasarkan informasi “efek” terhadap aksi tersebut, barulah kita mencoba menerka apa yang terkandung didalamnya. Keakurasian kesimpulannya sangat bergantung dari seberapa “lengkap” data yang anda dapatkan dan tentu saja kemampuan analisa anda.
Berdasarkan ilustrasi tersebut, jika kita mempunyai system “black box” maka untuk mengetahui persamaan dinamik yang terkandung didalamnya, kita dapat mengetahuinya melalui hubungan antara output dan input yang diberikan. Dengan mempelajari perilaku output (efek) atas input (aksi) yang diberikan maka suatu representasi dinamika system dapat diperkirakan. Parameter persamaan dinamik yang diperoleh tidak mempunyai arti fisis yang signifikan terhadap proses yang dimodelkan, misalnya koefisien perpindahan panas, kinematika reaksi dsb . Inilah kerugian dari model “black box” jika dibandingkan dengan model mekanistik. Akan tetapi, jika tujuannya hanyalah untuk merepresentasikan secara tepat kecenderungan perilaku suatu proses, maka pendekatan model “black box” akan efektif. Bahkan dari sisi biaya akan lebih kecil jika dibandingkan dengan pengembangan model mekanistik.
Seperti yang ditunjukkan pada gambar 1, model “black box” dapat dikatagorikan menjadi bentuk linier dan nonlinier. Dalam katagori linier, fungsi transfer dan deret waktu akan dominan. Sebaliknya analisa terhadap pengaruh nonlinieritas akan digolongkan menjadi dua bagian yakni deret waktu dan jaringan syaraf tiruan. Hal ini semakin memungkinkan dengan adanya kecepatan prosesor computer yang semakin tinggi dan kemajuan ilmu pengetahuan sehingga model-model “inteligen” seperti jaringan syaraf tiruan semakin berkembang cepat.

2.3. Model Kualitatif

Ada banyak contoh dimana proses alam tidak menghendaki deskripsi secara matematis, misalnya batasan fisis suatu operasi proses. Akibatnya adalah ketidakkontinyuan yang tidak tepat jika digambarkan oleh persamaan matematik. Pada kasus ini model kualitatif dapat diformulasikan dengan teknik “rule base” atau “berbasis aturan/sintaksis”. Teknik yang dimaksud mengunakan bahasa pemrogramman komputer “IF-THEN-ELSE” untuk mendeskripsikan perilaku dari proses. Aturan-aturan (Rule) ini dibangun berdasarkan pengalaman manusia atau operator jadi bersifat khusus (tertentu) sehingga memiliki kelemahan jika hanya mengandalkan pendekatan murni “rule base” saja. Pendekatan terbaru untuk memperbaiki model kualitatif ini adalah dengan menggabungkan teknik “rule based” dan persamaan matematika aljabar sehingga model kualitatif yang didapat lebih presisi. Salah satu alternatifnya adalah logika fuzzy (samar) yang diajukan oleh Zadeh pada tahun 1965-1971. Contoh sederhana pemodelan berbasis logika fuzzy, adalah sebagai berikut, misalnya pendefinisian ukuran tinggi manusia. Seorang dikatakan “tinggi” jika ukuran tinggi badannya lebih dari atau sama dengan 180 cm. Nah, matematika klasik akan mengkatagorikan bahwa jika seseorang mempunyai tinggi 179,9 cm dikatakan tidak tinggi atau pendek karena batas minimal pendefinisan tinggi adalah bilangan “tegas” 180 cm. Akan tetapi, logika atau cara berpikir manusia tidak demikian. Tetap saja orang yang mempunyai tinggi badan 179,9 cm dikatakan tinggi, walaupun derajat kebenarannya menjadi berkurang atau tidak sempurna lagi. Derajat kebenaran sempurna dihargai dengan nilai 1. Sebaliknya derajat kebenaran terendah adalah “0”. Logika seperti ini disebut dengan logika samar. Logika fuzzy (samar) berisi sekumpulan (set) aturan (rule) dan persamaan aljabar yang mendeskripsikan perilaku system.Aplikasinya dijumpai pada mesin cuci, auto focus kamera, system control dll.

