Upload presentasi
Presentasi sedang didownload. Silahkan tunggu
1
Oleh : Muhammad Ruswandi Djalal 2213201008
STUDI KOMPARASI ARTIFICIAL INTELLIGENT METHODS UNTUK OPTIMASI PID CONTROLLER SEBAGAI PENGENDALI KECEPATAN MOTOR DC, INDUKSI, DAN SINKRON Oleh : Muhammad Ruswandi Djalal
2
Yang akan disimulasikan
Motor DC Motor Induksi Motor Sinkron
3
Problems and Solutions...
Speed Control of Motor Using PID Control
4
Artificial Intelligent Methods
Firefly Algorithm Cuckoo Search Algorithm Bat Algorithm Flower Pollination Algorithm Differential Evolution Ant Colony Optimization Particle Swarm Optimization Imperialist Competitive Algorithm
5
[1] Firefly Algorithm Best Firefly Inisialisasi Kunang-Kunang
Perpindahan (Proses) Best Firefly Konsep : Kunang-Kunang akan tertarik pada yang lebih terang
6
[1] Firefly Algorithm For...
Inisialisasi Populasi Firefly [kp, ki, kd] Proses (Pindah Ke Firefly yg Lebih Terang) Select Best Firefly Kp “best” Ki “best” Kd “best” Konsep : Kunang-Kunang akan tertarik pada yang lebih terang
7
[2] Cuckoo Search Algorithm
Inisialisasi Sarang Proses (Pencarian Sarang via Levy Flight) Pilih Best Nest Konsep : Menempatkan telurnya di sarang burung lain
8
[2] Cuckoo Search Algorithm For...
Inisialisasi Sarang [kp, ki, kd] Proses (Pencarian Sarang via Levy Flight) Select Best Nest Kp “best” Ki “best” Kd “best” Konsep : Menempatkan telurnya di sarang burung lain
9
[3] Bat Algorithm Select Best Food Inisialisasi Populasi
Proses (Ekolokasi) Select Best Food Konsep : terbang di kegelapan malam mencari makanan tanpa menabrak sesuatu apapun (Kemampuan Ekolokasi)
10
[3] Bat Algorithm For... Inisialisasi Populasi Bat (Kp, Ki, Kd) Proses Ekolokasi Select Best Food Kp “best” Ki “best” Kd “best” Konsep : terbang di kegelapan malam mencari makanan tanpa menabrak sesuatu apapun (Kemampuan Ekolokasi)
11
[4] Flower Pollination Algorithm
Inisialisasi Populasi Flowers Random (Proses) Best Solution Konsep : terinspirasi dari proses pernyebukan bunga (Biotik & abiotik)
12
[4] Flower Pollination Algorithm
Inisialisasi Populasi Flowers (Kp, Ki, Kd) Proses (Foraging) Best Solution Kp “best” Ki “best” Kd “best” Konsep : terinspirasi dari proses pernyebukan bunga (Biotik & abiotik)
13
[5] Differential Evolution
Inisialisasi Populasi Mutasi Populasi Populasi Baru Konsep : Terinspirasi dari evolusi biologis berbasis populasi yang menggunakan siklus perulangan dari rekombinasi dan seleksi untuk mengarahkan populasi mencari nilai optimum
14
[5] Differential Evolution
Inisialisasi Populasi lebah (Kp, Ki, Kd) Mutasi Populasi Populasi Baru Kp “best” Ki “best” Kd “best” Konsep : Terinspirasi dari evolusi biologis berbasis populasi yang menggunakan siklus perulangan dari rekombinasi dan seleksi untuk mengarahkan populasi mencari nilai optimum
15
[6] Ant Colony Optimization
Inisialisasi Populasi Semut Proses (tour) Best Food based the short rute Konsep : Menemukan jalur terpendek antara sarang dan sumber makanan dengan mengikuti jejak feromon
16
[6] Ant Colony Optimization
Inisialisasi Populasi Semut (Kp, Ki, Kd) Proses (Tour) Select Best Rute Kp “best” Ki “best” Kd “best” Konsep : Menemukan jalur terpendek antara sarang dan sumber makanan dengan mengikuti jejak feromon
17
[7] Particle Swarm Optimization
Inisialisasi Partikel Random (Proses) Best Position Konsep : meniru proses alam dalam berkomunikasi satu sama lain dalam berkumpul, migrasi, atau berburu
18
[7] Particle Swarm Optimization
Inisialisasi Populasi Swarm (Kp, Ki, Kd) Proses (Foraging) Select Best Food Kp “best” Ki “best” Kd “best” Konsep : meniru proses alam dalam berkomunikasi satu sama lain dalam berkumpul, migrasi, atau berburu
19
[8] Imperialist Competitive Algorithm
Inisialisasi Empire Kompetisi (Proses) Best Empire konsep : kompetisi kerajaan untuk memperoleh kekuasaan terbesar
20
[8] Imperialist Competitive Algorithm
Inisialisasi Empire (Kp, Ki, Kd) Kompetisi (Proses) Best Empire Kp “best” Ki “best” Kd “best” konsep : kompetisi kerajaan untuk memperoleh kekuasaan terbesar
21
HASIL SIMULASI Motor DC Motor Induksi Motor Sinkron
22
Motor DC
23
DC Motor Modeling DC permanent magnet motor Rated speed 1400rpm
Objective Function :
24
Firefly Algorithm
26
Cuckoo Search Algorithm
28
Bat Algorithm
30
Flower Pollination Algorithm
32
Differential Evolution
33
Ant Colony Optimization
35
Particle Swarm Optimization
37
Imperialist Competitive Algorithm
40
Ant Colony Optimization Imperialist Competitive Alg.
