1. Tujuan[back]
a. Mahasiswa mampu memahami konsep dasar Fuzzy Kontrol Sisten
b. Mahasiswa mampu merancang Fuzzy Kontrol Sistem
2. Alat dan Bahan[back]
Alat yang dibutuhkan pada pembelajaran ini yaitu software MATLAB
3. Dasar Teori[back]
Fuzzy Logic Controler
I. Classical
Programmable Logic Control
Programmable Logic
Controller ( PLC ) adalah suatu rangkaian micro controller yang terdiri dari
beberapa bagian, yaitu CPU, Memory, Power suplay, Data Register, Internal
relay, Input / Output Counter dan Timer yang terintegrasi dalam satu perangkat.
 |
| Figure 1. Programmable Logic Controller |
 |
Figure 2.
A pick-and-place robot arm controlled by a PLC. |
A0: rotate the
base counterclockwise (CCW),
A1: rotate the
base clockwise (CW),
A2: lift the arm,
A3: lower the arm,
A4: extend the
arm,
A5: retract the
arm,
A6: close the
gripper,
A7: open the
gripper.
Misalkan
dalam setiap siklus proses pengendalian, seluruh pekerjaan diselesaikan dalam
12 langkah secara berurutan dalam waktu 40 detik, seperti yang ditunjukkan pada
figure 3.
 |
Figure 3. Time duration of activities of the robot arm.
ada figure 3, terlihat bahwa PLC pertama-tama
mengoperasikan "extend arm” selama 4 detik lalu berhenti dan kemudian PLC
mengoperasikan tindakan "lower arm" selama 2 detik dan kemudian
berhenti, dan sebagainya. Untuk sederhananya, kita asumsikan bahwa transisi
antara setiap step berjalan secara terus menerus dan tanpa delay, sehingga
tidak membutuhkan waktu untuk transisi
dari setiap step.
 |
Table
1. PLC Drum-Timer Array for the Robot Arm
Untuk
mengatur timer pada PLC atau yang disebut drum-timer yang bertujuan untuk
mencapai proses secara berurutan dari arm robot, kita perlu memilih frekuensi
waktu untuk PLC nya.Pada Tabel 1, di mana 1 berarti ON dan 0 berarti OFF.
 |
| Table 2 Robot Arm Control Scheme |
Pada
tabel diatas simbol angka 00 menjelaskan input dari sakelar batas yang
menandakan penyelesaian keluaran sebelum A0 (“rotate the base counterclockwise”),
simbol angka 01 menjelaskan input dari sakelar batas yang menandakan penyelesaian
keluaran sebelum A1 ("rotate the base clockwise "), dan 07 untuk
input yang menandakan penyelesaian A7.
Perhatikan
bahwa dalam diagram ini, biasanya dua langkah sebelumnya sudah cukup sebagai prasyarat,
tetapi satu lagi diperlukan jika dua tidak cukup untuk menimbulkan perbedaan yang
jelas dari tindakan yang berbeda.
Penting dicatat bahwa jika kita tidak mempertimbangkan prioritas kondisi yang diperlukan, maka ketika PLC mengontrol robot arm dapat menyebabkan terjadinya kesalahan. Misalnya, langkah kedua pada Tabel 2 adalah “lower arm” yang penyelesaiannya diwakili oleh 03. Jika 03 digunakan untuk memicu input logika langkah berikutnya dalam operasi sekuensial, ’’close grippe’’ pada robot arm akan bergerrak dan selalu menutup grippernya setelah dijalankan tindakan "lower arm" Namun, langkah kedelapan dari program ini juga " lower arm ", tetapi diikuti oleh "open gripper". Oleh karena itu, diperlukan untuk memberikan kondisi lain sebelum ke langkah kedelapan untuk memastikan bahwa itu tidak akan mengulangi langkah kedua.
 |
| Table 3 Ladder Diagram Symbols |
II. Fuzzy Logic Control (I):
A. A General Model-Free Approach
Kontroler
fuzzy umumnya dapat digambarkan dengan diagram blok seperti yang ditunjukkan
pada figure 5
 |
Figure 5. A simple fuzzy logic
control system block diagram.
