1 Pendahuluan

Dalam industri proses kimia seperti PT. Petrokimia Gresik diperlukan uap panas ( steam) sebagai penunjang energi pabrik sintesa Amoniak maupun pupuk Urea. Kebutuhan uap panas (steam) dapat dipenuhi oleh boiler yang merupakan sistem pembangkit uap dengan pemanfaatan energi panas untuk mengubah air menjadi uap panas (steam). Secara umum boiler terdiri dari dua komponen utama, yaitu tungku pembakaran dan sistem pengatur aliran air umpan. Pada tungku pembakaran udara dan bahan bakar akan tercampur dan menghasilkan energi untuk memanaskan air menjadi uap. Sistem pembangkit ini memperoleh energi panas dari pembakaran langsung atau kalor dari sistem yang lain.

Optimisasi boiler dapat dilakukan dengan meninjau sistem pembakaran pada boiler. Optimisasi dilakukan dengan cara mengurangi jumlah kandungan oksigen setelah terjadi pembakaran menjadi hilang atau sekecil mungkin dan mengkompensasinya dengan performansi dari sistem. Hal ini dilakukan dengan meminimalkan sisa udara pembakaran (excess air) dan mengatur sekecil mungkin energi yang dibuang ke atmosfer. Sisa udara pada pembakaran tidak mungkin bernilai nol karena belum ada tungku pembakaran yang bisa mencampur udara dan bahan bakar secara sempurna, sehingga dalam setiap pembakaran masih terdapat sisa bahan bakar yang tidak terbakar dan oksigen yang belum terikat dengan karbon [2].

Sistem identifikasi dengan menggunakan metode jaringan syaraf tiruan (JST), JST adalah salah satu cara identifikasi yang mengadaptasi dari jaringan syaraf manusia. Sedangkan untuk optimisasinya menggunakan pengontrol jaringan syaraf tiruan dan algoritma genetik (GA) untuk meningkatan performansi pengontrol. Algoritma genetik adalah suatu metode pencarian solusi optimal secara stokastik yang berdasarkan pada mekanisme evolusi dan seleksi alam [2].

2 Prinsip Kerja Boiler

Boiler atau pembangkit uap merupakan suatu unit yang berfungsi untuk menghasilkan uap. Boiler sangat dibutuhkan dalam industri karena uap yang dihasilkan dibutuhkan dalam berbagai proses. Pada PT. Petrokimia Gresik uap yang dihasilkan boiler digunakan untuk menggerakkan turbin sebagai pembangkit listrik dan sebagai bahan baku dalam proses pembuatan pupuk, seperti pembuatan H₂ pada primary reformer dimana uap yang dihasilkan boiler akan direaksikan dengan gas alam. Diagram blok sederhana boiler diperlihatkan pada Gambar 1 berikut ini.

Gambar 1 Diagram blok boiler sederhana

Pada sistem boiler, air diumpankan ke dalam penampung air. Karena air yang ditampung ini mendapatkan masukan kalor yang berasal dari pembakaran bahan bakar, maka lama kelamaan air akan mendidih dan berubah fasa menjadi uap. Uap air ini akan keluar dari boiler dalam keadaan bersuhu tinggi dan bertekanan tinggi.

Teori Dasar 3

3.1 Jaringan Syaraf Tiruan

Sistem Jaringan Syaraf Tiruan (JST) merupakan suatu sistem yang memodelkan cara kerja jaringan syaraf manusia sebagai suatu sistem dinamik nonlinier kontinu yang diharapkan dapat meniru mekanisme otak dan menimbulkan perilaku cerdas. Jaringan ini terdiri dari banyak simpul (node) pemroses yang dianalogikan dengan neuron pada otak. Proses matematis yang ada dalam jaringan ini juga merupakan pendekatan pada cara kerja otak dan memiliki kemampuan belajar dari pengalaman.

Gambar 2 Jaringan syaraf tiruan hidden layer tunggal

Parameter-parameter yang terdapat pada simpul adaptif akan terus diperbaharui dengan menggunakan suatu aturan pembelajaran (learning rule). Pembelajaran parameterparameter yang ada didalam simpul-simpul inilah yang akan mempengaruhi performansi dari jaringan syaraf tiruan (neural network).

3.2 Algoritma Genetik (GA)

Algoritma genetik (GA) adalah suatu metode pencarian solusi optimal secara stokastik yang berdasar pada mekanisme evolusi dan seleksi alam [9]. GA, berbeda dengan teknik optimasi konvensional, dimulai dengan suatu set solusi yang random yang disebut dengan populasi. Setiap individu dalam populasi yang disebut kromosom merepresentasikan sebuah solusi dari suatu persoalan.

