Optimasi Parameter KP, KI, Dan KD Pada Kontroler PID Sistem Suspensi Aktif Model Seperempat Kendaraan Dengan Metode Back Propagation Neural Network-Genetic Algorithm

Pande, Daniel Michael Radja (2022) Optimasi Parameter KP, KI, Dan KD Pada Kontroler PID Sistem Suspensi Aktif Model Seperempat Kendaraan Dengan Metode Back Propagation Neural Network-Genetic Algorithm. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 02111840000098-Undergraduate Thesis.pdf Download (4MB)

Abstract

Sistem suspensi merupakan sistem yang berfungsi untuk meredam getaran yang mempengaruhi tingkat kenyamanan penumpang saat dihadapkan pada medan jalanan yang memiliki kontur yang tidak konstan. Active Suspension System mampu menghasilkan kualitas berkendara yang lebih baik dibandingkan dengan sistem suspensi pasif. Dalam suspensi aktif diperlukan suatu controller yang berfungsi untuk mengontrol gaya yang diberikan sehingga dapat meredam getaran yang dihasilkan oleh kontur jalan yang tidak konstan. Pengendali PID adalah salah satu jenis pengendali yang digunakan untuk mengontrol gaya tersebut. Dalam penelitian ini akan dilakukan tuning PengendaliPID menggunakan metode metaheuristik Back Propagation Neural Network-Genetic Algorithm (BPNN-GA).Penelitian ini akan mengacu dan dibandingkan dengan parameter dan hasil pada paper “Stochastic Algorithm for PID Tuning Of Bus Suspension System” oleh A.Karthikraja, dkk. (2009). Pada penelitian ini akan dilakukan optimasi arsitektur BPNN yang paling baik untuk melakukan prediksi nilai ITAE yang akan digunakan pada proses optimasi parameter pengendali PID yaitu nilai konstanta proporsional, konstanta integral, dan konstanta derivatif (KP, KI, dan KD). Optimasi parameter pengendali PID dilakukan menggunakan perangkat lunak MATLAB. Parameter input dari BPNN adalah nilai KP, KI, dan KD, dan parameter output adalah nilai Integral Times Absolute Error (ITAE). Optimasi dengan Genetic Algorithm akan menggunakan objective function berupa net BPNN yang mengeluarkan prediksi nilai ITAE, yang akan dicari nilai minimumnya (smaller is better). Data yang digunakan dalam pembentukan net BPNN didapatkan
melalui simulasi MATLAB. Pada penelitian ini akan dievaluasi performa optimasi berdasarkan nilai KP, KI, dan KD terbaik yang akan disimulasikan dan dilihat nilai Settling Time dan Peak Overshoot-nya. Dalam penelitian ini pemodelan model seperempat kendaraan dapat dilakukan di software MATLAB. Hasil optimasi model arsitektur BPNN dengan GA untuk mendapatkan nilai MSE (Mean Squared Error) terkecil adalah arsitektur dengan 5 (lima) hidden layer, 10 (sepuluh) neuron di setiap hidden layer-nya, dan fungsi aktivasi satlin dengan nilai MSE training 1.6477 × 10−8. Didapatkan nilai KP, KI, dan KD paling optimum dengan metode BPNN-GA yaitu 809193, 621978, dan 243984, dengan nilai Settling Time (TS) 1,33 s, dan Peak Overshoot -0,00834 m. Dapat disimpulkan performa dari BPNN-GA mendekati metode Real Coded GA dan Particle Swarm Optimization (PSO) untuk parameter settling time dan lebih baik untuk parameter peak overshoot, apabila dibandingkan dengan metode yang digunakan pada penelitian yang berjudul “Stochastic Algorithm for PID Tuning Of Bus Suspension System” oleh A. Karthikraja, dkk. (2009).
==================================================================================================================================
The suspension system is a system that functions to dampen vibrations that affect the comfort level of passengers when faced with inconsistent road contours. The Active Suspension System can produce a better driving quality compared to the passive suspension system. In active suspension, a controller functions to control the applied force. PID controller is one of controller used to control the force. In this study, PID controller tuning will be carried out using the Back Propagation Neural Network-Genetic Algorithm (BPNN-GA) metaheuristic method. This study will refer to paper titled "Stochastic Algorithm for PID Tuning of Bus Suspension System" by A. Karthikraja, et al. (2009). In this study, the best BPNN architecture optimization will be used to predict the ITAE value that will be used in the PID controller parameter optimization process, namely the value of proportional constants, integral constants, and derivative constants (KP, KI, and KD). PID controller parameter optimization is done using MATLAB software. The input parameters from BPNN are the values of KP, KI, and KD, and the output parameters are the values of Integral Times Absolute Error (ITAE). Optimization with Genetic Algorithm will use an objective function in the form of net BPNN which issues a prediction of the ITAE value, which will be sought for the minimum value (smaller is better). The data used for BPNN network were obtained through MATLAB simulations. In this study, the optimization performance will be evaluated based on the best KP, KI, and KD values that will be simulated and see the settling time and peak overshoot values. In this study the modeling of a quarter vehicle model can be done in MATLAB software. Best architecture optimization result is with 5 (five) hidden layers, 10 (ten) neurons in each hidden layer, and a satlin activation function with an MSE value of 1,6477×108. The best KP, KI, and KD parameters were obtained using the BPNN-GA method, namely 809193, 621978, and 243984, with a settling time of 1.33s, and Peak Overshoot -0.00834m. The performance of BPNN-GA approaches the Real Coded GA and Particle Swarm Optimization (PSO) methods for the settling time parameter and is better for the peak overshoot parameter, when compared to the method used in the study entitled “Stochastic Algorithm for PID Tuning Of Bus Suspension. System” by A. Karthikraja, et al. (2009).

Item Type:	Thesis (Other)
Additional Information:	RSM 629.831 2 Pan o-1 2022
Uncontrolled Keywords:	sistem suspensi aktif (active suspension system), quarter car model, Pengendali PID, neural network, genetic algorithm, backpropagation neural network-genetic algorithm
Subjects:	T Technology > TJ Mechanical engineering and machinery > TJ223 PID controllers
Divisions:	Faculty of Industrial Technology and Systems Engineering (INDSYS) > Mechanical Engineering > 21201-(S1) Undergraduate Thesis
Depositing User:	Mr. Marsudiyana -
Date Deposited:	24 Feb 2025 02:57
Last Modified:	24 Feb 2025 02:57
URI:	http://repository.its.ac.id/id/eprint/118840

Actions (login required)

View Item