Académique Documents
Professionnel Documents
Culture Documents
disusun oleh:
Erwin Susanto, Ph.D
Ig. Prasetya Dwi Wibawa, M.T.
Agung Surya Wibowo, M.T.
Cahyantari Ekaputri, M.T.
1
REFERENSI
1) Optimal Control : Linear Quadratic Methods, Brian D.O. Anderson, Prentice-Hall, 1991
2) Robust Control Design with MATLAB, D.-W.Gu, Springer, 2005
3) Design Methods for Control Systems, Dutch Institute of Systems and Control, 2008
4) Advance Control Engineering, Roland S Burn, Butterworth Heinemann
5) Kemin Zhou, John C. Doyle, and Keith Glover. Robust and Optimal Control. Prentice Hall, 1996.
6) Open Course Ware-MIT. Optimal Control of Dynamics System.
2
Kata Pengantar
Bismillahirrohmaanirrohiim,
Segala puji hanya bagi Alloh subhanalloh wa taala, karena berkat kemudahan dari-Nya,
sehingga kami dapat menyusun buku Pengantar Kendali Maju ini. Buku ini, terkhusus
ditujukan bagi para mahasiswa yang berkeinginan untuk mempelajari teori maupun
aplikasi kendali optimal dan kendali kokoh (robust). Tentu saja, pengetahuan dasar
matematika, fisika dan dasar-dasar teknik kendali diperlukan untuk memahami materi
pada buku ini. Buku pengantar kendali maju ini disusun berdasarkan pengalaman
mengajar tim penulis dalam mata kuliah Kontrol Lanjut di Prodi Teknik Elektro,
Universitas Telkom Bandung.
Secara garis besar, materi buku ini terdiri atas pengenalan sistem kendali, kendali kalang
terbuka (open-loop) dan kalang tertutup (closed-loop), kendali analog dan diskrit,
konvensional dan kendali modern. Pembahasan kendali modern difokuskan pada
kendali optimal dan kendali kokoh (robust) seperti permasalahan optimasi nonlinier
unconstrained dan constrained dengan pemrograman dinamik, variasi kalkulus dan
solusi numerik. Beberapa metode kendali optimal dan kokoh yang disajikan dalam buku
ini, diantaranya kendali LQR, LQE, LQG, H2, H~, dan gabungan H2/H~.
Berikutnya, kami ingin mengucapkan terima kasih yang sebesar-besarnya kepada semua
pihak, salah satunya Bagian Pembelajaran Universitas Telkom yang telah memfasilitasi
penyusunan buku ajar ini. Besar harapan kami, buku ini bermanfaat bari pembaca
sekalian terutama para mahasiswa yang belajar sistem kendali. Akhir kata, komentar
dan masukan yang membangun sangat diharapkan bagi penyempurnaan buku ini.
Bandung, 2015
Penyusun
3
DAFTAR ISI
REFERENSI ...................................................................................................................... 2
Kata Pengantar ............................................................................................................... 3
DAFTAR ISI ...................................................................................................................... 1
BAB 1 Review Sistem Kendali .......................................................................................... 4
1.1. Pengenalan Sistem Kendali .............................................................................. 4
1.2. Perkembangan Sistem Kontrol ......................................................................... 5
1.3. Beberapa Istilah Penting dalam Sistem Kontrol ................................................ 8
1.4. Sistem Kontrol Lup Terbuka dan Lup Tertutup ................................................. 9
1.5. Aplikasi Sistem Kontrol lup terbuka dan lup tertutup ..................................... 10
1.6. Tahapan Perancangan Sistem Kendali ............................................................ 16
1.7. Kontrol Analog dan Diskrit ............................................................................. 16
1.8. Kontrol Konvensional (Klasik) dan Modern..................................................... 21
1.9. Latihan Soal ................................................................................................... 30
BAB 2 Pemodelan Sistem .............................................................................................. 34
2.1. Sistem Dasar Elektrik ..................................................................................... 34
2.2. Sistem Mekanik ............................................................................................. 35
2.3. Sistem Thermal.............................................................................................. 36
2.4. Model Ruang Keadaan ................................................................................... 36
2.5. Latihan Soal ................................................................................................... 37
BAB 3 Kontrol Optimal Dasar......................................................................................... 39
3.1. Pengenalan.................................................................................................... 39
3.2. Formulasi Masalah Kontrol Optimal ............................................................... 43
3.3. Variasi Kalkulus dan Kontrol Optimal ............................................................. 50
3.3.1. Fungsi dan Fungsional ................................................................................ 50
3.4. Latihan Soal ................................................................................................... 58
BAB 4 Kontrol Optimal LQR (Linear Quadratic Regulator) .............................................. 60
4.1. Formulasi Masalah......................................................................................... 60
4.2. LQR untuk waktu-terbatas (finite-time).......................................................... 61
4.3. Contoh LQR waktu-kontinyu .......................................................................... 65
4.4. Sistem Kontrol Optimal Waktu-Diskrit............................................................ 70
4.5. Sistem state-akhir fixed dan kontrol optimal lup-terbuka ............................... 72
1
4.6. Permasalahan tracking pada LQR ................................................................... 75
4.7. Latihan Soal ................................................................................................... 77
BAB 5 Kontrol Optimal LQE (Linear Quadratic Estimator)............................................... 80
5.1. Review: Proses Random................................................................................. 80
5.2. Observer/ Estimator ...................................................................................... 82
5.3. Kalman Filter ................................................................................................. 83
5.4. Model LQE/kalman Filter ............................................................................... 87
5.5. Dualitas Kalman Filter dan LQR (Linear Quadratic Regulator) ......................... 88
5.6. Latihan Soal ................................................................................................... 89
BAB 6 Kontrol Optimal LQG (Linear Quadratic Gaussian) ............................................... 92
6.1. Desain LQG (Linear Quadratic Gaussian) ........................................................ 92
6.2. Dinamika Sistem Lup-Tertutup Plant dengan Pengendali LQG ........................ 93
6.3. Latihan Soal ................................................................................................... 98
BAB 7 Kontrol Robust.................................................................................................. 101
7.1. Pengenalan Kendali Kokoh ............................................................................... 101
7.2. Kontrol Optimal dan ............................................................................ 103
7.3 Konsep Kestabilan dan Performansi Robust ....................................................... 110
7.3.1.Ketidakpastian (uncertainty)........................................................................... 110
7.3.2. Kestabilan Robust .......................................................................................... 114
7.3.3. Linear Transformation Fractional (LFT) .......................................................... 116
7.4. Contoh Kasus................................................................................................... 117
2
BAB 1
REVIEW SISTEM KENDALI
3
BAB 1 Review Sistem Kendali
Tujuan dari BAB 1 ini adalah untuk mengenalkan kepada mahasiswa tentang istilah-istilah
yang digunakan pada sistem kontrol dan mengenalkan kembali beberapa aplikasi sistem
kendali yang digunakan pada kehidupan nyata.
Sebuah sistem kontrol dapat diartikan sebagai susunan beberapa komponen yang
membentuk konfigurasi sistem untuk menghasilkan tanggapan yang diinginkan. Suatu
komponen atau proses yang dikendalikan dapat digambarkan sebagai kotak dengan
masukan dan keluaran (Gambar.1.1)
masukan keluaran
Proses
4
perbandingan kedua sinyal merupakan sinyal galat yang akan menentukan aksi control
(lihat Gambar 1.3). Pengukuran keluaran tersebut merupakan sinyal umpan balik
Tanggapan
Sinyal galat
yang diinginkan Keluaran
balik uaran
Pengenda Aktuator Proses
- li
Sensor
Umpan balik
uaran
Gambar 1.3. Kontrollup tertutup dengan umpan balik
Gangguan
Tanggapan Sinyal galat
yang diinginkan Keluaran
balik uaran
Pengendali Aktuator Proses
- -
-
Sensor Noise
pengukuran
Umpan balik
uaran
Gambar 1.4. Kontrol lup tertutup dengan umpan balik dan gangguan
5
Secara ringkas sejarah perkembangan teknik kendali, berikut ini:
6
Gambar 1.5. Ilustrasi Pengatur Mesin Uap Watt Flyball1
(a) (b)
Gambar 1.6. (a) Lift pada awal mula dikontrol dengan tali dan operator
tangan. Di sana diperlihatkan inovasi safety brake (rem keamanan) saat tali
dipotong. (b) Lift modern duo di Grande Arche Paris, digerakkan oleh satu
motor, dengan tiap lift saling menyeimbangkan satu sama lain.