Param. Firefly Algorithm Cuckoo Bat Flower Diff. Evolution Ant Colony Optimization Particle Swarm Opt. Imperialist Competitive Alg. Kp 40 4.36 Ki 2.8170 9.1 7.2255 2.8930 9.9951 9.1684 1.4529 0.0953 Kd 1 0.59 0.0648 0.0052 0.9775 0.4777
41
Motor Induksi
43
Firefly Algorithm
44
Tanpa Kontrol 1.482 PID-Firefly 1.061
45
Cuckoo Search Algorithm
46
Tanpa Kontrol 1.49 PID-Cuckoo 1.044
47
Particle Swarm Optimization
48
Tanpa Kontrol 1.488 PID-PSO 1.161
49
Ant Colony Optimization
50
Tanpa Kontrol 1.489 PID-ACO 1.037
51
Differential Evolution
52
Tanpa Kontrol 1.486 PID-DE 1.057
53
Flower Pollination Algorithm
54
Tanpa Kontrol 1.485 PID-Flower 1.021
55
Bat Algorithm
56
Tanpa Kontrol 1.484 PID-Bat 1.047
57
Imperialist Competitive Algorithm
58
Tanpa Kontrol 1.490 PID-ICA 1.052
60
Param. Firefly Algorithm Cuckoo PSO ACO Diff. Evolution Flower Algorithm ICA Bat Algorithm Kp 0.3392 0.3388 0.3889 0.3359 0.4337 0.4213 0.3654 0.2960 Ki 0.4150 0.1398 0.6355 0.3173 0.3919 0.2337 0.1922 0.0923 Kd 0.0500 0.0449 0.0825 0.0427 0.0407 0.0274 0.0453 0.0491
61
Motor Sinkron
62
Firefly Algorithm
63
Tanpa Kontrol 43.33 PID-Firefly 32.1
64
Cuckoo Search Algorithm
65
Tanpa Kontrol 43.4 PID-Cuckoo 31.29
66
Particle Swarm Optimization
67
Tanpa Kontrol 43.28 PID-PSO 35.1
68
Ant Colony Optimization
69
Tanpa Kontrol 43.37 PID-ACO 31.4
70
Differential Evolution
71
Tanpa Kontrol 43.25 PID-DE 33.0
72
Flower Pollination Algorithm
73
Tanpa Kontrol 43.29 PID-Flower 33.94
74
Bat Algorithm
75
Tanpa Kontrol 43.4 PID-Bat 35.01
76
Imperialist Competitive Algorithm
77
Tanpa Kontrol 43.35 PID-ICA 31.71
79
Param. Firefly Algorithm Cuckoo PSO ACO Diff. Evolution Flower Algorithm ICA Bat Algorithm Kp 0.7417 0.7828 0.7633 0.6355 0.9897 1.0000 0.6483 0.7706 Ki 0.3588 0.4809 0.5244 0.9628 0.3414 0.9729 0.1000 0.1762 Kd 0.1 0.0721 0.1775 0.0926 0.0340 0.0166
80
Pengaturan Motor DC Mengendalikan Fluks pada kutub magnet motor, yaitu dengan mengubah nilai tegangan kumparan medan Vf Mengatur resistansi jangkar dengan menambah resistansi variabel (Seri dengan Jangkar) Mengendalikan tegangan terminal pada jangkar
81
Pengaturan Motor Induksi & Sinkron
Mengubah frekuensi jala-jala Mengubah jumlah kutup Mengatur tegangan jala – jala Pengaturan tahanan luar
82
Sekian..
Presentasi serupa
© 2024 SlidePlayer.info Inc.
All rights reserved.