Pengendalian Data PPR Menggunakan ANN Dengan Pemrograman MatLab
-
Upload
diamond-ravi -
Category
Documents
-
view
250 -
download
5
description
Transcript of Pengendalian Data PPR Menggunakan ANN Dengan Pemrograman MatLab
-
Pengendalian Data PPR Menggunakan ANN dengan
Pemrograman MatLabDIAMOND RAVI
-
ANN
Artificial Neural Network merupakan model komputasi suatu sistem yang bekerja dengan didasari oleh neuron-neuron pada tubuh manusia yang mampu untuk mempelajari dan juga memiliki pattern recognition.
Ditemukan agar suatu sistem bisa menyelesaikan permasalahan dan melakukan proses pembelajaran dengan cara kerja menyerupai cara kerja neuron manusia. Pada artificial neural network, terdapat 3 bagian yaitu:
-
ANN
-
Model Sistem
1. State Space
2. Model Input- Output
))(()(
)](),([)1(
kxhky
kukxfkx
)](,....,)1(),(),1(,....,)1(),([)1( mtututuntytytyfty
-
Model Sistem
3. Fungsi Sigmoid Bipolar
=1
1 +
4. Turunan Fungsi Sigmoid Bipolar
=2
[1 + ][1 ]
= 2
[1 + ][1 ]
-
Normalisasi Data
-
DIC
Sistem
u(t)
u(t)
u(t-1)
u(t-2)
u(t-3)
y(t-1)
y(t-2)
y(t-3)
z
z
zNN
backprop y^(t)S
+-
z
z
z
y(t)Pada percobaan ini didapatkan program
melakukan percobaan sampai error per data
1x10-4. Dapat dikatakan data training dan data
testing adalah setengah awal dan akhir dari
seluruh data.
-
Identifikasi
Sistem
u(t)
z
z
z
u^(t)
z
z
z
y(t+1)
y(t+1)
y(t)
y(t-1)
y(t-2)
NN invers
u(t-1)
u(t-2)
u(t-3)
S
+
-
Pada percobaan ini didapatkan program
melakukan percobaan sampai epoch maksimal per
data 1x10-4. Digunakan data input keluaran dan
masukan dari plant yang terdelay yaitu u(k-1),
u(k-2), u(k-3) dan y(k+1), y(k), y(k-1), y(k-2)
-
Fine Tuning 1
PLANT
NNZ-1
Z-1
Z-1
Z-1
Z-1
Z-1
Z-1
x(k)y(k)
K-1
K-2K-3
K-2K-3K-4
= 1 1
1
K-5
u(k-1)
Pada fine tuning, bobot dari invers
diperbaiki. Dimana pada proses Fine Tuning
ini digunakan bobot yang telah didaptkan
dari proses inverse
Menggunakan input dari plant yang y(k)
ditambah input yang berasal dari
keluarannya sendiri yaitu (k-1).
Error diperoleh dengan membandingkan
hasil output Fine Tuning 1 (k-1) dengan
data x(k-1) dari plant.
-
Fine Tuning 2
Pada fine tuning, bobot dari invers diperbaiki.
Kedua blok invers yang digunakan sama dengan
bobot yang sama dan diupdate bersamaan. Keluaran
dari blok invers yang pertama menjadi input bagi
blok identifikasi. Keluaran dari identifikasi
menjadi input ke blok invers kedua untuk
menghasilkan yang dibandingkan dengan nilai
keluaran blok invers pertama. Hasil selisih kedua x
digunakan untuk mengupdate bobot invers.
-
Formula Sistem
=1
1+(1)2+ 0.25 1 0.3 ( 2)
-
Identifikasi
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
0 20 40 60 80 100 120
Plant
inp out plant (ppr) out plant
-
Identifikasi
Errror per data 1x10-4 dan pembelajaran berakhir pada epoch 201. Hasil dari proses feed forward (ANN Artificial Neural Network) dengan target y(k) (PPR Process Pressure Rig) dalam grafik adalahseperti di atas (tampilan data 125 data awal).
-
DIC
-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
0 20 40 60 80 100 120
Chart Title
PPR ANN
-
DIC
Percobaan invers, didapat error 2.117x10-4 dengan epoch 13788.
Error tersebut dapat dibuktikan dengan plotting grafik output Direct Invers Controller (DIC) yaitu (k) dengan target x(k) pada PPR menggunakan proses feed forward seperti di atas (tampilan data 125 awal).
-
Fine Tuning 1
-1.5
-1
-0.5
0
0.5
1
1.5
0 20 40 60 80 100 120
Fine Tuning
PPR ANN
-
Fine Tuning 1
Percobaan invers, didapat error 2.4121x10-4 dengan epoch 22492.
Error tersebut dapat dibuktikan dengan plotting grafik output Tine Tuning 1 yaitu (k-1) dengan target x(k-1) pada PPR menggunakanproses feed forward seprti di atas (tampilan data 125 awal).
-
Fine Tuning 2
-
Fine Tuning 2
Percobaan invers, didapat error 1.7781x10-4 dengan epoch 22719.
Error tersebut dapat dibuktikan dengan plotting grafik output Tine Tuning 2 yaitu (k-1) dengan target x(k-1) pada PPR menggunakanproses feed forward sebagai berikut (tampilan data 125 awal).
-
Kesimpulan
Dari hasil percobaan diperoleh hasil error yang cukup kecil sehingga diperoleh keluaran ANN yang bagus. Proses Open-Loop Control memerlukan waktu eksekusi yang sangat lama. Hal ini disebabkan oleh:
Prosesor komputer yang digunakan kecil sedangkan data yang diolahsangat banyak.
Metode untuk mengubah nilai bobot yang digunakan adalah Backpropagation of Error. Metode ini sangat baik untuk mencapai nilai error yang sangat kecil, namun memiliki waktu eksekusi yang sangat lama.
Error learing paling baik didapat pada proses backpropagation terdapatpada fine tuning 2.