1
Gambar diambil dari Advanced Control Engineering, Roland S Burn
7
Sekarang, lift sudah otomatis secara penuh, menggunakan sistem kontrol untuk
mengatur posisi dan kecepatan.
Untuk memudahkan pembaca dalam memahami buku ini, perlu dijelaskan beberapa
istilah yang sering dipakai, diantaranya:
8
o Plant : dapat berupa bagian suatu peralatan yang berfungsi secara bersama-sama
untuk membentuk suatu operasi tertentu. (Setiap obyek fisik harus dikendalikan:
reaktor kimia, heating furnace, spacecraft)
o Gangguan : suatu sinyal yang cenderung mempengaruhi (secara acak) nilai output
suatu sistem: gangguan internal dan eksternal.
o Kontrolumpan-balik: suatu operasi yang dengan munculnya gangguan akan cenderung
akan memperkecil perbedaan antara output suatu sistem dengan beberapa input dan
selanjutnya bertindak sesuai bertitik tolak dari perbedaan tsb.
Sistem
Aktuator
Respon yang Sinyal aktuator Kontrol Keluaran
diinginkan
Respon yang
diinginkan Sistem Keluaran
Komparator Pengendali
Kontrol
Pengukuran
9
Respon yang Sinyal Sinyal
diinginkan
+ galat/eror kendali Sinyal aktuator Sistem Keluaran
Pengendali Aktuator
Kontrol
-
Sinyal output Sinyal
Pengukuran Umpan Balik
Sensor
Gambar 1.11. Sistem Kontrol Lup Tertutup dengan Umpan Balik Negatif
Sinyal Gangguan Sinyal Gangguan
Masukan keluaran
Masukan/ Keluaran/variabel
referensi
+ + yang dikendalikan
Tranduser + Plant/ +
Pengendali
masukan proses
Pengendali Proses
Pengukuran
10
(a)
(b)
Gambar 1.15. (a) Sistem lup terbuka pengaturan kecepatan meja putar. (b)
Model blok diagram
(a)
(b)
(c)
Gambar 1.16. (a) Grafik kadar gula darah dan insulin setelah waktu makan. (b)
Sistem lup terbuka. (c) Sistem lup tertutup
11
(a)
(b)
Gambar 1.17. (a) Pengemudi menggunakan selisih antara arah aktual dan arah
mobil yang diinginkan untuk untuk menghasilkan pengaturan setir. (b)
Model diagram blok sistem kontrol setir otomobil.
(a)
12
(b)
(c)
Gambar 1.18. (a) Sistem kontrol posisi azimuth antena. (b) Rangkaian
skematik. (c) Diagram blok fungsional
13
Gambar 1.20. Sistem kontrol temperatur pada ruang penumpang (mobil)
14
Gambar 1.22. Sistem kontrol lengan robot dengan proses rekognisi-pola
Gambar 1.23. Sistem kontrol dengan umpan balik pada model ekonomi
15
1.6. Tahapan Perancangan Sistem Kendali
Perancangan suatu sistem kontrolsecara umum membutuhkan beberapa langkah
yang dapat digambarkan dalam diagram alir dibawah ini.
Mulai A
Definisikan spesifikasi
Simulasikan Atur strategi kendali
kinerja sistem
yang digunakan
tanggapan sistem
spesifikasi kinerja
Identifikasi komponen
sistem yang dibutuhkan
Sesuai spesifikasi
kinerja?
Selesai
16
adalah control digital sehingga diperlukan perancangan control diskrit. Untuk itu, perlu
adanya pengubahan besaran fisis analog-digital dan digital ke analog.
Untuk proses konversi analog- digital digunakan proses penyuplikan (sampling), dimana
sinyal analog yang dicuplik menghasilkan
(1.4)
Sementara metode paling umum dipakai untuk konversi digital-analog (D/A conversion)
adalah dengan zero-order-hold (ZOH), dimana mengkonversi sinyal-sinyal impuls menjadi
deretan pulsa dengan lebar . Fungsi alih ZOH adalah sebagai berikut:
[ ] (1.6)
17
Gambar 1.27. Zero Order Hold (ZOH)
Transformasi-
Merupakan salah satu model representasi dari sistem SISO waktu diskrit.
18
Contoh 1:
[ ]
Diperoleh
Sehingga
Untuk diperoleh
Contoh 2:
( )
19
. /
NB: Bandingkan dengan sistem sama untuk waktu-kontinyu dengan masukan unit step
(tanpa ZOH) diperoleh . Jika diberikan masukan unit ramp (tanpa ZOH)
diperoleh .
Contoh 3:
(a).
Jawab:
(b).
20
Jawab:
21
menentukan respon alamiah/natural yaitu dengan memberikan input impuls
pada sistem dan dilihat respons keluarannya.
Contoh 1 (MATLAB):
( )( )
, untuk
Syntax MATLAB:
Dengan Laplace:
num = [0 1 5]; % Pembilang G
den = [1 2 5]; % Penyebut G
step(num,den) % Plot grafik
xlabel('Waktu (t)');ylabel('c(t)');
Step Response
1.4
1.2
0.8
c(t)
0.6
0.4
0.2
0
0 1 2 3 4 5
Waktu (t) (seconds)
Atau hasil yang sama dapat diperoleh dalam domain waktu, :
t = linspace(0,5);
C = 1 - exp(-t).*cos(2*t);
plot(t,C);
xlabel('Waktu (t)');ylabel('c(t)');
22
1.2
1
0.8
c(t)
0.6
0.4
0.2
0
0 1 2 3 4 5
Waktu (t)
23
Contoh 2 MATLAB:
Mencari waktu naik, waktu puncak, overshoot maksimum, dan waktu menetap
dari sistem orde-dua dan sistem orde-tinggi:
% Contoh 2:
% 25 1
% G(s)= --------- ; R(s)= -
% s^2+6s+25 s
num = [25]; % Asumsi zeta = 0.6 dan wn = 5
den = [1 6 25];
t = 0:0.005:5;
[y,x,t] = step(num,den,t);
r = 1; while y(r) < 1.0001; r = r + 1; end;
Diperoleh hasil:
rise_time =
0.5550
peak_time =
0.7850
max_overshoot =
0.0948
settling_time =
1.1850
24
Klasifikasi sistem kontrol:
(1.8)
Dengan nilai
adalah jumlah pole pada titik origin tipe sistem (tipe- )
R(s) + E(s) C(s)
G(s)
-
Tipe-
Tipe-
Tipe-
Dimana adalah penguatan proporsional sistem.
Magnitudo:
Fasa:
o Integral
Magnitudo:
25
| |
Slope/gradien garis: atau
Fasa:
o Derivatif
Magnitudo:
Faktor orde-1
Magnitudo:
| |
26
-
- , jadi ketika
(titik potong kedua asimtot) (frekuensi sudut/).
Selanjutnya dibuat garis dengan gradien .
Fasa: pada , sudut fasanya . Pada
frekuensi sudut , sudut fasanya . Pada , sudut
fasanya .
Faktor kuadratik/orde-2
. ( ) ( ) /
Magnitudo:
| |
( ) ( )
( . / ( ) )
27
Fasa:
[ ]
( )
Pada , sudut fasanya . Pada frekuensi sudut , sudut
fasanya . Pada , sudut fasanya .
2. Kontrol modern
Pada kurun waktu dari tahun 1960 sampai 1980, mulai dipelajari kontrol optimal, baik
sistem deterministik maupun stokastik, begitu juga kontrol adaptif dan kontrol learning
dari sistem kompleks. Sementara pada tahun 1980 sampai 1990 perkembangan teori
kontrol modern dipusatkan pada kontrol robust/kokoh dan aplikasinya. Teori kontrol
modern untuk sistem persamaan diferensial berbasis pada analisis domain waktu.
Dengan teori kontrol modern membuat desain sistem kontrol menjadi lebih simpel
karena teori berbasis pada sistem kontrol aktual dan model. Akan tetapi, kestabilan
sistem akan sangat sensitif terhadap perubahan eror antara sistem aktual dan model,
sehingga didesain sistem kontrol dengan pertama menentukan setting awal dari range
eror tertentu yang diperbolehkan dan lalu mendesain kontroler sedemikian sehingga jika
eror dari sistem berada pada range eror yang telah dirancang, maka sistem kontrol yang
didesain akan tetap stabil. Metode desain demikian merupakan prinsip dari teori kontrol
robust/kokoh. Teori tersebut menggabungkan antara pendekatan respons frekuensi dan
pendekatan domain-waktu. Secara matematis, relatif cukup rumit/kompleks.
