Rabu, 13 Maret 2019

Aplikasi JST - UTS

Bahan Presentasi Ini Dibuat Untuk Memenuhi 
Tugas Mata Kuliah Jaringan Syaraf Tiruan


Dosen : Darwison, M.T


Oleh :
Siti Sarah Fitrianisa
1610951017



Jurusan Teknik Elektro
Fakultas Teknik
Universitas Andalas
Padang
2018 





Tujuan [Kembali]

Tujuan dari aplikasi UTS mata kuliah ini adalah merancang kontroler Jaringan Syaraf Tiruan Radial Basis Function – PD (JST RBF - PD) Hybrid yang diterapkan pada metode vektor kontrol untuk mengatur kecepatan motor induksi sehingga dapat memenuhi kondisi yang diinginkan.

Landasan Teori [Kembali]

  1. Judul Aplikasi UTS [Kembali]
    Pengaturan Kecepatan Motor Induksi 3 Fasa Menggunakan Metode Vektor Kontrol Berbasis Jaringan Syaraf Tiruan Radial Basis Function – PD (JST RBF – PD) Hybrid

  2. Latar Belakang [Kembali]
    Motor listrik sebagai penggerak sangat berperan penting dalam dunia industri. Jenis penggerak yang sering dipakai adalah motor AC khususnya motor induksi tiga fasa. Permasalahan pada motor AC ialah mengenai pengaturan kecepatan karena karakteristiknya yang bersifat nonlinear dan terdapat parameter yang nilainya bersifat tidak pasti seperti temperature-dependent rotor resistance, fluks magnetik, koefisien gesek dan beban yang berubah-ubah. Metode pengontrolan yang biasa diterapkan pada motor induksi secara umum terdiri dari skalar kontrol dan vektor kontrol. Pada aplikasinya skalar kontrol relatif lebih mudah dalam pengontrolanya tetapi memiliki kelemahan yaitu coupling effect yang menyebabkan ketika satu variabel diatur maka akan berpengaruh terhadap variabel lainnya. Berbeda dengan vektor kontrol, pada metode ini motor induksi dapat dikontrol seperti motor DC eksitasi terpisah sehingga memungkinkan pengontrolan variabel secara terpisah. Variabel yang dimaksud ialah fluks dan torsi. Pada setiap metode kontrol yang diterapkan, kinerja kontrol sangat bergantung pada estimasi algoritma dan akurasi dari pemodelan motor. Sitem dinamik dari motor AC ini memiliki banyak parameter yang tidak pasti sehingga membuat metode kontrol klasik dengan atau tanpa sensor menjadi cukup sulit untuk selalu mencapai kualitas kontrol yang baik, terutama ketika beban berubah. Berdasarkan hal tersebut, metode kontrol adaptif, metode identifikasi secara online dan jaringan syaraf tiruan merupakan metode kontrol yang mendukung untuk diterapkan.

  3. Motor Induksi Tiga Fasa[Kembali]
    Motor induksi tiga fasa merupakan motor listrik arus bolak-balik yang umumnya paling banyak digunakan dalam dunia industri. Alasan yang menjadikan motor ini banyak digunakan ialah karena beberapa keuntungan yang dimilikinya yaitu konstruksinya yang kokoh, harganya relatif murah, mudah dalam melakukan perawatan, dan dapat diproduksi dengan karakteristik yang sesuai dengan kebutuhan industri. Disamping keuntungannya terdapat pula kekurangan dari dari motor induksi tiga fasa seperti kecepatannyanya tidak mudah dikontrol dan arus starting besar dapat mencapai 5 sampai dengan 7 kali dari arus nominal
    1. Konstruksi Motor Induksi Tiga Fasa
      Konstuksi motor induksi dapat ditunjukkan seperti pada Gambar 2.1