2.4. Model Statistikal
Selain model-model deterministik, dinamika proses dapat direpresentasikan dengan terminologi statistik. Pendekatan statistik perlu dilakukan karena ketidakpastian parameter disekitar sistem. Akar dari teknik statistik ini adalah analisis data statistik, teori informasi, teori permainan dan teori dari sistem keputusan.
Karakteristik dari model probabilistik ditentukan oleh suatu fungsi yang dikenal sebagai variabel fungsi kerapatan kemungkinan (Probability Density Function). Fungsi distribusi yang umum dijumpai adalah distribusi normal yang memberikan informasi tentang nilai kemungkinan suatu variabel secara normal statistik. Sedangkan distribusi kemungkinan untuk sistem multivariabel adalah Multivariate probability Density Function. Fungsi ini akan sulit untuk diinterpretasikan jika sudah melibatkan lebih dari dua variabel. Selain derajat kemungkinan, suatu Model dapat dikembangkan berdasarkan derajat keimiripan antara dua variabel. Model seperti ini dikenal sebagai model korelasi.
Dalam dunia kontrol modern, model statistik mempunyai peranan penting khususnya untuk monitoring proses, analisa data atau analisa pembuat keputusan pada statistical process control.

3. KONTROL OTOMATIK BERBASIS MODEL (MODERN)
Model sebagai representasi dari sebuah proses pada mulanya digunakan untuk menjawab kebutuhan operasional terhadap masalah Kemanan (Safety) dan kebutuhan pelatihan bagi operator. Model tersebut digunakan sebagai simulasi bagi proses sehingga isu-isu yang berhubungan dengan masalah kemanan proses dapat diperkirakan dan dicari pemecahannya. Selain itu, simulasi tersebut dijadikan juga sebagai sarana latihan bagi seorang operator untuk mengoperasikan proses pabrik. Tetapi, pendekatan ini tidak lagi sesuai untuk sistem kontrol sesungguhnya (realtime). Dalam konteks kontrol otomatik, posisi model adalah memberikan referensi “perkiraan” keadaan saat ini sehingga dapat diberikan aksi kontrol sesuai dengan spesifikasi yang diinginkan.

Dalam dunia industri proses, model “black box” sering digunakan untuk sintesa kontrol karena kemudahan dalam teknik pendefinisian modelnya jika dibandingkan dengan pendefinisian mengunakan model mekanistik yang cukup mahal. Untuk tujuan disain, kep-presisian adalah sesuatu yang sangat penting, apalagi untuk spesifikasi strategi kontrol, disain kontrol, dan analisa sistem kontrol, model “black box” dapat mereplikasi dinamika dari proses yang biasanya sesuai. Jadi penggunaan model ini lebih mungkin diterapkan untuk tujuan disain kontrol seperti yang telah disebutkan diatas sehingga tidaklah mengherankan jika teknik pendefinisian model yang digunakan dalam berbagai algoritma advance control adalah teknik model ”black-box”.
Dalam bahasan berikut ini lebih memfokuskan pada aspek teknologi kontrol berbasis Model yang dikenal sebagai Model Predictive Control (MPC)

4. MODEL PREDICTIVE CONTROL
4.1 Pengantar Kontrol Multivariabel
Dinamika proses yang berubah terhadap waktu, nonlinier, dan multi-input multi-output (multivariabel) merupakan karakteristik yang umum dijumpai pada proses-proses kimia di industri. Karakteristik proses yang demikian kemudian menjadi tantangan yang harus dihadapi dalam merancang suatu pengontrol agar dapat mencapai performansi sistem kontrol yang diinginkan. Hal ini disebabkan karena pengontrol yang dirancang harus dapat mengatasi pengaruh perubahan parameter/nonlinieritas proses, batasan-batasan daerah kerja aktuator dan proses, dan adanya gangguan yang terjadi pada proses. Selain itu, jika proses yang dikontrol adalah proses multivariabel dan di dalamnya terjadi interaksi dimana suatu variabel akan mempengaruhi variabel lainnya maka pengontrol tersebut harus dapat meminimalkan adanya pengaruh interaksi tersebut. Teknik umum yang dikembangkan untuk mendapatkan optimalisasi sistem kontrol adalah dengan menala (Men-tuning) pengontrol tiap-tiap proses variabel secara terpisah. Artinya struktur kontrol yang digunakan berbasiskan pengontrol multi-lup single input single output (SISO). Kinerja maksimal dari sistem bergantung kompleksitas interaksi variabel proses yang dikontrol atau dengan kata lain tidak dapat memperkirakan hasil akhir dari kestabilan proses. Semakin rumit proses akan semakin sulit mendapatkan respon sistem yang maksimal.Salah teknik yang dikembangkan untuk mengatasi kelemahan pengontrolan berbasis PID multi loop SISO adalah dengan menggunakan Model Predictive Control (MPC).