Langkah-langkah dalam merancang sistem kendali fuzzy
sederhana adalah sebagai berikut:
1. Identifikasi variabel (input, state, dan output) dari
plant.
2. Mempartisi interval yang direntang oleh masing-masing
variabel menjadi sejumlah himpunan bagian fuzzy, menetapkan masing-masing label
linguistik (himpunan bagian mencakup semua elemen disemesta).
3. Menetapkan atau menentukan fungsi keanggotaan untuk
setiap subset fuzzy.
4. Tetapkan hubungan fuzzy antara input atau himpunan
bagian fuzzy pada satu tangan dan himpunan bagian fuzzy output di sisi lain,
sehingga membentuk basis aturan.
5. Pilih faktor penskalaan yang sesuai untuk variabel
input dan output untuk menormalkan variabel ke interval [0, 1] atau [−1, 1].
6. Fuzzify input
ke controller.
7. Gunakan
penalaran perkiraan fuzzy untuk menyimpulkan output yang dikontribusikan dari
setiap aturan.
8. Agregasikan output fuzzy yang direkomendasikan oleh
setiap aturan.
9. Terapkan defuzzifikasi untuk membentuk output yang tajam.
B. Design Principle of Fuzzy Logic Controllers (Konsep Desain Kontrol Logika Fuzzy)
Kendali logika fuzzy atau popular dengan istilah adalah sebuah skema sistem kendali yang menggunakan konsep teori himpunan fuzzy dalam perancangannya.
Tahapan dalam perancangan Fuzzy Logic Controller (FLC), diantaranya.
1.
The Fuzzification
Module (Proses Fuzifikasi)
Fuzifikasi merupakan tahapan untuk mengubah nilai fisik (posisi, tegangan, derajat, dll.) sinyal proses, sinyal kesalahan yang merupakan input ke pengontrol logika fuzzy, menjadi fuzzy yang dinormalisasi subset yang terdiri dari subset (interval) untuk rentang input nilai dan fungsi keanggotaan yang dinormalisasi.
Kriteria yang harus dipenuhi pada proses fuzzifikasi adalah semua anggota pada himpunan tegas harus termuat dalam himpunan fuzzy, tidak terdapat gangguan pada input sistem fuzzy yang digunakan harus bisa mempermudah perhitungan pada sistem fuzzy.
Dalam fuzzifikasi, inputnya adalah sinyal fisik yang tajam (contohnya suhu) dari proses nyata dan outputnya adalah himpunan bagian fuzzy yang terdiri dari interval dan fungsi keanggotaan. Output ini akan menjadi input untuk proses selanjutnya, yang membutuhkan input fuzzy-subset agar kompatibel dengan aturan logika fuzzy.
2.
The Fuzzy Logic
Rule Base (Basis Aturan Logika Fuzzy)
Merancang basis aturan logika fuzzy yang baik adalah kunci untuk mendapatkan pengontrol yang memuaskan untuk aplikasi tertentu. Analisis klasik dan strategi pengendalian harus dimasukkan dalam pembentukan basis aturan. Prosedur umum dalam mendesain Fuzzy Logic Rule Base termasuk yang berikut:
a. Determining the process states and control variables (Menentukan status proses dan variabel control)
Contoh : pelacakan Temperature set-point.
Berdasarkan contoh diatas
proses fisik adalah kontrol suhu. Dengan
demikian,set-point r adalah suhu target yang harus dicapai, katakanlah r = 45°.
Maka, status prosesnya adalah output sistem yang dikontrol secara keseluruhan,
y(t), yang juga suhu. Sehingga variable control pada contoh diatas ditentukan
berdasarkan, sinyal kesalahan
b. Determining input variables to the controller (Menentukan variabel input ke controller)
Seperti disebutkan di atas, sinyal kesalahan pelacakan e(t) adalah variabel input untuk pengontrol. Namun, satu variable input tidak cukup untuk membangun basis aturan yang lengkap dan efektif.
