Internal Model Control (IMC) - Neural Network (NN) Gain Scheduling untuk Pengendalian Kolom Distilasi

Abstract

This research is develop the alternative control algorithm using Internal Model Control - Neural Network Gain Scheduling (IMC-NNGS) to control mole fraction of methanol-water distillation column. Distillation column with L-V control strategy has pairing Xd-L and Xb-Qr. IMC performances depend on only ? tuning value or filter time constant. With ? tuning value manipulating IMC could be nonlinear control, where ? tuning value is outputs of NN that had been trained by using error variable, process variable, manipulated variable, and set point variable from plant. Gain scheduling using NN could be increase control system performance and product quality. The best IAE changing value shown at mole fraction feed increase. There are IAE equal with 0,234799 for IMC and IAE equal with 0, 00042 for IMC-NNGS. In other word IMCGS has IAE 559 times better than IMC. Beside that IMC-NNGS has faster response, offset free and robust to overcome set-point and disturbance changes. Abstract in Bahasa Indonesia : Pada penelitian ini dikembangkan suatu alternatif sistem pengendalian dengan algoritma Internal Model Control - Neural Network Gain Scheduling (IMC-NNGS) untuk mengendalikan fraksi mol metanol dan air pada kolom distilasi tunggal sistem biner metanol-air dengan struktur L-V. Pada struktur L-V Fraksi distilat (Xd) dipasangkan dengan laju aliran refluk (L) sedangkan fraksi bawah dipasangkan dengan laju panas pada reboiler (Qr). Karakteristik pengendali IMC hanya tergantung pada harga tuning ? atau time konstan filter yang diberikan kepadanya. Dengan memanipulasi harga tuning ? maka pengendali IMC akan menjadi pengendali nonlinier, dimana pada IMC-NNGS harga ? yang di-update dari output NN yang telah dilatih dengan input berupa error, proses variabel (PV), manipulated variabel (MV) dan setpoint dari plant. Kinerja NN dalam melakukan gain scheduling terhadap IMC dapat meningkatkan kualitas sistem pengendalian dan kualitas produk yang ditunjukkan secara kuantitatif dengan Integral Absolute Error (IAE). Perubahan IAE terbaik antara IMC dan IMC-NNGS tercapai pada pengujian penambahan fraksi input (Xf), diperoleh IAE sebesar 0,234799 untuk IMC dan IAE sebesar 0,00042 untuk IMC-NNGS atau 559 kali lebih baik. Selain itu IMC-NNGS memiliki respons sistem lebih cepat, tidak memiliki offset, serta bersifat kokoh terhadap perubahan setpoint dan kehadiran gangguan yang mempengaruhi proses. Kata kunci: Neural Network (NN), Internal Model Control (IMC) Gain Scheduling, kolom distilasi.