Perpustakaan Digital ITB

Kestabilan level pada steam drum yang berfungsi sebagai separator dua fasa penting untuk menjaga keselamatan dan kontinuitas proses. Namun, dinamika nonlinier dan perubahan kondisi operasi dapat menyebabkan pengontrol berparameter tetap memberikan kinerja yang tidak konsisten. Data historis menunjukkan bahwa sistem pengontrol level tiga elemen eksisting masih menghasilkan fluktuasi level di sekitar setpoint. Oleh karena itu, penelitian ini mengusulkan pengontrol berbasis Nonlinear Model Predictive Control (NMPC) untuk meningkatkan akurasi pelacakan level, dengan penalaan parameter menggunakan Particle Swarm Optimization (PSO) secara luring dan supervisory Q-learning secara adaptif. Penelitian ini bertujuan untuk: (1) merancang model Nonlinear AutoRegressive with eXogenous Input (NARX) yang merepresentasikan dinamika nonlinier separator dan (2) merancang serta mengevaluasi pengontrol NMPC dengan penalaan PSO dan supervisory Q-learning. Model NARX dibangun menggunakan data historis steam drum pada pabrik pupuk dan dioptimasi menggunakan Genetic Algorithm (GA). Evaluasi melalui simulasi open-loop menghasilkan RMSE sebesar 0,1849% pada data latih dan 0,2502% pada data uji, sehingga model dinilai memadai untuk digunakan sebagai model prediksi internal NMPC. Penalaan menggunakan PSO menghasilkan konfigurasi N_p=9, N_c=4, Q=6,958519, dan R=11,300322, serta menurunkan waktu komputasi NMPC dari 763,42 menjadi 13,56 detik per sampel pada skenario perbandingan akhir. Sementara itu, NMPC dengan supervisory Q-learning menghasilkan RMSE sebesar 0,3462%, lebih rendah dibandingkan NMPC–PSO sebesar 0,6156%, serta menghasilkan perubahan variabel manipulasi paling halus dengan nilai rata-rata 0,2297 ton/jam per sampel. Hasil penelitian menunjukkan bahwa PSO mampu menghasilkan konfigurasi NMPC dengan beban komputasi lebih rendah, sedangkan supervisory Q-learning memungkinkan pemilihan konfigurasi NMPC berdasarkan keadaan proses sehingga meningkatkan kemampuan adaptasi pada kondisi operasi yang diuji.