Di dalam contoh kontrol suhu, dapat dengan mudah dilihat bahwa hanya sinyal kesalahane(t) tidak cukup untuk menulis aturan kontrol IF-THEN. Memang, katakanlah e > 0 at sesaat. Lalu kita tahu e = r y > 0 atau r > y, yaitu, pada saat itu output sistem y berada di bawah set-point. Namun, informasi ini tidak cukup untuk menentukan strategi pengendalian yang dapat membawa lintasan y mendekati set-point setelahnya:
· Jika output y berada pada posisi a maka pengontrol harus mengambil tindakan untuk menjaga lintasan naik
· jika y berada pada posisi d maka pengontrol harus memutar lintasan ke arah bergerak yang berlawanan (dari menunjuk ke bawah ke menunjuk ke atas)
Oleh karena itu, dibutuhkan satu lagi variabel input yang dapat membedakan kedua situasi tersebut.
c. Establishing a fuzzy logic IF-THEN rule base (Membangun logika fuzzy IF-THEN rule base)
Aturan yang digunakan pada himpunan fuzzy adalah aturan if-then. Aturan fuzzy IF-THEN merupakan pernyataan yang direpresentasikan dengan
IF < proposisi Fuzzy > THEN < proposisi fuzzy >
Proposisi fuzzy dibedakan menjadi dua, proposisi fuzzy atomic dan proposisi fuzzy compound. Proposisi fuzzy atomic adalah pernyataan single dimana sebagai variabel linguistik dan adalah himpunan fuzzy dari . Proposisi fuzzy compound adalah gabungan dari proposisi fuzzy atomic yang dihubungkan dengan operator “or”, “and”, dan “not”.
d. Establishing a fuzzy logic inference engine (membangun inferensi Logika Fuzzy)
Inferensi fuzzy merupakan tahap evaluasi pada aturan fuzzy. Tahap evaluasi dilakukan berdasarkan penalaran dengan menggunakan input fuzzy dan aturan fuzzy sehingga diperoleh output berupa himpunan fuzzy.
Dalam FIS terdapat dua proses yaitu:
1. Implikasi yaitu proses mendapatkan consequent
keluaran sebuah IF-THEN rule
berdasarkan derajat kebenaran antecedent. Namun sebuah rule dapat diboboti dengan bilangan antara 0 sampai 1 umumnya rule diberi bobot 1. Setelah setiap rule diberi bobot proses implikasi baru bisa dilakukan. Implikasi dilakukan pada tiap rule, Masukan dari proses implikasi adalah derajat kebenaran bagian antecedent dan fuzzy set pada bagian consequent. Dua fungsi yang digunakan dalam proses implikasi adalah min dan prod (product, menskalakan fuzzy set keluaran).
2. Agregasi
yaitu proses mengkombinasikan keluaran
semua IF THEN
rule menjadi sebuah fuzzy
set tunggal. Jika
bagian consequent terdiri
lebih dari satu
pernyataan maka proses agregrasi dilakukan secara terpisah untuk tiap
variabel IF-THEN rule.
Metode inferensi fuzzy
diantaranya :
·
Metode Mamdani
Metode Mamdani pertama kali diperkenalkan oleh Ibrahim Mamdani pada tahun 1975. Metode ini merupakan metode yang paling sederhana dan paling sering digunakan untuk penelitian dibandingkan metode yang lain. Input dan output pada metode mamdani berupa himpunan fuzzy. Metode Mamdani menggunakan fungsi implikasi min dan agregasi max sehingga metode Mamdani juga disebut dengan metode MIN-MAX (min-max inferencing). Keluaran untuk aturan metode Mamdani didefinisikan sebagai
menyatakan himpunan fuzzy pasangan anteseden ke- k. dandalah himpunan fuzzy konsekuen ke-k.
