SISTEM KONTROL KECEPATAN MOTOR DC MENGGUNAKAN PIDMQPSO

Elkana Ishak, Fachrudin Hunaini, Faqih Rofii

Sari


Proses penalaan pada pengontrolan kecepatan motor dc biasanya dilakukan secara manual dengan berdasarkan
pada teori penalaan. Teori penalaan yang sering digunakan adalah metode Ziegler-Nichols disamping metode
Trial-Error. Kendala yang dialami oleh metode penalaan ini adalah respon yang dihasilkan belum optimal.
Penelitian ini menggunakan algoritma MQPSO (Modified Quantum behaved Particle Swarm Optimization)
untuk optimasi parameter Kp, Ki, dan Kd dari hasil penalaan metode Ziegler-Nichols. MQPSO merupakan
pengembangan dari algoritma PSO (Particle Swarm Optimization) dan QPSO (Quantum behaved Particle
Swarm Optimization). MQPSO memiliki perilaku pencarian partikel yang lebih detail karena memperhitungkan
posisi partikel terhadap mbest dan gbest. Berdasarkan penelitian yang dilakukan, didapatkan hasil bahwa
penalaan MQPSO menghasilkan parameter PID yang memiliki respon paling optimal dibandingkan penalaan
QPSO, PSO, dan Ziegler-Nichols. MQPSO menghasilkan settling time sistem sebesar 41.0201ms, sedangkan
QPSO sebesar 42.8276ms, PSO sebesar 43.7008ms, dan Ziegler-Nichols 61.8571ms.


Teks Lengkap:

PDF (English)

Referensi


Astrom, K. & Hagglund, T. (1934): PID Controller :

Theory, Design, and Tuning 2nd edition.

Hunaini,F., Robandi, I., Sutantra, N. (2014):

Optimization Control System using the

Quantum Behaved Particle Swarm Optimization

on Vehicle Steering Control System with Steer-byWire System, Jurnal Teknologi, 71:2, 2014, 91–

Hunaini,F., Robandi, I., Sutantra, N. (2016):

Optimization of automatic steering control on

vehicle with steer by wire system using particle

swarm optimization, Turk J Elec Eng & Comp

Sci,24; 2: 541 – 557.

Jia, P., Duan, S. & Yan, J. (2015): An Enhanced

Quantum-Behaved Particle Swarm Optimization

Based on a Novel Computing Way of Local

Attractor, Information, pp.633-649.

Kennedy, J. & Eberhart, R. (1995): Particle swarm

optimization, Proceedings of the IEEE

International Conference on Neural Networks vol.

, pp. 1942-1948.

Ljung, L. & Singh, R. (2012): Version 8 of the

MATLAB system identification toolbox. IFAC

Proceedings Volumes, 45(16), pp. 1826-1831

Sheng, X., Xi, M., Sun, J. & Xu, W. (2015):

Quantum-behaved Particle Swarm Optimization

with Novel Adaptive Strategies, Journal of

Algorithms & Computational Technology pp.143-

Sun, J., Bin, F., & Wenbo, X. (2004): Particle Swarm

Optimization With Particles Having Quantum

behavior, In Proceedings of IEEE Congress on

Evolutionary Computation, vol. 1, pp. 325-331.

Ziegler, J.G. & Nichols, N.B. (1942): Optimum

settings for automatic controllers, transactions of

the ASME 64. pp. 759–768.

Zuhal. (1988):.Dasar Teknik Tenaga Listrik dan

Elektronika Daya.Jakarta.


Refbacks

  • Saat ini tidak ada refbacks.