Proses Identifikasi dan Estimasi Variabel Keadaan pada Model Tereduksi

Lesnussa, Trifena Punana (2017) Proses Identifikasi dan Estimasi Variabel Keadaan pada Model Tereduksi. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 1215201012-Master_Thesis.pdf Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Sistem tereduksi merupakan sistem baru yang memiliki dimensi yang lebih kecil sebagai hasil penyederhanaan dari sistem awal. Karena dimensi yang berbeda maka sistem tereduksi tidak dapat dibandingkan dengan sistem awal. Identifikasi variabel berguna untuk melacak kesesuaian antara variabel keadaan pada sistem tereduksi dan sistem awal sehingga menghasilkan variabel yang bersesuaian antara kedua sistem tersebut. Dalam Tesis ini, membahas tentang proses identifikasi dan estimasi variabel keadaan pada model tereduksi. Metode reduksi model yang digunakan adalah metode pemotongan setimbang. Proses dimulai dengan membentuk sistem setimbang. Kemudian, hilangkan variabel dari sistem setimbang yang memiliki pengaruh terkecil terhadap sistem. Hasil reduksi sistem kemudian diidentifikasi. Setelah itu, dapat disimpulkan bahwa variabel keadaan sistem tereduksi memiliki dimensi yang sama dengan sistem awal. Selanjutnya, estimasi variabel keadaan dari sistem awal dan sistem tereduksi menggunakan algoritma filter Kalman. Terakhir, bandingkan hasil estimasi sistem tereduksi teridentifikasi dan sistem awal. Hasil estimasi disimulasikan menggunakan MATLAB R2013b. Hasil perbandingan tersebut terlihat bahwa estimasi sistem awal lebih baik dari pada sistem tereduksi teridentifikasi. Ini terlihat dari error estimasi sistem awal yang lebih kecil dari pada error estimasi sistem tereduksi teridentifikasi. Namun, waktu komputasi dari estimasi sistem tereduksi lebih cepat dari pada waktu komputasi untuk estimasi sistem awal.
=============================================================================================
The reduced system is a new system that has smaller dimensions as a result of simplification of the initial system. Because of different dimensions, the reduced system can not be compared with the initial system. Identification of variables is useful for tracking the suitability between state variables on the reduced model and the initial system so as to produce the corresponding variables between the two systems. In this Thesis, we discuss the identification and estimation process on state variables of reduced models. A reduced models method used is balanced truncation. This process begins with the constuction of balanced system. Then, we eliminate variables of the balanced system that have a small influence on the system. We identified the result of a reduced system. Subsequently, we concluded that the state variables of the reduced system have the same dimension as the one in the initial system. Furthermore, we estimate state variables on the original system and reduced system using a Kalman filter algorithm. Finally, we compare the estimation result of the identified reduced system and original system. The estimation result are simulated by using MATLAB R2013b. The result of comparison shows that the initial system estimate is better than the identified reduced system. This is seen from the estimation error in the original system is quite close to the error in the identified reduced system. However, the computational time for estimation in the reduced system is faster than the computational time for estimation in the original system.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Reduced models, The Balance Truncation Method, Identification variables, The Kalman Filter Algorithm, Reduksi model, Metode pemotongan setimbang
Subjects:	Q Science > QA Mathematics > QA184 Algebra, Linear
Divisions:	Faculty of Mathematics and Science > Mathematics
Depositing User:	Trifena Punana Lesnussa
Date Deposited:	25 Oct 2017 03:50
Last Modified:	09 Jan 2018 07:09
URI:	http://repository.its.ac.id/id/eprint/47048

Actions (login required)

View Item