·
Metode Tsukamoto
Metode Tsukamoto merupakan metode dimana konsekuen dari aturan fuzzy-nya direpresentasikan dengan fungsi keanggotaan yang monoton. Pada metode Tsukamoto, implikasi setiap aturan berbentuk implikasi “Sebab Akibat”/Implikasi “Input-Output” dimana antara anteseden dan konsekuen harus ada hubungannya. Setiap aturan direpresentasikan menggunakan himpunan-himpunan fuzzy, dengan fungsi keanggotaan yang monoton. Kemudian untuk menentukan hasil tegas (Crisp Solution) digunakan rumus penegasan (defuzifikasi) yang disebut “Metode rata-rata terpusat” atau “Metode defuzifikasi rata-rata terpusat (Center Average Deffuzzyfier).
·
Metode Sugeno
Berbeda dengan metode Mamdani, metode Sugeno juga menggunakan himpunan fuzzy pada inputnya. Akan tetapi, output yang digunakan pada metode Sugeno adalah konstanta atau persamaan linier. Metode ini pertama kali dikenalkan oleh Takagi-Sugeno Kang pada tahun 1985. Jika pada metode Mamdani proses defuzzifikasi menggunakan agregasi daerah kurva, maka pada metode Sugeno agregasi berupa singleton-singleton.
3.
The
Defuzzification Module (Proses Defuzzifikasi)
Defuzzifikasi merupakan proses yang berkebalikan dengan proses pada fuzzifikasi. Defuzzifikasi didefinisikan sebagai pemetaan dari himpunan fuzzy ( ) ke himpunan tegas. Himpunan fuzzy yang dimaksud disini adalah hasil output yang diperoleh dari hasil inferensi.
Berikut adalah beberapa metode yang digunakan untuk proses defuzzifikasi.
a.
Metode Centroid
(Center of Grafity)
Proses defuzzifikasi pada metode Centroid adalah dengan mengambil nilai titk pusat (
) dari daerah pada fungsi keanggotaan B.
b.
Metode Bisektor
Metode bisektor mengambil nilai pada doamin himpunan fuzzy yang memiliki nilai keanggotaan pada daerah fuzzy sebagai solusi tegas, dan didefinisikan sebagai:
Dengan a = min (dan
b = max
( sedangkan p = x yang membagi daerah inferensi
menjadi dua bagian yang sama besar.
a. Metode Mean of Maximum (MOM)
b. Metode Largest of Maximum (LOM)Solusi tegas diperoleh dengan cara mengambil nilai rata-rata domain yang memiliki nilai keanggotaan maksimum.
c. Metode Smallest of Maximum (SOM)Solusi tegas diperoleh dengan cara mengambil nilai terbesar dari domain yang memiliki nilai keanggotaan maksimum.
Solusi tegas diperoleh dengan cara mengambil nilai terkecil dari domain yang memiliki nilai keanggotaan maksimum.
4. Percobaan [back]
Kasus : Parkir truk
Tujuannya adalah untuk
merancang pengontrol logika fuzzy, tanpa asumsi model matematis truk, untuk
memarkir truk di mana saja disumbu x. Misalkan : Truk dapat bergerak maju
dengan kecepatan konstan v =0,5 m/s dan diasumsikan truk dilengkapi dengan
sensor yang dapat mengukur lokasi (x,y) dan orientasi (sudut) setiap saat.
Maka:
·
Logika
fuzzycontroller adalah untuk memberikan input, u, untuk memutar roda kemudi
dan, akibatnya, untuk manuver truk
·
Variabel input
adalah sudut truk dan koordinat posisi vertikal, y,
·
Variabel output
adalah sudut kemudi (sinyal), u.
Rentang variabel telah
ditetapkan sebelumnya sebagai
Linguistic term yang
digunakan pada desain ini adalah
Langkah pertama
adalah memilih fungsi keanggotaan. Fungsi keanggotaan sempit digunakan untuk
memungkinkan kontrol yang baik di dekat tempat parkir yang ditentukan,
sementara lebar fungsi keanggotaan digunakan untuk melakukan kontrol cepat saat
truk jauh jauh dari tempat parkir.
 |
Fungsi keanggotaan untuk posisi y
 |
Fungsi keanggotaan pada sudut
Langkah kedua : Basis aturan yang digunakan
5. Video[back]
Tidak ada komentar:
Posting Komentar