Identifikasi Sistem Motor DC dan Kendali Linear Quadratic Regulator Berbasis Arduino-Simulink Matlab

This paper describes the identification process of DC motor system with the experimental technique using indetification tool in Matlab. After the DC motor model system is obtained, the optimal control technique in this case using linear quadratic regulator (LQR) is used to view the system response step. In this paper, the DC motor identification module with Arduino DC was developed to facilitate in terms of getting the model of DC motor by approaching first and second order models. This module is integrated between Arduino and Simulink Matlab which is used as input-output data acquisition. The results of the system identification process in the form of DC Motor model with modeling auto regressive exogenous (ARX) second order. Furthermore, the application of LQR control technique with parameters of Q element matrix is sought by multiplication of transpose Matrix C system with Matrix C of the system. While the R element matrix in tuning experimentally with value 0.1. From the test results obtained that LQR control produces a more optimal system response time constant when compared with PID control of 0.02 seconds. Intisari— Makalah ini memaparkan proses identifikasi sistem Motor DC dengan teknik eksperimen menggunakan sistem indetifikasi tool pada Matlab. Setelah sistem model Motor DC diperoleh, teknik kendali optimal dalam hal ini menggunakan linear quadratic regulator (LQR) digunakan untuk melihat step respon sistem. Pada penelitian ini, modul identifikasi sistem Motor DC dengan Arduino dikembangkan untuk memudahkan dalam hal mendapatkan model Motor DC dengan cara pendekatan model orde satu dan dua. Modul ini terintegrasi antara Arduino dengan Simulink Matlab yang digunakan sebagai akusisi data input output. Hasil dari proses identfikasi sistem berupa model Motor DC dengan pemodelan auto regressive exogenous (ARX) orde dua. Selanjutnya penerapan teknik kendali LQR dengan parameter Matriks elemen Q dicari dengan cara perkalian antara transpose Matriks C sistem dengan Matriks C sistem tersebut. Sedangkan Matriks elemen R di tuning secara eksperimen dengan nilai 0.1. Dari hasil pengujian diperoleh bahwa kendali LQR menghasilkan konstanta waktu respon sistem lebih optimal bila dibandingkan dengan kendali PID sebesar 0.02 detik. Kata Kunci— Identifikasi sistem, Motor DC , LQR. I. PENDAHULUAN Untuk mengetahui dan mempelajari suatu sifat pada sistem diperlukan identifikasi sistem, hal ini diperoleh dengan cara memodelkannya secara matematika berdasarkan sifat-sifat komponennya [1]. Dari hasil identifikasi ini diperoleh transfer function. Dengan model transfer function ini, dapat diketahui sifat respon sistem terhadap berbagai input. Berdasarkan pengetahuan atas sifat sistem tersebut, dapat ditentukan tindakan atau perlakuan yang tepat agar sistem berperilaku sesuai yang diinginkan. Identifikasi sistem merupakan suatu pendekatan eksperimental untuk menentukan model dinamik dari suatu sistem. Secara mendasar sebuah model dibangun dari data yang diamati [2]. Identifikasi suatu sistem merupakan tugas penting dalam penelitian ilmiah sebagai langkah pertama dari setiap analisis sistem [3]. Namun, untuk mendapatkan model diperlukan prosedur yang tidak mudah. Terdapat dua cara dalam hal memperoleh model matematis dari sebuah sistem fisik, yaitu melalui pendekatan analisis dan ekperimen. Ada beberapa teknik dalam hal mendapatkan model suatu sistem Motor DC dengan cara eksperimen. Salah satu diantaranya adalah dengan cara mengamati data masukan dan keluaran dari Motor DC tersebut [4]. Namun ada juga peneliti yang mengguanakan algoritma kecerdaran buatan seperti recurrent neural networks (RNN), metode yang digunakan dengan jaringan syaraf tiruan, dimana model dinamik Motor DC diperoleh dari nilai minimum kesalahan hasil learning dari suatu model Motor DC yang telah diketahui parameternya [5]. Selanjutnya, penelitian pada [6] memanfaatkan tegangan balik pada Motor DC untuk dijadikan variabel masukan dan kecepatan putar Motor DC sebagai variabel keluaran. Hubungan antara masukan dan keluaran dievaluasi dengan sistem identifikasi tool yang terdapat pada Matlab. Motor DC bekerja secara nonlinear terutama saat terjadi diberi variasi beban. Pengendali konvensional, seperti PID kontroller [7–9] sangat umum digunakan karena memiliki performa yang baik dalam mengendalikan sistem linear [10]. Pada [11] memaparkan sistem pengendalian motor induksi menggunakan kontroler PID dengan metode field oriented control (FOC). Metode ini digunakan untuk memperbaiki sinyal kontrol arus torsi di dalam sistem kontroler PID. Selain itu, teknik kendali optimal telah digunakan oleh beberapa peneliti seperti menggunakan linear quadratic regulator (LQR) [12–13]. Pada makalah ini digunakan Motor DC dengan magnet permanen sebagai plant yang akan diidentifikasi serta dikendalikan dengan dengan teknik kendali optimal LQR. Penelitian ini menggunakan identifikasi black box [14], yaitu dengan mengamati input – ouput dari suatu sistem Motor DC. Pada penelitian ini juga dikembangkan modul identifikasi Dosen, Departemen Teknik Elektro dan Informatika, Sekolah Vokasi, Universitas Gadjah Mada, Sekip Unit III, Gd. Herman Yohanes, Yogyakarta 55281, Telp: (0274) 561111; Fax.: (0274) 542908, e-mail: fahmizal@ugm.ac.id Staff Kependidikan, Departemen Teknik Elektro dan Informatika, Sekolah Vokasi, Universitas Gadjah Mada, Sekip Unit III, Gd. Herman Yohanes, Yogyakarta 55281, Telp: (0274) 561111; Fax.: (0274) 542908, e-mail: fahmy.fathuddin@ugm.ac.id ; rudi.susanto@ugm.ac.id 300 Majalah Ilmiah Teknologi Elektro, Vol. 17, No. 2, Mei Agustus 2018 ISSN 1693 – 2951; e-ISSN: 2503-2372 Fahmizal: Identifikasi Sistem Motor DC dan Kendali Linear ... Motor DC dengan menggunakan Arduino dan terintegrasi dengan Simulink-Matlab. II. METODE PENELITIAN A. Metode Identifikasi Dalam sistem kendali, identifikasi sistem pada umumnya dapat digambarkan seperti pada Gambar 1. Langkah-langkah proses identifikasi sistem terdiri atas empat tahap, yaitu [4]: a). Tersedianya data input-output plant yang akan diidentifikasi. b). Pemilihan struktur model. c). Estimasi parameter-parameter model. d). Validasi model yang telah diidentifikasi (struktur dan nilai parameter-parameternya).