      Terdapat dua bagian utama pada motor induksi, yaitu bagian diam (stator) dan bagian berputar (rotor). Kedua bagian tersebut dipisahkan oleh celah udara yang sempit (air gap) dengan jarak antara 0,4 mm sampai 4 mm. Inti stator motor induksi dibuat dari besi silikon yang berlaminasi (berlembar-lembar), dengan tujuan mengurangi rugirugi besi (hysteresis dan arus eddy) yang dihasilkan oleh medan magnet. Pada bagian stator terdapat beberapa slot yang merupakan tempat kawat (konduktor) dari kumparan tiga fasa yang disebut kumparan stator, yang mana masing masing kumparan mendapatkan suplai arus tiga fasa. Jika kumparan stator mendapatkan suplai arus 3 fasa, maka pada kumparan tersebut akan timbul fluks magnet putar. Oleh karena itu, adanya fluks magnet putar pada kumparan stator, mengakibatkan rotor berputar dengan kecepatan putar stator. Terdapat dua jenis rotor motor induksi yaitu rotor belitan (wound rotor) dan rotor sangkar (squirrel-cage rotor) ditunjukkan pada Gambar 2.2.



  4. Transformasi Vektor [Kembali]
    Motor induksi 3 fasa pada unjuk kerja dinamis merupakan sistem yang cukup kompleks karena dalam hal ini kumparan rotor be rputar terhadap kumparan stator di mana setiap bagian terdiri dari 3 fasa yang variabel-variabelnya (Arus, tegangan dan fluks lingkage) berubah terhadap waktu [1]. Berdasarkan hal tersebut untuk memudahkan analisa dari motor induksi 3 fasa maka sistem koordinat 3 fasa (a-b-c) dapat direprentasikan menjadi sistem koordinat rotasi 2 fasa (d-q) atau disebut dengan transformasi vektor. Transformasi ini dilakukan dalam dua tahap yaitu :
    1. Transformasi clarke yaitu mentransformasikan sistem koordinat stasioner tiga fasa ke sistem koordinat dua fasa atau disebut sistem koordinat α-β
      Transformasi sistem koordinat tiga fasa (a-b-c) ke dalam sistem koordinat dua fasa ( α-β) dapat digambarkan seperti pada Gambar 2.3 (a). Secara matematis transformasi Clarke dapat dirumuskan sebagai berikut:



    2. Transformasi park yaitu mentransformasikan sistem koordinat αβ ke sistem koordinat d-q
      Transformasi sistem koordinat α-β ke dalam sistem koordinat rotasi d-q dapat digambarkan seperti pada Gambar 2.3 (b).Secara matematis transformasi park dapat dirumuskan sebagai berikut :

  5. Jaringan Syaraf Tiruan[Kembali]
    Jaringan syaraf tiruan dapat didefinisikan sebagai salah satu bentuk penyederhanaan dari jaringan syaraf biologis yang dinyatakan dalam formulasi matematika jaringan simbol. Komponen penyusun jaringan saraf tiruan ini terdiri dari beberapa neuron, di mana neuron-neuron tersebut memiliki hubungan antara satu dengan lainnya.
    1. Pemodelan Sel Syaraf /Neuron Neuron-neuron akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju ke neuron-neuron yang lain. Pada jaringan saraf, hubungan ini dikenal dengan nama bobot. Informasi tersebut disimpan pada suatu nilai tertentu pada bobot tersebut. Neuron /sel syaraf dapat dimodelkan seperti pada Gambar 2.11



    2. Radial Basis Function Neural Network (RBFNN Radial basis function merupakan himpunan fungsi-fungsi yang digunakan untuk mereprentasikan suatu regressi/pendekatan yang melalui sejumlah titik dengan banyak titik belok. Nilai yang dihasilkan dari fungsi basis radial ini tergantung dari nilai norm jarak yang dihasilkan atau dapat ditulis seperti pada persamaan 2.52.