28
Sinyal masukan
kontrol Output
P
u(t) y(t)
State
x(t)
Masukan
referensi
C
r(t)
Pengendali
Sistem Kontrol
Modern
29
diperkenalkan, namun konsep tersebut baru digunakan pada kontrol modern. Istilah
modern sendiri adalah relatif terhadap waktu, jadi apa yang dianggap modern saat ini,
dalam beberapa tahun lagi dapat dianggap kuno. Jadi yang lebih cocok digunakan dalam
memberi label teori kontrol yaitu sesuai klasifikasi tertentu (sesuai sistem/fungsinya),
misalkan kontrol optimal, kontrol nonlinier, kontrol adaptif, kontrol robust, dst.
30
31
32
BAB 2
REVIEW SISTEM KONTROL
33
BAB 2 Pemodelan Sistem
Seringkali, perilaku dinamik suatu sistem fisik ditampilkan dalam bentuk model
persamaan matematik. Model ini diperoleh dari karakteristik komponen sistem, seperti
masa suatu sistem mekanik, resitansi sistem elektrik dan sebagainya. Atau juga bisa
diperoleh dari pengukuran dan eksperimen untuk mengetahui relasi masukan dan
tanggapan sebuah sistem misalnya. Di sini disebutkan beberapa model matematik dari
sistem elektrik, mekanik, termal sebagai berikut:
34
Sebagai contoh, rangkaian RLC yang akan dikontrolkan dengan kontrol umpan balik
tertutup berikut ini:
(2.1)
(2.2)
dimana
(2.4
35
Kemudian, redaman pada sistem mekanik juga dikategorikan menjadi peredam translasi
dan rotasi, dimana gaya dan torsi yang dihasilkan proporsi dengan kecepatan translasi
dan rotasi, masing-masing berikut ini
(2.5
(2.6)
Selanjutnya, massa pada sistem mekanik berkaitan dengan gaya dan percepatan, baik
translasi maupun rotasi masing-masing berikut ini:
(2.7)
(2.8)
(2.9)
dimana
Persamaan ini dapat dituliskan dalam bentuk yang sama dengan hukum Ohm
(2.10)
(2.11)
Adapun kapasitansi thermal, berkaitan dengan panas yang tersimpan pada suatu benda
yang dirumuskan
(2.12)
36
Keadaan (state) dari suatu sistem didefinisikan sebagai sekumpulan peubah (state
variable) pada beberapa waktu inisial , bersama peubah masukan menentukan perilaku
sistem pada . Peubah keadaan ini merupakan jumlah terkecil state yang diperlukan
untuk mendeskripsikan dinamika sistem. Pertimbangkan sekumpulan persamaan
differensial yang menggambarkan dinamika sistem berikut:
(2.13)
(2.14)
(2.15)
(2.16)
[ ], [ ] (2.17)
(2.18)
37
BAB 3
KONTROL OPTIMAL DASAR
38
BAB 3 Kontrol Optimal Dasar
Tujuan dari penjelasan pada bab 3 ini adalah untuk memberi pengenalan awal kepada
mahasiswa tentang teori dasar kontrol optimal. Bagaimana prosedur yang dilakukan
dalam melakukan perancangan sistem kontrol yang optimal.
3.1. Pengenalan
Optimasi sudah menjadi istilah yang lazim digunakan saat ini. Kita ingin bekerja dan
memanfaatkan waktu secara optimal dengan menggunakan sumber daya yang optimal,
dst. Batasan sasaran teori kontrol optimal dapat dilihat pada diagram berikut:
OPTIMASI
Teori Game
Deterministik Stokastik
Pemrograman Dinamik
Variasi Kalkulus/Hitungan
39
Beberapa teori kontrol, pendekatan desain kontrol dengan umpan balik
keadaan/state feedback dan estimator/observer merupakan dasar fundamental untuk
kontrol untuk sistem yang dibangun dari persamaan keadaan/state. Namun, belum
tentu berarti metode fundamental ini menghasilkan solusi yang terbaik/optimal.
Metode tersebut memiliki beberapa kesulitan untuk kasus berikut:
1. Implementasi dari spesifikasi desain (overshoot maksimum, settling time, dsb)
dimana pole yang diinginkan tidak selalu diperoleh secara langsung, khususnya
untuk sistem kompleks. Konfigurasi pole seperti apa yang paling baik sesuai
dengan spesifikasi yang ada?
2. Untuk sistem MIMO, penguatan umpan balik keadaan untuk memperoleh
konfigurasi pole tertentu tidaklah unik. Jadi penguatan seperti apakah yang
paling baik untuk konfigurasi pole yang ada?
3. Nilai eigen dari observer sebaiknya dipilih lebih cepat daripada nilai eigen dari
sistem lup tertutupnya. Adakah kriteria lain untuk menentukan konfigurasi
manakah yang tepat?
Metode kontrol optimal yang akan dibahas pada bab ini dapat menjawab masalah-
masalah di atas. Kita lihat nanti bagaimana state feedback dan gain observer dapat
diperoleh sehingga solusinya optimal. Tujuan dari teori kontrol optimal yaitu untuk
menentukan sinyal kontrol yang akan menghasilkan proses sesuai dengan batasan
spesifikasi fisik sistem dan pada saat yang bersamaan akan
meminimumkan/memaksimumkan beberapa kriteria performansi.
Prinsip utama dari teori kontrol berbasis prinsip optimalitas yaitu: Jika solusi
optimal untuk masalah kontrol melewati suatu titik transisi , maka solusi optimal
untuk masalah kontrol yang sama yang berasal dari titik awal menuju titik akhir
adalah merupakan kelanjutan jalur yang sama melewati titik transisi.
40
Gambar 3.2. Ilustrasi trayektori lintasan solusi masalah kontrol optimal dengan
prinsip optimalitas
Trayektori keadaan dimana dapat memenuhi batasan variabel keadaan selama
selang [ ] merupakan trayektori yang dapat diterima/admissible trajectory.
41
1
A3
3
A2
6
A1
10
A0
B
A
Dimulai dari titik bekerja dgn arah mundur, dengan menerapkan prinsip
optimalitas di sepanjang jalur.
Tentukan titik , dari titik dihitung total waktu dari ke . Ada 2 rute yaitu
10 + 6 dan 11 + 7, pilih yang waktu tempuh paling kecil = 10 + 6 = 16.
Beri tanda panah di 6 untuk menandakan jalur yang dipilih.
Ulangi seluruh proses di semua titik, dari titik hingga titik .
Dari gambar di kanan terlihat bahwa jumlah komputasi/perhitungan hanya
15 kali.
Jumlah komputasi DP =
42
Manakah yang lebih baik? Jika semakin besar, selisih jumlah komputasi
akan semakin besar pula.
Jadi, DP lebih baik dibandingkan dengan mencoba setiap kemungkinan/brute
force, waktu komputasi lebih cepat, memori yang diperlukan lebih kecil.
Untuk masalah kontrol optimal, pada umumnya kita ingin mencari sinyal kontrol
optimal , dimana lambang menyatakan kondisi optimal, yang akan menggerakkan
plant dari kondisi awal menuju kondisi akhir dengan beberapa batasan kontrol dan
43
keadaan/state, dimana pada waktu yang bersamaan akan mengoptimalkan indeks
performa . Formulasi masalah kontrol optimal terdiri dari:
1. Deskripsi/model matematis dari sistem yang akan dikontrolkan (secara umum
dalam bentuk variabel keadaan)
2. Deskripsi dari tugas/proses yang harus dikerjakan
3. Spesifikasi dari indeks performa, dan
4. Persyaratan dari kondisi batas (boundary condition) dan batasan spesifikasi fisik
dari state dan/atau kontrol.
Indeks performa/kinerja
Teknik desain kontrol klasik telah berhasil diterapkan pada sistem SISO linier
invarian-waktu. Kriteria performa tersebut antara lain respons waktu sistem (untuk
masukan tangga, masukan landai, dsb.) yang ditentukan oleh waktu naik, waktu
menetap, waktu overshoot, dan akurasi keadaan tunak; dan juga respons frekuensi
sistem yang ditentukan oleh margin penguatan dan margin fasa, dan juga bandwidth.
