Slide 1Model Predictive Control
Disusun oleh:
Agung Kurniawan (2306 100 051) Muh Makki Maulana (2306 100 124)
Dosen pembimbing : Prof. Ir. Renanto Handogo, MS., Ph.D.
Ir. Musfil A. S. M.Eng. Sc
Laboratorium Perancangan dan Pengendalian Proses JURUSAN TEKNIK KIMIA
FAKULTAS TEKNOLOGI INDUSTRI INSTITUT TEKNOLOGI SEPULUH NOPEMBER
2 OUTLINE
B C
• Digunakan pengendali Proportional Integral Derivative (PID) • Digunakan pengendali Model Predictive Control (MPC) • Simulasi menggunakan program Aspen Hysys • Penentuan parameter MPC optimum ditinjau berdasarkan metode
Integral of The Absolute Value of The Error (IAE) • Gangguan diberikan dengan adanya perubahan komposisi feed butanol masuk decanter
7
PENDAHULUAN
• Melakukan konvergensi simulasi steady state dan dynamic pada sistem kolom distilasi azeotrop heterogen Butanol-Air
• Melakukan evaluasi pengendali Model Predictive Control (MPC) menggunakan metode Integral of The Absolute Value of The Error (IAE)
• Menentukan parameter tuning yang tepat untuk sistem pengendalian kolom distilasi azeotrop heterogen Butanol-Air
• Evaluasi proses secara steady state • Evaluasi proses secara dynamic • Mengurangi atau mencegah risiko operasi
8 TINJAUAN PUSTAKA
• Kolom distilasi merupakan unit terakhir dalam proses pemurnian produk butanol
• Dalam pemisahannya terjadi kondisi azeotrop heterogen Butanol-Air • Ada 2 opsi pemisahan azeotrop heterogen Butanol-Air, yang pertama dengan penambahan entrainer, dan yang kedua dengan menggunakan dekanter, dan 2 kolom stripper
10
• Model Predictive Control (MPC) adalah suatu teknik pengendalian tingkat lanjut untuk masalah pengendalian multivariabel yang sulit
• Konsep dasar Model Predictive Control (MPC) yaitu misalkan kita ingin mengontrol proses dengan berbagai macam input dan output terdapat suatu model dinamis yang akurat untuk proses tersebut, kita dapat menggunakan model tersebut dan hasil pengukuran saat ini untuk memprediksi nilai pada output
TINJAUAN PUSTAKA
PARAMETER MPC
Sample time (T) Interval waktu yang dipakai dalam pengambilan data. Model horizons (N) Jumlah sampel interval yang diperlukan untuk mencapai kondisi steady state ketika input step diberikan ke dalam model proses. Prediction horizon (P) Seberapa jauh ke depan prediksi yang dilakukan ketika melakukan perhitungan output controller Control horizon (M) Jumlah pergerakan control yang dibuat untuk mencapai set point akhir. Gamma_U /Gamma_Y Berhubungan dengan optimisasi yang diselesaikan untuk menghasilkan output controller setiap kontrol interval.
14 METODOLOGI PENELITIAN
PENGUMPULAN & PENGOLAHAN DATA
VALIDASI HASIL SIMULASI
Temperatur Operasi Dekanter (Td) Heat flow condenser (q3)
Temperatur stage 5 KD1 (TC1) Heat flow reboiler kolom 1 (q1)
Temperatur stage 5 KD 2 (TC2) Heat flow reboiler kolom 2 (q2)
METODOLOGI PENELITIAN
340
345
350
355
360
365
370
375
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Te m
pe ra
tu r (
Flow Feed 1000 kmol/jam 1000 kmol/jam 0 %
T kolom 1 353 K 356 K 0,84 %
P kolom 1 50,66 kPa 50,8 kPa 0,27 %
T kolom 2 369 361 K 2,21 %
P kolom 2 50,66 kPa 50,8 kPa 0,27 %
P Decanter 50, 53 kPa 50,66 kPa 0,26 %
T Decanter 343 K 340,55 K 0,72 %
% Butanol 99,9 99,9 0 %
Temperatur Dekanter 340 K 334 K 1.76
Fraksi Massa Bottom Product 1 0.9999 0.9999 0
Fraksi Massa Bottom Product 2 0.9999 0.9999 0
HASIL & PEMBAHASAN
323
333
343
353
363
373
383
Fr ak
si m
as sa
waktu (menit)
Kolom distilasi I Controlled variable (K) : Temperatur stage ke-5 = 353,2 K Manipulated variable : Heat flow reboiler (q1) Range temperatur (K) : 300 – 400 Kc : 0,55 τi (min) : 10,6 τd (min) : 1
Kolom distilasi II Controlled variable (K) : Temperatur stage ke-5 = 368,7 K Manipulated variable : Heat flow reboiler 2 (q-2) Range temperatur (K) : 300 – 400 Kc : 1,19 τi (min) : 7,9 τd (min) : 1
0
0.2
0.4
0.6
0.8
1
Fr ak
si m
as sa
Waktu (menit)
HASIL & PEMBAHASAN
fr ak
si m
as sa
waktu (menit)
fr ak
si m
as sa
waktu (menit)
Number of inputs : 3 Number of outputs : 3 Step respon length : 61 Prediction Horizon : 25
Control Horizon : 2 Reference Trajectory : 1 Gamma_U : 1 Gamma_Y : 1 Control Interval : 30 seconds
HASIL & PEMBAHASAN
fr ak
si m
as sa
waktu (menit)
fr ak
si m
as sa
waktu (menit)
fr ak
si m
as sa
waktu (menit)
fr ak
si m
as sa
waktu (menit)
HASIL & PEMBAHASAN
fr ak
si m
as sa
waktu (menit)
fr ak
si m
as sa
waktu (menit)
P = 30 P = 40 IAE Total
KD II KD I KD II KD I P = 30 P = 40
M = 3 19,151 1,684 14,744 3,463 20,835 18,207
M = 5 17,107 1,86 18,035 0,002 18,967 18,037
HASIL & PEMBAHASAN
Fr ak
si m
as sa
Waktu (Menit)
Fr ak
si m
as sa
waktu (menit)
1. Pengendalian suhu kolom distilasi Butanol-Air dapat dilakukan dengan Model Predictive Control (MPC) dan Proportional Integral Derivative (PID).
2. IAE Total Model Predictive Control sebesar 18,037 IAE Total Proportional Integral Derivative sebesar 51,056 Sehingga Model Predictive Control memberikan kinerja paling baik.
3. Tuning parameter masing-masing : • Model Predictive Control (MPC)
Prediction Horizon (P) =40 Control Horizon (M) = 5
• Proportional Integral Derivative (PID) Kolom distilasi I Kc : 0,55 τi (menit) : 10,6 τd (menit) : 1 Kolom distilasi II Kc : 1,19 τi (menit) : 7,9 τd (menit) : 1
35 TERIMA KASIH
340
345
350
355
360
365
370
375
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
Te m
pe ra
tu r (
LLE dalam decanter Heavy liquid = 0.97 air
Light liquid = 0.46 air
DC 1 = 0.99 air
DC 2 = 0.99 butanol
MPC on HYSYS
• Menyusun data sesuai format di hysys, save dgn format .txt
• Memasukkan dalam MPC sebagai process model
contoh data step response: