Perpustakaan Digital ITB

Penelitian ini mengkaji pengendalian kecepatan Permanent Magnet Synchronous Motor (PMSM) menggunakan algoritma Deep Reinforcement Learning (DRL) sebagai solusi atas keterbatasan kontroler konvensional dalam menangani sistem nonlinear. Penelitian ini membandingkan performa algoritma Deep Deterministic Policy Gradient (DDPG) dan Twin Delayed Deep Deterministic Policy Gradient (TD3), diawali pemodelan matematis fungsi transfer—yang menunjukkan karakteristik motor bersifat overdamped (????=3.826)—lalu dilanjutkan simulasi MATLAB/Simulink terintegrasi FOC. Hasil simulasi menunjukkan algoritma DDPG mengalami kegagalan sistem (divergen) akibat overestimasi nilai Q. Sebaliknya, algoritma TD3 menunjukkan performa yang sangat stabil dan responsif dengan settling time 0.0601 detik, overshoot 11.89%, dan RMSE 0.0729. Agen TD3 melakukan kompensasi agresif guna mempercepat respon transien sistem yang secara teoritis bersifat overdamped. Selain itu, pengujian robustness pada osilator Van der Pol membuktikan kemampuan generalisasi arsitektur TD3 dalam melacak lintasan sistem nonlinear kompleks. Algoritma TD3 terbukti menjadi metode kendali yang jauh lebih handal dan presisi untuk aplikasi motor listrik performa tinggi dibandingkan DDPG.