Kontrol prediktif merupakan jenis pengontrol yang didisain berdasarkan model suatu proses. Model tersebut digunakan untuk menghitung suatu set prediksi keluaran proses. Berdasarkan set prediksi tersebut, sinyal kontrol yang akan diberikan ke proses dihitung dengan melakukan minimalisasi suatu fungsi harga sehingga selisih antara set prediksi keluaran proses tersebut dengan set masukan referensi yang bersesuaian minimal [1].


Model dari proses dihitung berdasarkan prediksi dari kurva lintasan variabel yang dikontrol. Setelah mengkoreksi ketidaksesuaian antara nilai yang diprediksi dan nilai sebenarnya dari variabel yang dikontrol, selanjutnya prediksi variabel yang dikontrol akan dikurangi dengan lintasan prediksi setpoint untuk menghasilkan vektor error yang merupakan input dari algoritma kontrol dalam mengeluarkan sinyal kontrol (manipulated variabel). Selanjutnya, sinyal kontrol inilah yang digunakan untuk mengatur aksi pada aktuator (Control Valve atau motor) agar nilai aktual proses dapat menjejaki setpoint yang diinginkan

4.2. Prinsip Kerja Model Predictive Control

Proses identifikasi dan Perbaikan Model Proses

Diagram blok berikut akan menjelaskan secara umum langkah kerja dari proses identifikasi . Dalam beberapa kasus, model proses yang didapat terkadang tidak sesuai dengan kondisi proses sesungguhnya.Akibatnya, optimalisasi dari pengontrol MPC sangat bergantung dari kualitas model proses yang didapat. Sehingga terkadang perlu dilakukan identifikasi proses secara berulang untuk dapat memastikan akurasi model proses yang dihasilkan. Walaupun demikian, akurasi model proses tidak akan pernah mencapai kesempurnaan dikarenakan teknik linierisasi suatu elemen proses yang taklinier. Untuk lebih menyempurnakan model proses yang dihasilkan, diperlukan perbaikan model proses identifikasi dengan pengetahuan tentang proses sebenarnya. Pada banyak aplikasi , model proses identifikasi dilinierisasi dengan model Finite Impulse Response (FIR) dan Auto-Regressive (ARX) untuk respon masukan step. Perbaikan model dilakukan dengan membandingkan hasil yang didapat pada model FIR dan ARX serta menggabungkan data informasi pengetahuan tentang proses.

Setelah pengidentifikasian proses dilakukan, pengontrol MPC akan bekerja berdasarkan model proses yang dihasilkan. Dari alur diagram blok berikut ini, yang terpenting adalah kemampuan pengontrol MPC dalam mengestimasi adanya gangguan untuk keadaan sekarang dan kedepan, sehingga kualitas (performance) dari sistem kontrol dapat terjaga pada kondisi kestabilan yang maksimal.