      Fungsi basis radial ini dapat dibentuk oleh beberapa fungsi diantaranya:
      1. Fungsi Sigmoid
      2. Fungsi-fungsi trigonometri
      3. Fungsi gausian
      4. Fungsi-fungsi kurva lonceng
      5. Fungsi-fungsi kurva s dan z

      Radial Basis Function Neural Network (RBFNN) adalah suatu radial basis function yang dinyatakan dalam bentuk neural network/ jaringan syaraf tiruan. Pada RBFNN pemrosesan s inyal d ari input layer ke hidden layer sifatnya nonlinier, sedangkan dari hidden layer ke ouput layer bersifatnya linear. Pada tugas akhir ini fungsi yang digunakan untuk membentuk RBFNN ialah fungsi gausian. Secara umum RBFNN dengan fungsi gaussian dinyatakan dalam bentuk persamaan sebagai berikut :



Program Matlab [Kembali]


function uk=Kontroler_JST_RBF(xin)
global tt ek e_mod w1 w2 woh lamda_o alpha_o alpha_1 alpha_2 jin xx u_pd t_samp ek= xin(1);
e_mod = xin(2);
tt = xin(3); % waktu (untuk mengambil data ke- ) u_pd = xin(4);
xmid1=0;
xmid2=1;
% proses inisialisasi
if tt==0
    jin=2;
    xx(1)=ek;
    xx(2)=0;
    w1=[ 0.0540 5.0932]';
    w2=[ 0 5.4099]';
    woh=[ 0.1922 1]';
    lamda_o=1; % learning gain zo (output)
    alpha_o=1; % learning rate woh
    alpha_1=1; % learning rate w1
    alpha_2=1; % learning rate w2
end
for epp=1:10 %eppoch = siklus belajar
%Perhitungan Forward
%Menghitung output layer input
    for j=1:jin
    if j==1
    xmid=xmid1;
    else
    xmid=xmid2;
    end
    zh(j)=(w2(j)*xx(j))-(xmid*w1(j));
    uh(j)=exp(-(zh(j)^2));
    end
% Menghitung output neuron (layer output)
    zo=0;
    for j=1:jin
    zo=zo+woh(j)*uh(j);
    end
    uk=lamda_o*zo; % fungsi aktivasi linear
    % Menghitung eror output
    er=e_mod*4.618/(3195*1.12);
    % Menghitung Perambatan error
    for j=1:jin
    if zo==0
    erh(j)=er/jin;
    else
    erh(j)=(woh(j)*uh(j)/zo)*er;
    end
    end
    % Revisi Bobot dari layer hidden ke layer output
    woh(1)=woh(1)+alpha_o*er*lamda_o*uh(1);
% Revisi bobot dari layer input ke layer hidden (nilai tengah gaussian)
    for j=1:jin
    if j==1
    xmid=xmid1;
    else
    xmid=xmid2;
    end
    w1(j)=w1(j)+alpha_1*erh(j)*(-2*zh(j)*uh(j))*xmid;
    end
% Revisi bobot dari layer input ke layer hidden
    for j=1:jin
    w2(j)=w2(j)+alpha_2*erh(j)*(-2*zh(j)*uh(j))*xx(j);
    end
   end
   xx(1)=ek;
   xx(2)=uk;


Referensi [Kembali]

  • Neural Network Design, Hagan, Martin, Howard Demuth and Mark Belle, T, PWS Publishing Company, 1996
  • Neural Networks In Computer Intelligence, Fu, LiMin, Mc.Graw-Hill International Editions, 1994
  • Neural Network Toolbox : for use with MATLAB, Demuth, Howard and Mark Belle, Mathworks, 2002
  • Architectures, Algorithms, and Applications, Zimmerman, H.J., Kluwer Publishing Co, 1997
  • Principles of Artificial Neural Network, Graupe,D, World Scientific Publishing Co, Pte, Ltd. 2007
  • http://repository.its.ac.id/59309/1/2212106024-Undergraduate%20Theses.pdf