Sementara untuk teori kontrol modern, masalah kontrol optimal yaitu mencari
sinyal kontrol yang akan menghasilkan sistem dinamik mencapai sasaran atau mengikuti
suatu trayektori variabel keadaan tertentu, pada waktu yang sama mengoptimalkan
indek performa. Optimal berarti melakukan proses (pekerjaan) dengan cara/solusi yang
terbaik.
Selama kriteria/batasan/constraints tersebut belum jelas dan konsisten, kita tidak
dapat mengklaim bahwa sistem kita sudah optimal. Secara kasar, kita dapat klaim untuk
sistem yang tidak akurat pun dapat dikatakan optimal dengan constraints misal biaya
produksi murah (cost), mudah dirancang-bangun (design), performanya cukup baik
sesuai yang diinginkan (performance), dsb. Namun sebaliknya, suatu sistem yang presisi
dan elegan bisa dibilang tidak optimal karena terlalu mahal biaya produksinya dan
pengembangannya memakan waktu sangat lama (time).
Dinamika sistem yang dikontrol dideskripsikan dalam bentuk variabel
keadaan/state, misal dalam waktu-kontinyu sebagai berikut:
(3.1)
atau dalam waktu-diskrit menjadi :
44
(3.2)
Berikutnya, sistem kita asumsikan semua state-nya ada, misal pada pengukuran.
Atau selain itu, sistem diasumsikan dapat diamati/observable, sehingga observer dapat
dikonstruksi/dibangun sedemikian sehingga dapat di estimasi state-nya.
Kriteria kinerja/performa, dilambangkan , adalah ukuran kualitas dari perilaku
sistem. Biasanya, kita mencoba meminimumkan atau memaksimumkan kriteria kinerja
dengan mengatur sinyal kontrol masukannya.
Untuk setiap sinyal kontrol dalam range yang bisa dihasilkan/feasible (yaitu,
untuk setiap masukan yang mungkin), sistem dapat bekerja sesuai fungsinya dimana
batasan/constraints sistem terpenuhi dan bersesuaian dengan trayektori sistem .
Batasan/constraints
Vektor kontrol atau vektor keadaan dapat memiliki batasan (constrained)
atau tidak memiliki batasan (unconstrained) tergantung kondisi spesifikasi fisiknya.
Untuk masalah unconstrained, pada sistem di real life jarang digunakan, walaupun
menghasilkan solusi yang elegan/bagus. Untuk batasan sistem fisik (constrained), dapat
dijumpai misalkan arus dan tegangan pada rangkaian elektrik, kecepatan motor, bahan
bakar dorong roket, yang dimodelkan:
, dan ,
45
dimana + dan menyatakan nilai maksimum dan minimum yang dapat dicapai oleh
variabel (kontrol dan keadaan) yang bersesuaian.
(3.3)
(3.4)
46
contoh, kita mau memindahkan/transfer dari keadaan ( ) dari kondisi keadaan awal
menuju keadaan akhir tertentu di pada waktu tertentu , atau
pada kemungkinan minimum .
NB: Seringkali, tugas/proses yang dikerjakan secara implisit/tak langsung dapat diukur
berdasarkan kriteria kinerjanya.
Pemodelan matematis indeks performa waktu minimum untuk selang dari waktu
awal dan waktu akhir dapat dituliskan:
(3.5)
Contoh:
Kriteria kinerja lain yang lazim digunakan yaitu waktu minimum, dimana kita
mencari sinyal kontrol yang menghasilkan trayektori tercepat untuk mencapai
keadaan/state akhir yang diinginkan:
Untuk kasus ini, kriteria kinerjanya yang akan meminimumkan dapat diekpresikan
secara sederhana dalam bentuk matematis yakni:
(3.6)
(3). Masalah Kontrol Optimal 3: (sistem kontrol kondisi akhir/terminal)
Untuk masalah sasaran kondisi akhir, kita tertarik untuk meminimumkan error
antara posisi target yang diinginkan dengan target aktual,
47
Kriteria kinerja lainnya adalah final error (selisih akhir) pencapaian keadaan/ state
akhir yang diinginkan dalam waktu yang telah ditentukan atau yaitu :
( ) (3.7)
merupakan fungsi cost terminal, dimana adalah matrik semi-definit positif (PSD).
(3.8)
atau
(3.9)
48
(b). Bisa juga kemungkinan kriteria kinerjanya yaitu untuk meminimumkan luasan di
bawah , sebagai cara memilih sinyal kontrol dengan usaha
pengendalian/control effort yang minimum. Untuk kasus ini sama dengan
sistem kontrol fuel-optimal.
( ) ( ) [ ] (3.10)
( ( ) ) (3.11)
49
Sistem Kontrol Optimal
Fungsi cost/indeks
Plant/proses Batasan/constraints
perfoma
( ) ]
( )
50
adalah jalur yang dilewati oleh kendaraan tsb. Jadi, disini dan fungsi
dari , dan adalah fungsional dari dan .
Perubahan naik/increment fungsi:
Contoh: Misalkan cari perubahan naik dari fungsi tsb.
[ ]
* ( ) + [ ]
* ( ) +
51
Gambar 2.2. (a) Kondisi Minimum Fungsi (b) Kondisi Maksimum Fungsi
52
(a) dimana adalah lokal minimum relatif
(b) dimana adalah lokal maksimum relatif
Untuk , nilai adalah nilai optimum absolut global.
Teorema: Jika merupakan kandidat nilai optimum, variasi pertama akan bernilai
nol pada , yaitu ( ) untuk semua nilai yang memenuhi
Syarat kondisi perlu. Syarat kondisi cukup di titik optimum:
1. Untuk minimum, variasi kedua dari fungsional
2. Untuk maksimum, variasi kedua dari fungsional
Contoh soal:
1. Cari nilai minimum dari indeks performansi berikut:
[ ]
* ( ) + [ ]
( ) ( )
Dimana
Diperoleh
( )
53
Syntax Matlab:
x = dsolve('D2x-2*x=0','x(0)=1,x(1)=0')
x =
exp(2*2^(1/2))/(exp(2^(1/2)*t)*(exp(2*2^(1/2)) - 1)) -
exp(2^(1/2)*t)/(exp(2*2^(1/2)) - 1)
u = diff(x) + x
u = simplify(u)
-(exp(2^(1/2)*t) - exp(2*2^(1/2) - 2^(1/2)*t) +
2^(1/2)*exp(2^(1/2)*t) + 2^(1/2)*exp(2*2^(1/2) -
2^(1/2)*t))/(exp(2*2^(1/2)) - 1)
[ ]
( ) ( ) ( )
Dengan memecahkan persamaan diferensial di atas diperoleh:
Dimana dan merupakan konstanta integrasi. Dengan kondisi batas pada soal
didapatkan
Solusi akhir:
Syntax Matlab:
x = dsolve('D2x-t=0','x(0)=1,x(2)=5')
x =
t^3/6 + (4*t)/3 + 1
54
Ringkasan prosedur Prinsip Pontryagin:
55
Gambar 2.3. Jenis sistem: (a). Fixed-Final Time and Fixed-Final State
System; (b). Free-Final Time and Fixed-Final State; (c). Fixed-
Final Time and Free-Final State System; (d). Free-Final Time
and Free-Final State System
Contoh 3:
Diberikan sistem orde-dua (dengan double integrator) seperti berikut:
Dengan indeks performansi berikut:
Cari kontrol optimal dan keadaan/state optimal, diberikan kondisi batas (awal dan akhir)
sebagai berikut:
[ ] [ ]
(diasumsikan kontrol dan state-nya unconstrained)
Solusi:
Misalkan
56
( )
[ ]
Langkah 1: Fungsi hamiltonian
( ) ( ) ( )
( )
( )
( )
( )
( )
Dari persamaan sebelumnya, diperoleh state optimal dan costate optimal sbb.
57
Langkah 5: Cari kontrol optimal
58
BAB 4
KONTROL OPTIMAL LQR (Linear Quadratic
Regulator)
59
BAB 4 Kontrol Optimal LQR (Linear Quadratic Regulator)
Tujuan dari penjelasan pada bab 4 ini adalah untuk memberi pengenalan awal kepada
mahasiswa tentang teori dasar kontrol optimal. Bagaimana prosedur yang dilakukan
dalam melakukan perancangan sistem kontrol yang optimal.
(4.1)
Dimana fungsional cost atau indeks performansi dinyatakan sebagai berikut:
(4.2)
Keterangan:
: vektor state/keadaan
: vektor output/keluaran
: vektor referensi input atau output yang diinginkan
: vektor sinyal kontrol
: matriks bobot error
: matriks bobot kontrol
: matriks bobot cost akhir
Kategori sistem:
a. Jika tujuan pengendalian yaitu agar state, mendekati nol, (saat
dan ), disebut sistem regulator state dengan memberikan sinyal kontrol
dimana akan membawa plant dari nonzero state /tidak nol menuju zero
state.
b. Jika tujuan pengendalian yaitu agar output, mendekati nol, (saat ),
disebut sistem regulator output.
c. Jika tujuan pengendalian yaitu agar output atau state mendekati output atau
state yang diinginkan, disebut sistem tracking. Baik sistem regulator output
60
maupun state, referensi state adalah nol dan pada sistem tracking, error dibuat
nol.
(4.3)
STEP 1: Hamiltonian
Hamiltonian formula:
61
(4.4)
dimana adalah vektor costate.
STEP 2: Kontrol optimal
Mencari sinyal kontrol optimal, .
(4.5)
dimana
Sehingga diperoleh:
(4.6)
STEP 3: Sistem State dan Costate
State:
Costate:
(4.7)
Sistem kanonik (terdiri dari state dan costate)/sistem Hamiltonian:
(4.8)
Dimana .
STEP 4: Kontrol optimal lup tertutup
Sinyal kontrol:
(4.9)
STEP 5: Matriks Persamaan Diferensial Riccati
Bentuk persamaan diferensial Riccati:
(4.10)
62
Bentuk umum:
(4.11)
dimana
63
Gambar 4.2. Implementasi Kontrol Optimal Lup Tertutup (simulasi off-line )
Ringkasan prosedur Sistem LQR untuk sistem tracking:
64
Gambar 4.3. Implementasi sistem tracking optimal
Diketahui waktu akhir adalah 20, state akhir ( ) bebas dan sinyal kontrol dan state-
nya tidak ada batasan. Tujuan dari kontrol yaitu untuk menjaga state mendekati
nilai 1.
Cari sinyal kontrol umpan baliknya. Gambar grafik dari koefisien Riccati tiap waktu,
komponen vektor , dan kontrol dan state optimalnya.
Solusi:
65
Tujuan dari pengendalian sesuai indeks performansi yaitu untuk menjaga state
mendekati nilai referensi input , sementara kondisi state tidak diketahui,
kita tentukan .
Sekarang, untuk kasus ini, , dimana
Solusi Riccati:
66
Dengan menyederhanakan persamaan di atas diperoleh:
NB: untuk tuning sistem tracking, dapat dilakukan dengan mengubah matriks sehingga
diperoleh tracking state yang lebih baik.
67
Gambar 4.5. Koefisien dan
68
Gambar 4.7. Sinyal kontrol optimal
Contoh 2:
Diberikan persamaan dinamik sistem sebagai berikut:
69
Sehingga bentuk matriks sinyal kontrol optimal yaitu:
(4.1
Dan indeks performansi sebagai berikut:
(4.13)
Misalkan diberikan kondisi awal sebagai berikut:
70
Langkah 1: Indeks performansi augmented, , (tambahan Lagrange multiplier)
(4.14)
Langkah 2: Lagrangian
(4.15)
(4.16)
Dimasukkan untuk kondisi akhir sehingga menjadi:
(4.17)
dimana
Langkah 4: Hamiltonian
71
(4.18)
Kondisi ekstremum Hamiltonian:
(4.19)
Bentuk persamaan state, costate, dan sinyal kontrol optimum sebagai berikut:
(4.20)
(4.21)
Sinyal kontrol tersebut disubstitusi ke dalam persamaan state (langkah 4) menghasilkan:
(4.22)
dimana
(4.23)
72
Prosedur ringkasan sistem kontrol optimal waktu-diskrit (kondisi titik akhir fixed)
Gambar 4.8. Sistem State dan Costate Sistem state-akhir fixed dan kontrol optimal lup-
terbuka
73
Contoh:
Cari nilai minimum indeks performansi:
Solusi:
Bangun matriks yang bersesuaian:
74
4.6. Permasalahan tracking pada LQR
Permasalahan tracking dengan kontrol LQR bertujuan untuk membangkitkan aksi
kontrol yang mengendalikan plant/sistem sehingga vektor keadaan mengikuti
trayektori keadaan yang diinginkan, sekaligus meminimalkan indeks performansi
kuadratik :
[ ] (4.24)
Aljabar Riccati yang digunakan untuk desain kontrol LQR dikombinasikan dengan
persamaan tracking keadaan waktu reverse sebagai berikut:
(4.25)
[ ] (4.27)
yang dijalankan secara reverse time bersamaan dengan persamaan tracking keadaan
time-reverse pada sistem diskrit
75
( ) (4.28)
Vektor commmand dan kontrol optimal saat jika dioperasikan secara maju
(forward time), adalah
(4.29)
(4.31)
Contoh :
Suatu sistem kontrol LQR pada permasalahan tracking, mengacu pada gambar 3.9
diatas, sebagai berikut
[ ] * +* + * +
* +* +
[( )( )* +[ ]
detik
Solusi:
Pada perhitungan waktu mundur (reverse-time), dengan dan ,
kalkulasi dan menggunakan Riccati rekursi. Juga hitung
menggunakan dengan kondisi
Pada perhitungan waktu maju (forward-time), kalkulasi dan trayektori keadaan
menggunakan dan
76
4.7. Latihan Soal
1. Buatlah Desain kontrol LQR dengan menggunakan simulasi MATLAB
Menggunakan persamaan state space berikut:
[ ] * +* + * +
[ ]* +
77
78
BAB 5
KONTROL OPTIMAL LQE (Kalman Filter)
79
BAB 5 Kontrol Optimal LQE (Linear Quadratic Estimator)
Desain kontrol menggunakan metoda LQR ternyata sulit untuk direalisasikan. Hal ini
dikarenakan, metoda LQR memerlukan semua varibel state harus terukur untuk
digunankan sebagai state feedbacknya. Instalasi untuk sensor dan instrument untuk
mengukur semua state pada sistem tentulah membuat biaya menjadi lebih mahal,
bahkan terkadang ada beberapa state yang tidak mungkin untuk diukur.
Dalam Bab ini akan dipelajari bagaimana menentukan kontroler atau matriks penguatan
K tanpa harus mengukur semua variable state-nya. Feedback yang digunakan dalam
sistem nantinya berasal hanya dari output yang dapat terukur saja, sedangkan sisa
variable yang tidak terukur perlu untuk direkonstruksi dengan cara antara lain dengan
menggunakan observer atau estimator. Estimator yang optimal dikenal dengan nama
Kalman Filter.
80
(5.1)
Varian
(5.2)
Kovarian
(5.3)
Momen
(5.4)
Jika dan merupakan dua proses random yang saling bebas/independen maka:
(5.5)
adalah gabungan fungsi kerapatan probabilitas dan .
Fungsi Autokorelasi
Digunakan untuk mendeskripsikan domain waktu pada proses random.
(5.6)
Jika adalah proses stasioner, maka:
(5.7)
Untuk merupakan waktu rata-rata energi/daya pada proses random.
Spektrum Daya
Merupakan deret Transformasi Fourier dari fungsi autokorelasi, dalam domain
frekuensi, untuk proses random.
(5.8)
White Noise (merupakan proses random dengan spektrum daya konstan, dan memiliki
fungsi autokorelasi , dimana implikasi white noise mempunyai daya tak
hingga dan tidak ada (exist) di kondisi riil. Namun white noise dapat dimodelkan sebagai
output dari sistem linier dengan injeksi white noise pada masukannya, menghasilkan
color noise.
81
Proses Gaussian
Normalisasi fungsi dalam gaussian dengan fungsi kerapatan probabilitas:
(5.9)
(5-10)
(5-12)
Beberapa variable state x pada model di persamaan (5-1) dan (5-2) ada yang tidak dapat
diakses. Kita hanya mempunyai sensor output saja. Namun dari output yang diukur
ternyata kita masih dapat merekonstruksi variable stae yang tidak dapat diakses
tersebut, yaitu dengan cara menhubungkan estimator ke sistem tersebut.