Proses pencarian solusi berarti merupakan proses pencarian individu terbaik yang memenuhi solusi setelah dikenakan operator genetik. Solusi yang dikehendaki tersebut, akan selalu memperbaiki dirinya sampai pada kondisi akhir yang diinginkan.

Bebarapa karakteristik dari Algoritma genetik sebagai berikut [1]

• 1. Prinsip Pengkodean Solusi. Solusi adalah sifat fisik yang tampak yang dikodekan ke dalam kromosom. GA memanipulasi isi kromosom, tidak memanipulasi sifat fisik secara langsung.
• 2. GA bekerja pada kumpulan solusi (populasi) yang merupakan kandidat solusi dalam teknik pencarian, dengan kata lain kumpulan individu akan mengalami seleksi alam. yang lebih luas.
• 3. GA hanya menggunakan informasi fungsi fitness yang didapatkan dari fungsi objektif persoalan
• 4. GA menggunakan aturan transisi probabilistik sebagai alat bantu untuk mengarahkan pencarian.

4 Identifikasi Boiler dan Perancangan Sistem

Identifikasi akan dilakukan secara offline dengan menggunakan data yang telah diakuisisi sebelumnya. Telah diakuisi 1000 data masukan dan keluaran saat boiler PT. Petrokimia Gresik beroperasi pada tanggal 26 Februari 2008 . Waktu cacah pengambilan data adalah 1 menit.

Tabel 1 Tag Name Process Variable

Proses identifikasi dilakukan dengan menggunakan jaringan saraf tiruan. Sistem diasumsikan orde 2, dan tanpa waktu tunda. Berdasarkan apriori knowledge ini maka dapat dibentuk struktur jaringan saraf tiruan untuk identifikasi, seperti diperlihatkan pada Gambar 3.

Gambar 3 Struktur JST tanpa hidden layer, hal ini dilakukan agar bobot dari JST dapat disamakan dengan parameter model secara langsung.

Dari data yang tersedia didapat model matematis dari proses boiler sebagai berikut:

\[y_1(t) = 0.00085 u_1(t-1) + 0.545233 u_2(t-1) - 0.0007832 u_1(t-2)\]

\[-0.0242423(t-2) + 0.9762y_1(t-1) + 0.0069y_1(t-2)\] (1)

\[y_2(t) = -0.023886u_1(t-1) + 0.54989u_2(t-1) - 0.021840u_1(t-2)\]

\[+0.006277u_2(t-2) + 0.966459y_2(t-1) + 0.13538y_2(t-2)\] (2)

Gambar 4 sampai Gambar 5 menunjukkan hasil belajar dari identifikasi boiler menggunakan jaringan saraf tiruan dengan rentang data 0 -500.

Gambar4 Hasil belajar tekanan

Gambar 5 Hasil belajar %oksigen

Gambar 6 sampai Gambar 7 menunjukkan hasil validasi dari identifikasi boiler menggunakan jaringan saraf tiruan dengan rentang data 0 -1000.

Gambar 6 Hasil validasi tekanan

Gambar 7 Hasil validasi tekanan

Perbandingan nilai RMSE untuk masing – masing model dapat dilihat pada Tabel 2.

Tabel 2 hasil pemodelan tekanan uap dan % oksigen boiler

5 Perancangan dan Simulasi Pengontrol

5.1 Simulasi pengontrol PID

Hasil pengontrol JST akan dibandingkan dengan pengontrol PID karena sama dengan pengontrol yang ada di PT Petrokimia Gresik. Simulasi PID dilakukan dengan mensimulasikan sistem berdasarkan Process Flow Diagram (PFD) boiler PT. Petrokimia Gresik. PFD saat ini ditunjukkan pada Gambar 8.

Gambar 8 PFD Pengontrol Ratio

5.1.1 Hasil simulasi pengontrol PI kaskade

Gambar 9 Respon step PI

Gambar 10 Respon % oksigen

Gambar 11 Sinyal kontrol

Gambar 12 Respon input berubah

5.2 Simulasi pengontrol jaringan syaraf tiruan (JST)

Sistem pengontrol JST yang digunakan adalah tipe neuro-control skema seri dengan struktur JST ADALINE. Jumlah lapisan yang digunakan ada 2, lapisan masukan, dan lapisan keluaran. Jumlah titik pada lapisan masukan 4 buah, dan lapisan keluaran 2 buah.