Perancangan dan implementasi strategi kontrol MPC

Pada alinea-alinea pendahuluan yang telah dijabarkan di atas, lebih bersifat penjelasan tentang definisi dan prinsip kerja saja. Pada bahasan berikut, akan lebih menekankan bagaimana perancangan dan tahap-tahapan implementasi strategi kontrol MPC secara umum.
Penjelasan detail dapat dilihat pada diagram blok gambar 6 berikut ini:

1. Analisa Proses
Tujuan melakukan kajian ilmiah mengenai objek plant yang akan dikontrol adalah mendapatkan persamaan dinamika dari proses. Analisa proses akan memberikan formulasi yang jelas dari objektif sistem kontrol dan keterbatasan (limitations) yang sesuai dengan pengertian MPC sebenarnya. Atau dengan kata lain, analisa proses akan memberikan konfigurasi kontrol proses dalam terminologi MPC. Input dan Output proses digolongkan dalam 4 katagori yang berbeda. Pengolongan ini berdasarkan penggunaannya dalam pengontrolan proses:
 Manipulated (MV) – input proses yang diatur untuk menjaga output proses tetap pada setpoint.
 Controller (CV) -- output proses yang ingin dijaga pada harga setpoint
 Disturbance (DV) – input proses yang memberi efek terhadap proses dan output variabel tertentu.
 Constraint (AV) – output proses yang harus dijaga dalam suatu definisi batas jangkauan operasi yang berlawanan dengan setpoint.Proses input dan output dapat juga didefinisikan sebagai teroptimisasi jika pada proses input atau output tersebut terdapat sebuah pertimbangan ekonomis atau kinerja untuk menekan proses variabel dalam arah yang diinginkan hingga beberapa constraint (batasan) proses menjadi aktif. Pada langkah ini juga akan didefinisikan variabel Manipulated (MV) , Disturbance (DV), Controlled (CV) dan Constraint (AV) yang berkaitan dengan proses yang ingin dikontrol.
2. Membuat modul program MPC. Modul dapat berisikan informasi algoritma, kondisi, alarm, display, historical information, dan karakteristik lainnya yang menyatakan perlengkapan proses. Algoritma adalah langkah-langkah logika yang menyatakan bagaimana modul berfungsi.
3. Setelah modul program dirancang dalam suatu AREA project, langkah selanjutnya adalah asignment program ke data historian yang terdapat dalam database program DeltaV.
4. Melakukan tes terhadap proses dan data yang didapat akan disimpan secara otomatis dalam data historian. Berdasarkan data-data yang tersimpan dalam data historian, selanjutnya akan dibangkitkan model dari proses dan sinyal kontrol prediksi.
5. Setelah identifikasi model proses dan membangkitkan sinyal kontrol prediksi, dilakukan perbaikan model sehingga lebih mendekati model proses yang sebenarnya.
6. Melakukan tes simulasi untuk memastikan algoritma program sudah berjalan dengan benar. Jika unjuk kerja respon pengontrolan kurang baik, lakukan tuning parameter pengontrol sehingga didapatkan respon terbaik.
7. Langkah ketujuh ditandai dengan garis terputus-putus, dimaksudkan jika dikehendaki adanya commisioning pada proses sebenarnya (real plant) maka dilakukan proses download dan menjalankan controller. Pada penelitian ini, langkah yang dilakukan hanya sebatas pada point 6 saja (simulasi) dan setelahnya dilakukan evaluasi terhadap perancangan pengontrolan dan simulasi yang dibuat.

Pengetesan Proses (Process Testing)