Persamaan (5-3) menyatakan sistem dari estimator dengan input dari estimator adalah
sinyal y (hasil pengukuran) dan sinyal u. Nilai dari { } didefinisikan sebagai
error pengukuran. Error pengukuran akan memberikan koreksi secara aktif dan
secepatnya ketiaka nilainya tidak sama dengan nol. Selanjutnya didefinisikan error
estimasi sebagai berikut:
(5-14)
Diferensial dari persamaan (5-4) kemudian disubstitusi dari persamaan (5-3) akan
menghasilkan persamaan (5-5) berikut:
{ } (5-15)
K pada persamaan (5-4) dan persamaan (5-3) adalah matriks penguatan yang mana jika
sistemnya diketahui terdeteksi (Detectable) maka akan selalu ada nilai K yang membuat
error estimasi saat atau dengan kata lain (konvergen)
saat .
82
5.3. Kalman Filter
Misalkan kita tambahkan estimator pada persamaan (5-3)
{ }
ke sistem yang mempunyai derau dan gangguan (Noise and Disturbance) sebagai
berikut:
5-16)
(5-17)
Diferensial dari akan menghasilkan persamaan diferensial error
sebagai berikut:
{ } (5-18)
[ ] (5-19)
Nilai error covariance matrix tersebut akan bernilai konstan saat kondisi steady state
dan akan bernilai minimum jika mengikuti persaaman linear matriks berikut ini pada
persamaan (5-10)
(5-20)
Persamaan (5-10) disebut juga dengan persamaan Lyapunov. Solusi dari persamaan (5-
10) yang membuat error covariance matriks minimum adalah sebagai berikut:
(5-21)
( 5-22)
Sekali lagi nilai K yang digunakan untuk membuat agar [ ] error covariance
matriks nya minimum (optimal) yang digunakan pada estimator
{ } dikenal dengan nama Kalman Filter.
83
%% Problem Description
% Given the following discrete plant
%
% $$ x(n+1) = Ax(n) + Bu(n) $$
%
% $$ y(n) = Cx(n) + Du(n) $$
% where
A = [1.1269 -0.4940 0.1129,
1.0000 0 0,
0 1.0000 0];
B = [-0.3832
0.5919
0.5191];
C = [1 0 0];
D = 0;
%%
% Specify the process noise covariance (Q):
%%
% Specify the sensor noise covariance (R):
%%
% Now design the steady-state Kalman filter with the equations
%
% Time update: x[n+1|n] = Ax[n|n-1] + Bu[n]
%
% Measurement update: x[n|n] = x[n|n-1] + M (yv[n] - Cx[n|n-1])
84
%
% where M = optimal innovation gain
% using the KALMAN command:
[kalmf,L,~,M,Z] = kalman(Plant,Q,R);
%%
% The first output of the Kalman filter KALMF is the plant
% output estimate y_e = Cx[n|n], and the remaining outputs
% are the state estimates. Keep only the first output y_e:
kalmf = kalmf(1,:);
M, % innovation gain
%%
% To see how this filter works, generate some data and
% compare the filtered response with the true plant response:
%%
% To simulate the system above, you can generate the response of
% each part separately or generate both together. To
% simulate each separately, first use LSIM with the plant
% and then with the filter. The following example simulates both together.
%%
% Next, connect the plant model and the Kalman filter in parallel
% by specifying u as a shared input:
sys = parallel(P,kalmf,1,1,[],[]);
%%
% Finally, connect the plant output yv to the filter input yv.
% Note: yv is the 4th input of SYS and also its 2nd output:
SimModel = feedback(sys,1,4,2,1);
SimModel = SimModel([1 3],[1 2 3]); % Delete yv form I/O
%%
% The resulting simulation model has w,v,u as inputs and y,y_e as
% outputs:
SimModel.inputname
85
%%
SimModel.outputname
%%
% You are now ready to simulate the filter behavior.
% Generate a sinusoidal input vector (known):
t = (0:100)';
u = sin(t/5);
% Generate process noise and sensor noise vectors:
rng(10,'twister');
w = sqrt(Q)*randn(length(t),1);
v = sqrt(R)*randn(length(t),1);
%%
% Now simulate the response using LSIM:
clf;
out = lsim(SimModel,[w,v,u]);
%%
% Compare the true response with the filtered response:
clf
subplot(211), plot(t,y,'b',t,ye,'r--'),
xlabel('No. of samples'), ylabel('Output')
title('Kalman filter response')
subplot(212), plot(t,y-yv,'g',t,y-ye,'r--'),
xlabel('No. of samples'), ylabel('Error')
MeasErr = y-yv;
MeasErrCov = sum(MeasErr.*MeasErr)/length(MeasErr);
EstErr = y-ye;
EstErrCov = sum(EstErr.*EstErr)/length(EstErr);
86
Gambar 4.3. Hasil Plot Keluaran Kalman Filter (merah hasil estimasi
kalman filter, biru y output pengukuran ) Plot error (merah
error estimasi pengukuran y-ye, hijau error tanpa kalman
filter y-yv)
(5-23)
Dengan asumsi:
1) ( ) adalah matriks observable/keteramatan.
2) dan adalah white noise bebas dengan bentuk fungsi
Tujuan pengendalian dengan Filter Kalman yaitu mendesain estimator dari state
sehingga estimasi error kovarian-nya akan minimum.
Indeks performansi estimator dimodelkan sebagai berikut:
(5-24)
Rekonstruksi/perancangan Filter Kalman untuk kondisi tunak/steady-state
Diberikan persamaan dinamik estimator, dengan penguatan (gain) observer/Penguatan
Filter Kalman, :
87
(5-22)
Solusi penguatan Filter Kalman optimal yaitu:
(5-23)
dimana adalah solusi dari persamaan Riccati berikut:
(5-24)
Misalkan error state dan estimator , , untuk keadaan tunak berlaku:
(5-25)
(5-26)
Masalah kontrol LQR yaitu mencari sinyal kontrol umpan balik optimal:
(5-27)
Sehingga indeks performasi minimum.
Solusi LQR untuk sistem di atas yaitu:
(5-28)
Dan nilai cost optimal .
(Kasus khusus) jika adalah vektor random dimana
(5-29)
sehingga diperoleh
(5.30)
Berlaku dualitas Filter Kalman vs LQR
88
Kedua masalah kontrol di atas ekivalen (dual) jika:
1.0000 0 0,
0 1.0000 0];
B = [-0.3832
0.5919
0.5191];
C = [1 0 0]; D = 0;
89
90
BAB 6
91
BAB 6 Kontrol Optimal LQG (Linear Quadratic Gaussian)
Sebelumnya telah dipelajari bagaimana merekonstruksi variable state yang tidak terukur
dengan cara menggunakan metoda estimator optimal atau kalman filter. Selanjutnya
akan dibahas mengenai motode untuk mencari kontroler berbasis LQR namun sebagai
pengganti full state feedbacknya digunakanlah kalman filter untuk merekonstruksi
sebagian variable state yang tidak terukur secara optimal. Metoda gabungan antara LQR
dan LQE atau Kalman filter ini dikenal dengan nama LQG (Linear Quadratic Gaussian).
Masalah desain kontrol dalam dunia riil seringkali kita tidak dapat mengukur seluruh
variabel state dari plant yang diberikan. Maka dari itu, LQR, meskipun mempunyain
margin penguatan dan margin fasa yang sangat bagus ( dan ), namun
sulit direalisasikan karena menggunakan semua variabel state sebagai umpan balik,
. Untuk situasi praktis, hanya informasi parsial dari state pada plant yang
diberikan dapat diakses/diukur untuk umpan balik. Muncul pertanyaan:
Dapatkah kita mengestimasi variabel state dari plant melalui informasi pengukuran
parsial? Jawaban: ya, dengan Filter Kalman. Lalu selanjutnya Apakah kita dapat
mengganti state pada sinyal kontrol optimal, , diganti dengan state estimasi
untuk membangun/mendesain sistem kontrol yang optimal? Jawaban: ya, dengan LQG.