Gambar 13. Blok Diagram Pengontrol JST

Algoritma pengontrol JST yang diterapkan mengikuti langkah-langkah sebagai berikut [8]

• 1. Menetapkan nilai awalan W.j, , dan
• 2. Menetapkan nilai set point r(t) dan menghitung nilai keluaran u(t) dan y(t)
• 3. Menghitung nilai . dengan formula

\[\delta = f'(t) e(t) \tag{3}\]

\[e(t) = r(t) - y(t) \tag{4}\]

4. Memperbaharui pembobotan

\[W_{ij}(t + 1) = \eta \delta O_j + \alpha W_{ij}(t)\] (5)

5. t t+1, ulangi langkah kedua

5.2.1 Hasil simulasi pengontrol JST

Gambar 14 Respon step PJST

Gambar 15 Respon % oksigen

Gambar 16 Sinyal kontrol udara

Gambar 17 Sinyal kontrol gas

Gambar 18 Respon input berubah

5.2.2 Hasil simulasi pengontrol JST dengan optimasi algoritma genetik (GA)

Gambar 19 Respon step PJST-GA

Gambar 20 Respon % oksigen

Gambar 21 Sinyal kontrol udara

Gambar 22 Sinyal kontrol gas

Gambar 23 Respon input berubah

Tabel 3 Perbandingan performansi pengontrol jaringan syaraf tiruan dan pengontrol PI

5.3 Perhitungan penghematan biaya operasi dan efisiensi boiler

Penghematan biaya operasi dilakukan terhadap konsumsi bahan bakar gas. Perhitungan penghematan biaya operasi ini dapat dilakukan dengan menggunakan persamaan berikut ini,

Penghematan Biaya=Konsumsi Bahan Bakar× \[\left(1-\frac{E_1}{E_2}\right)\]×harga uap (6)

dengan E1adalah efisiensi pembakaran yang lama, E2adalah efisiensi pembakaran yang baru, konsumsi bahan bakar adalah bahan bakar yang digunakan boiler setiap tahun, dan harga uap adalah harga bahan bakar yang digunakan untuk menghasilkan uap pada suatu boiler ($/1000 m³ uap).

Sedangkan harga uap adalah harga bahan bakar x energi yang diperlukan untuk menghasilkan satu lb uap saturasi x 1/η.

Adapun besaran – besaran yang diperlukan untuk melakukan perhitungan persamaan (6) di atas adalah :

Harga gas $US 12,52 /mmbtu, energi yang diperlukan untuk menghasilkan satu lb uap saturasi 56.979,725 (Btu/m3), E¹ = 80.95 %, E2= 83.63 %, dan konsumsi bahan bakar gas sebesar 1724.232 m3/jam. Berikut adalah perhitungan lengkap kemungkinan besarnya penghematan biaya operasi.

Penghematan biaya = 1724.232 m3/jam x (1 – (80.95/83.63)) x $US 853.027/1000 m³

= $US 47.06/jam

= $US 412,299.3/tahun

6 Kesimpulan

Dalam penelitian ini dihasilkan model matematis untuk sistem pembakaran boiler PT. Petrokimia Gresik dengan dua masukan yaitu aliran udara dan bahan bakar dan dua keluaran yaitu tekanan uap dan sisa oksigen. Optimasi pembakaran dapat meminimalkan sisa oksigen menjadi 2.2% yang sebelumnya 6% - 8%. Sistem kontrol tegar yang dirancang berhasil memperbesar efisiensi boiler dari semula 80.95% menjadi 83.63%. Penghematan yang dapat dilakukan per tahun sebesar $ $US 412,299.3/tahun (acuan harga gas alam adalah $ 12,44 /MMBtu ).

7 Daftar Pustaka

• [1] Liptak, G. Bela. 1999. Optimization of Industrial Unit Processes. CRC press.
• [2] Antony L.S. 2001. Identifikasi Dan Pengontrolan Sistem Dengan Jaringan Syaraf Tiruan Serta Aplikasinya Pada Mini-Plant Proses. Tugas Akhir, Departemen Teknik Fisika, Institutu Teknologi Bandung: tidak diterbitkan.
• [3] Yul Y. Nazzarudin and Indra kurniawan. 2001. Control of a Neutrali zation Process by an adaptive Neuro-Fuzzy Controller with Genetic Algorithm. Proceeding of the 3rd International Conference on Control Theory and Aplications, Pretoria, South Africa.
• [4] Goldberg, D.E. 1989. Genetic Algorithm in Search Optimization and Machine Learning. Addison-Wesley Publishing Co.
• [5] Ogata, Katsuhiko. 2002. Modern Control Engineering 4th edition. New Jersey: Prentice-Hall.
• [6] Dukelow, Sam G. 1991. The Control of Boiler 2nd Edition. Instrument Society of America.
• [7] Norgaard, M. O.Ravn, N.K. Poulsen dan L.K. Hansen. 2000. Neural Networks for Modelling and Control of Dynamic System. London: Springer-Verlag.
• [8] Bien Zeungnam. 2005. Intelligent Control Theory.

[9] Houtz, Allen dan Doug Cooper. The Ratio Control Architecture. Tersedia: www.controlguru.com.