Pengetesan proses dilakukan dengan tujuan untuk mendapatkan solusi terbaik dari kinerja struktur pengetesan dalam mendapatkan data analisa yang optimal. Ada banyak teknik yang digunakan dalam pengetesan proses. Prosedur pengetesan yang umum dijumpai adalah:
 Step Test
Pengetesan proses dengan cara memberikan perubahan pada input proses secara step sehingga memberi pengaruh pada output proses. Satu kerugian dari penggunaan metoda ini adalah bahwa pada kondisi awal dan akhir pengetesan, proses harus dalam keadaan tunak (steadystate)[3]. Selain itu untuk mendapatkan hasil yang representatif, perubahan input yang besar sering dibutuhkan untuk mendapatkan hasil jelas yang berada diluar bandwith noise data proses.
 Pseudo Random Binary Sequence (PRBS)
Prinsip pengetesan proses dengan sinyal PRBS adalah membuat perubahan input kecil secara acak untuk membangkitkan gangguan (perturbation) yang kontinyu pada variabel output. Salah satu keuntungan penggunaan dari pendekatan ini adalah amplituda perubahan input yang dibutuhkan dapat lebih kecil jika dibandingkan dengan perubahan step pada step testing[3]. Selain itu, proses pengetesan dapat dilakukan tanpa harus menunggu proses dalam keadaan tunak (steadystate). Jika pengetesan dengan sinyal PRBS dilakukan, sinyal input secara teoritis disebut white (uncorelated) dan akan menghasilkan parameter model estimasi yang lebih baik. Frekuensi dari PRBS dapat dipilih untuk putaran (flips) cepat (fast) atau lambat (slow).Pemilihan frekuensi ini dapat menentukan jenis informasi terbaik yang akan didapat, misalnya untuk fast akan memberikan informasi yang akurat mengenai deadtime, slow akan memberikan informasi steadystate gain yang tepat sedangkan medium memberikan informasi time constant lebih baik. Dalam disain pengetesan proses dengan metoda PRBS, terdapat beberapa parameter penting yang akan memberikan pengaruh terhadap kualitas data yang didapatkan:
i. Fluktuasi Amplituda (Move Amplitude)
o Pilih amplituda yang cukup besar sehingga dapat dilihat efek dari pergerakan data, tetapi jangan terlalu besar sehingga dapat menyebabkan proses upset (di atas setpoint) dan operator harus mengkompensasi variabel yang lain.
o Jika dibutuhkan amplituda dapat disetel selama proses pengetesan.
o Jika proses mengalami noise yang tinggi dan pergerakan input terlalu kecil sehingga berada dalam daerah bandwith noise, maka prioda pengetesan harus lebih lama untuk mendapatkan kualitas model yang lebih baik
ii. Frekuensi (Flip Time)
o Flip time seharusnya ditentukan sebagai fungsi dari proses, normalnya antara 1/5 hingga 1 kali konstanta waktu proses (time constant)
o Untuk noise yang besar, frekuensi PRBS yang rendah (flop time lama) akan dapat menetukan nilai gain yang sesuai
iii. Lama Pengetesan ( Test Length)
o Lama pengetesan akan menentukan kualitas data yang didapatkan. Untuk noise yang besar, membutuhkan waktu pengetesan yang lebih lama.
o Lama pengetesan direduksi oleh peningkatan pergerakan amplituda dan peningkatan signal to noise ratio (SNR)

5. Aplikasi Pengontrol MPC pada industri Proses

Dalam pertengahan 1990-an terdapat lebih dari 2.200 Aplikasi MPC diterapkan pada sebagaian besar industri pengolahan dan petrokimia. Bahkan pada masa kini aplikasinya telah berkembang pada industri kimia,kertas, pemrosesan gas, pengolahan makanan dan pengolahan logam (Metalurgi). Rentang aplikasinya-pun bervariasi dari ukuran sederhana yang terdiri dari beberapa manipulated variabel, controlled variabel dan beberapa constraint hingga aplikasi sistem yang besar yakni 100 manipulated variable dan 200 ouput variabel. Harga komersial dari penerapan teknologi inipun semakin lama semakin turun, demikian juga halnya dengan penggunaan dan pengoperasian semakin mudah sehingga memberikan keyakinan akan manfaat teknologi ini untuk diterapkan pada banyak kasus dimasa mendatang.

6. Pustaka Utama: (Disarikan dari Berbagai Sumber)
[1]. ADVANCED PROCESS CONTRO,LMark J. Willis & Ming T. Th
[2]. E.F.Camacho and Bordons,”Model Predictive Control”, Springer- Verlag London Limited 1999,2nd printing 2000.
[3]. Terrence L.Blevins,Gregory K.McMillan,Willy K.Wojsznis and Michael W.Brown,”Advance Control Unleashed:Plant Performance for Optimum Benefit”,ISA-The Instrumentation,Systems and Automation Society,USA 2003
[4]. Dr. M.J. Willis,” Continuous stirred tank reactor models”, Dept. of Chemical and Process Engineering, University of Newcastle Written: November, 1998,Updated: April, 1999; March, 2000.

[5]. “DeltaV Book Online”. Fisher-Rosemount,Inc,2000.



For Previous research in bachelor-Master degree can be found in IARG (Industrial Automation Research Group), Engineering Physics ITB http://iarg.tf.itb.ac.id.

Thanks
fauzan