Apakah masih ada metode impresif lainnya terkait dengan LQG? Jawaban: tidak. Solusi
pendekatan lain yaitu dengan loop transfer recovery (LTR), tidak tercakup di dalam bab ini
(6-1)
Dimana mean/rata-rata dari dan adalah nol (white signal), dan diasumsikan
, , dan saling bebas/independen, sehingga berlaku
(6.2)
Tujuan pengendalian LQG yaitu untuk mendesain sinyal kontrol dengan hanya berasal
dari informasi yang dapat diukur sehingga ketika dimasukkan ke plant sebagai input,
sistem keseluruhan akan stabil dan indeks performansi akan minimum.
Solusi Masalah LQG (dengan Prinsip Separasi/Pemisahan):
(6.4)
Lakukan komputasi/perhitungan untuk mencari solusi persamaan Riccati;
92
(6.5)
(6.6)
Dimana
(6.7)
Langkah 3: Cari sinyal kontrol LQG,
(6.8)
Representasi dalam diagram blok:
(6.9)
Persamaan dinamik kontroler/pengendali:
(6.10)
Misal didefinisikan variabel baru, error state dan estimator, sehingga:
93
(6.11)
Dan persamaan plant dengan tambahan variabel :
(6.12)
Persamaan sistem lup-tertutup yang baru menjadi:
(6.13)
Akar-akar persamaan karakteristik lup tertutup diberikan dari nilai eigen:
(6.14)
dimana menentukan kestabilan sistem.
Sistem yang dikendalikan dengan metoda LQG selalu dianggap linear dan modelnya
diketahui. Model pada sistem ini selalu mengikutsertakan noise pengukuran dan
gangguan atau process noise (disturbance) . Sinyal noise dan disturbance inipun perlu
diketahui karakteristik stokastiknya.
(6-1)
(6-2)
Dari persamaan (6-1) dan persamaan (6-2) , v adalah gangguan atau process noise
(distubances) sedangkan w adalah noise pengukuran. Biasanya v dan w seringkali
diasumsikan tidak berkorelasi dan masing masing mempunyai zero mean Gaussian
stochastic dengan power spectral densitynya konstan. Nilai v dan w disebut juga sebagai
white noise dengan covariances
[ ] (6-3)
[ ] (6-4)
Dan persamaan (6-5) dan persamaan(6-6) menunjukan asumsi bahwa v dan w tidak
berkorelasi.
[ ] (6-5)
[ ] (6-6)
94
Permasalahan control pada LQG adalah sama dengan LQR yaitu mencari nilai K yang
membuat fungsi biaya atau index performansinya optimal.
, [ ] - (6-7)
Mencari solusi dari masalah LQG, dikenal dengan menggunakan teorema pemisahan
(separation theorem).
Langkah 1
Teorema ini cukup sederhana, pertama- tama kita tentukan control optimal dengan
menggunakan persamaan yang sama pada permasalahan di metoda LQR tanpa
memperhitungkan variable noise v dan w. Fungsi biaya dari metoda LQR adalah sebagai
berikut:
[ ] (6-8)
Dari persamaan (6-8) dapat diperoleh solusi yang membuat persamaan (6-
8) optimal. Sinyal control dapat ditentukan setelah diperoleh solusi dan sinyal
kontrolnya akan memiliki persamaan sebagai berikut:
(6-9)
Langkah 2
Setelah diperoleh nilai maka selanjutnya kita tentukan matriks penguatan yang
merupakan faktor koreksi pada kalman filter untuk proses rekonstruksi variable state .
Penentuan ditentukan dengan cara seperti pada Bab 5. Fungsi biayanya adalah
sebagai berikut:
[ ] (6-10)
95
Dari optimalisasi persamaan (6-10) diperoleh nilai yang membuat fungsi
biaya optimal.
Langkah 3
Hasil optimalisasi dari kedua fungsi biaya, kemudian digabungkan. Struktur kontrol dari
keseluruhan menjadi persamaan sistem sebagai berikut:
* + [ ] (6-11)
Persamaan (6-11) akan memiliki pole yang sama dengan sistem kendalian , persamaan ini
diturunkan dari sistem keseluruhan dengan inputnya adalah y dan u dan keluarannya
adalah u.
Penurunan kontroler LQG lengkap diturunkan dari diagram blok pada gambar 6.4.
96
Contoh Simulasi dengan MATLAB :
[ ]
% Close loop
97
clsys = feedback(sys,F,+1)
% Note positive feedback.
Impulse Response
10
2
Amplitude
-2
-4
-6
-8
0 2 4 6 8 10 12
Time (seconds)
Gambar 6.3 Hasil Plot antara sistem open loop dengan closed loop.
* + [ ]* + [ ]* +
[ ]
[ ] [ ]
98
99
BAB 7
KONTROL ROBUST
100
BAB 7 Kontrol Robust
Tujuan Pengendalian yaitu untuk menghasilkan respon keluaran sistem sesuai dengan
referensi yang diinginkan.
Keterangan:
Nominal plant adalah sistem linier invarian waktu dalam domain frekuensi.
Perturbasi adalah set/kumpulan dari anggota gangguan-gangguan yang mungkin.
Tujuan analisis:
Performansi nominal (Kontrol optimal dengan ): apakah respons lup-tertutup
dapat diterima/sesuai dengan desain kontrol untuk kondisi melibatkan
disturbance, sensor noise, dan command?
Kestabilan Robust (Kontrol optimal dengan ): apakah sistem lup-tertutup stabil
untuk plant nominal? Dan juga untuk semua perturbasi pada sistem?
101
Performansi Robust (Kombinasi kontrol optimal ): apakah respons lup
tertutup dapat diterima untuk semua perturbasi yang mungkin dan semua input
eksternal? Secara simultan (berbarengan)?
Gambar 7.3 Desain masalah kontrol robust (keluaran yaitu sinyal galat dan
masukan sistem adalah sinyal referensi input)
102
7.2. Kontrol Optimal dan
Masalah kontrol untuk sistem linier invarian-waktu, , dengan pengendali, (asumsi
sistem stabilizable dan detectable):
(6.1)
Sistem dinamik pengendali/kontroler:
(6.2)
Keterangan:
Masalah kontrol optimal dan adalah untuk mendesain sinyal kontrol yang
tepat/proper sehingga ketika dimasukkan ke plant (dengan gangguan), diperoleh:
Sistem lup-tertutup stabil secara internal (kondisi perlu/necesarry untuk sembarang
desain sistem kontrol)
Fungsi alih lup-tertutup, dari gangguan terhadap controlled output , , dapat
sekecil mungkin, dengan kata lain pengaruh ganggunan terhadap keluaran yang
dikontrol akan minimum.
- Kontrol optimal : dari minimum.
- Kontrol optimal : dari minimum.
NB: fungsi alih memiliki frekuensi berkisar dari sampai . Cukup sulit mengatakan
pengaruh tersebut besar/kecil. Metode praktis adalah dengan mengukur nilai -nya,
yaitu dan .
Pertimbangkan suatu ruang keadaan sistem
103
{ (6.3)
dan kontrol
{ (6.4)
(6.6)
dan
(6.7)
lebih lanjut
(6.8)
dan
(6.9)
Sehingga
(6.10)
Kemudian, fungsi alih closed loop w-z dituliskan:
(6.11)
Sistem closed loop akan stabil secara internal jika dan hanya jika nilai eigen dari
[ ] (6.12)
104
Pada kasus umpan balik keadaan (state feedback), C 1=I dan D=0, yakni semua semua
state system terukur, dapat direduksi menjadi dan fungsi alih closed loop
dapat direduksi:
(6.13)
dan memiliki nilai eigen yang stabil
(6.14)
Secara grafis
(6.15)
Secara grafis
105
Norm H merupakan penguatan untuk kondisi terburuk dalam , sehingga
meminimalkan norm H suatu fungsi alih berarti meminimalkan situasi
(penguatan) terburuk, dari gangguan menuju output terkontrol .
(6.16)
Kontrol dikatakan sebagai kontrol optimal H2 jika secara internal menstabilkan dan
Infimum norm-H suatu matriks alih closed loop yang secara keseluruhan
menstabilkan kontrol yang tepat, dituliskan:
(6.17)
Kontrol dikatakan sebagai kontrol sub optimal- H jika secara internal menstabilkan
dan .
(A,B) dapat distabilkan, merupakan rank kolom maksimal, matrik yang tinggi dan rank
penuh
106
Aksi kontrol statis
Dan dapat juga dituliskan
[ ]
Jika sistem
* +, [ ]
6
5
4
3
2
1
0 -2 -1 0 1 2 3 4
10 10 10 10 10 10 10
Frekuensi (rad/s)
107
Syntax MATLAB:
s = tf('s'); % variabel s, Laplace
A = [5 2;3 4]; % matriks A
B = [0;1]; % matriks B
E = [1;2]; % matriks E
C1 = 1; % matriks C1
C2 = [1 1]; % matriks C2
D2 = 1; % matriks D2
Ab = A-B*inv(D2'*D2)*D2'*C2; % matriks A augmented
Bb = B*inv(D2'*D2)*B'; % matriks B augmented
Cb = C2'*C2-C2'*D2*inv(D2'*D2)*D2'*C2; % matriks C augmented
P = are(Ab,Bb,Cb) % solusi ricatti
F = -inv(D2'*D2)*(D2'*C2+B'*P) % state feedback
gamma2star = sqrt(trace(E'*P*E))% nilai H2 infimum
Tzw = (C2+D2*F)*inv(s*eye(size(A))-A-B*F)*E; % Fungsi alih
closed-loop w ke z
x = logspace(-2,4);semilogx(x,sigma(Tzw,x)); % plot grafik
xlabel('Frekuensi (rad/s)');ylabel('Magnitudo');title('Tzw')
Diperoleh hasil:
P=
144.0000 40.0000
40.0000 16.0000
F=
-41.0000 -17.0000
gamma2star =
19.1833
108
s = tf('s'); % variabel s, Laplace
A = [5 2;3 4]; % matriks A
B = [0;1]; % matriks B
E = [1;2]; % matriks E
C1 = [0 1]; % matriks C1
D1=1;%matriks D1
C2 = [1 1]; % matriks C2
D2 = 1; % matriks D2
gamma2star = sqrt(trace(E'*P*E)+trace((A'*P+P*A+C2'*C2)*Q))%
nilai H2 infimum
%Tzw = (C2+D2*F)*inv(s*eye(size(A))-A-B*F)*E; % Fungsi alih
closed-loop w ke z
Tzw = (C2+D2*F)*inv(s*eye(size(A))-A-B*F)*E;
x = logspace(-2,4);semilogx(x,sigma(Tzw,x)); % plot grafik
xlabel('Frekuensi (rad/s)');ylabel('Magnitudo');title('Tzw')
109
P=
144.0000 40.0000
40.0000 16.0000
F=
-41.0000 -17.0000
Q=
49.7778 23.3333
23.3333 14.0000
K=
-24.3333
-16.0000
gamma2star =
347.2997
7.3.1.Ketidakpastian (uncertainty)
Di kuliah ini hanya dibahas tentang ketidakpastian tak terstruktur (unstructured
uncertainty). Gangguan dinamik yang terjadi pada sistem berbeda dapat dibangun
menjadi satu blok gangguan, . Untuk kasus sistem linier invarian waktu, blok dapat
direpresentasikan ke dalam matriks fungsi alih tak tentu. Diberikan sistem aktual (sistem
dengan gangguan), dan model nominal dari sistem fisik, .
1. Gangguan dalam bentuk penambahan
110
Gambar 7.7 Konfigurasi gangguan dalam bentuk penambahan (additive).
Fungsi alih gangguan dalam bentuk penambahan dapat dimodelkan sebagai berikut:
(6.18)
2. Gangguan dalam bentuk perkalian input
111
Plot grafik sistem dengan perturbasi dari .
Syntax MATLAB:
clear all;
T = ureal('T',1,'percentage',10);
sys = tf(1,[T,1]);
step(sys)
Step Response
1
0.9
0.8
0.7
Amplitude
0.6
0.5
0.4
0.3
0.2
0.1
0
0 1 2 3 4 5 6 7
Time (seconds)
Contoh 2: Ketidakpastian frekuensi alami
Diberikan fungsi alih plant sebagai berikut:
112
Bode Diagram
20
Magnitude (dB)
-20
-40
-60
-80
0
-45
Phase (deg)
-90
-135
-180
-2 -1 0 1 2
10 10 10 10 10
Frequency (rad/s)
0 1 * + [ ]
{ [ ]
* + [ ]
clear all;
m = ureal('m',1,'perc',10);
b = ureal('b',1,'perc',5);
k = ureal('k',1,'perc',20);
A = [0 1;-k/m -b/m];
B = [0;1];
C = [1/m 0];
D = 0;
sys = ss(A,B,C,D);
bode(usample(sys,30))
113
Bode Diagram
20
Magnitude (dB)
-20
-40
-60
-80
0
-45
Phase (deg)
-90
-135
-180
-2 -1 0 1 2
10 10 10 10 10
Frequency (rad/s)
Gambar 7.10 Transformasi bentuk umum sistem kontrol robust ke dalam bentuk
interkoneksi dan blok uncertainty, .
Small gain theory:
114
Kestabilan Robust dengan gangguan bentuk penambahan:
dimana:
dengan fungsi alih
adalah gangguan tak tentu
dan memiliki jumlah pole tak stabil yang sama
Diberikan , masalah kestabilan robust untuk gangguan bentuk penambahan pada
plant yaitu mencari kontroler yang sesuai sehingga ketika kontroler tersebut
diimplementasikan ke plant tak tentu, akan menghasilkan lup tertutup sistem yang stabil
untuk seluruh gangguan yang mungkin dengan . (Definisi
sama dengan terkecuali untuk , sistem tidak harus selalu stabil).
Masalah tersebut ekivalen dengan mencari aksi kontrol suboptimal (dengan
) untuk sistem:
{ (6.21)
dimana:
dengan fungsi alih
adalah gangguan tak tentu
dan memiliki jumlah pole tak stabil yang sama
Diberikan , masalah kestabilan robust untuk gangguan bentuk perkalian pada
plant yaitu mencari kontroler yang sesuai sehingga ketika kontroler tersebut
diimplementasikan ke plant tak tentu, akan menghasilkan lup tertutup sistem yang stabil
untuk seluruh gangguan yang mungkin dengan . Masalah tersebut
ekivalen dengan mencari aksi kontrol suboptimal (dengan ) untuk sistem
berikut:
115
{ (6.22)
(a) (b)
Gambar 7.11 (a) Diagram blok lower LFT (b) Diagram blok upper LFT
Lower LFT
Persamaan ruang keadaan sistem lower LFT:
* + [ ]* + (6.23)
* + [ ]* + (6.26)
116
7.4. Contoh Kasus
Sistem Mass-Damper-Spring
Suatu sistem massa-peredam-pegas yang memiliki 1 derajat kebebasan (1DOF / 1 Degree-of-Freedom)
digambarkan sebagai berikut.
117
[ ]
[ ]
[ ]
* + [ ]* +
* + [ ]* +
* + [ ] * +
Asumsi :
, , ,
118
Sehingga didapat persamaan-persamaan sistem sebagai berikut.
Dengan mengeliminasi variabel dan , persamaan sistem dinamiknya menjadi sebagai berikut.
*+
dengan
0 1 , 0 1, 0 1
* +, * +, * +
119
[ ], [ ],
Berdasarkan penurunan di atas, bergantung pada , , , , , dan persamaan
differensial dari terhadap . Sehingga adalah fungsi yang sudah diketahui dan tidak
mengandung parameter ketidakpastian.
Syntax MATLAB:
clear all;
%parameter sistem
m = 3; c = 1; k = 2;
pm = 0.4; pc = 0.2; pk = 0.3;
%matriks sistem
A = [0 1; -k/m -c/m];
B1 = [0 0 0; -pm -pc/m -pk/m];
B2 = [0; 1/m];
C1 = [-k/m -c/m; 0 c; k 0];
C2 = [1 0];
D11 = [-pm -pc/m -pk/m; 0 0 0; 0 0 0];
D12 = [1/m; 0; 0];
D21 = [0 0 0];
D22 = 0;
Setelah dibuat fungsi yang dapat mewakili system massa-peredam-pegas, langkah berikutnya adalah
merancang kontrol robust. Kontrol robust dirancang dengan menggunakan H.
Syntax MATLAB:
[K_hin,clp] = hinfsyn(Gp,nmeas,ncon,gmin,gmax,tol);
% K_hin : the (sub)optimal controller
% clp : the closed-loop system
Dari hasil didapat bahwa:
120
Sehingga system massa-peredam-pegas dengan kontrol H di atas terbukti kestabilan robustnya.
121