Abstrak

Dalam industri minyak dan gas bumi, proses pemisahan suatu bahan cairan dalam rangka meningkatkan nilai produk umumnya dilakukan menggunakan distilasi. Untuk mempertahankan kestabilan proses distilasi, diperlukan algoritma kontrol yang dapat menjaga variabel proses tetap berada pada nilai yang diinginkan. Dalam tugas akhir ini, dilakukan perancangan pengontrol neurofuzzy dan mempelajari pengontrol neuro-fuzzy melalui simulasi. Sistem neuro-fuzzy yang digunakan adalah Adaptive Neuro Fuzzy Inference System (ANFIS). Pengontrol ANFIS dirancang dengan menggunakan metode dinamika invers. Penelitian dilakukan pada kolom distilasi minyak mentah. Untuk menjaga kemurnian produk digunakan instrument analyzer, namun pada pabrik pengolahan minyak mentah tidak memiliki alat tersebut. Pada tugas akhir ini, untuk menjaga kemurnian produk dan menggantikan fungsi instrument analyzer, dapat digunakan pengontrolan temperatur tray atau temperatur produk yang secara tidak langsung menunjukkan kemurnian produk. Hasil simulasi menunjukan bahwa pengontrol ANFIS dinamika invers mampu menjaga kestabilan temperatur. Performansi pengontrol untuk penjejakan nilai referensi pada temperatur atas, temperatur tengah, dan temperatur bawah kolom distilasi adalah sebagai berikut, untuk waktu tunak, 32 menit, 23 menit dan 23 menit, dan untuk konstanta waktu, 11 menit, 8 menit dan 10 menit. Sedangkan performansi pengontrol untuk rejeksi gangguan pada temperatur atas, tengah dan temperatur bawah kolom distilasi adalah sebagai berikut, untuk lonjakan maksimum, 0,4, 0,5 dan 0,5, untuk waktu tunak, adalah 45 menit, 55 menit dan 38 menit, dan untuk redaman 0,21, 0,24 dan 0,21.

Kata kunci : minyak mentah, kolom distilasi, ANFIS, neuro-fuzzy, invers model

1 Pendahuluan

Pada industri pengolahan minyak dan gas bumi, kolom distilasi memegang peranan penting, karena sebagai tempat terjadinya proses pemisahan fraksi-fraksi yang terkandung dalam minyak mentah (crude oil) ke komponen-komponen penyusunnya. Hasil pengolahan pada kolom distilasi menentukan kualitas produk dari kilang minyak tersebut. Oleh sebab itu, pengontrolan dinamika kolom distilasi perlu dilakukan untuk mendapatkan proses yang optimum yaitu menghasilkan kualitas produk dengan tingkat kemurnian yang tinggi. Pada penelitian ini, kolom distilasi yang menjadi objek penelitian adalah kolom distilasi minyak mentah pada pabrik pengolahan minyak mentah di Riau, Indonesia.

Temperatur pada kolom distilasi, pada objek penelitian, menunjukan nilai yang berfluktuasi. Nilai temperatur produk yang berfluktuatif menggambarkan tingkat kemurnian produk keluaran kolom distilasi tidak optimal. Pengontrol yang digunakan pada kolom distilasi tersebut adalah pengontrol PID (Proportional Integral Derivatif). Pengontrol PID akan bekerja dengan baik pada sistem single input single output (SISO). Sedangkan, proses pada kolom distilasi melibatkan banyak variabel dan proses yang terjadi merupakan proses yang multi input multi output (MIMO) dengan keterkaitan yang tinggi antar parameter-parameter di dalamnya. Oleh sebab itu, pada kolom distilasi penelitian ini perlu dirancang pengontrol yang mampu menangani proses MIMO.

Perancangan pengontrol pada kolom distilasi bertujuan agar dapat mengontrol temperatur tray atau temperatur produk yang secara tidak langsung menunjukkan kemurnian produk.

Penelitian mengenai kolom distilasi sebelumnya telah dilakukan oleh Amrizal Nainggolan dengan judul Perancangan Pengontrol Kolom Distilasi Pada Crude Distillation Unit PT. Pertamina RU VI Balongan dengan Jaringan Syaraf Tiruan [14]. Pada penelitian ini, perancangan pengontrol telah diperbaharui dan dikembangkan, identifikasi dan pengontrolan dilakukan dengan Jaringan Syaraf Tiruan (JST) dan sistem fuzzy, pendekatan variabel masukan keluaran lebih variatif dan lebih teliti. Semakin banyak variabel masukan dan keluaran yang dikontrol, pendekatan sistem proses akan lebih baik. Disampin g itu, objek penelitian pada penelitian ini berbeda dengan sebelumnya, sehingga karakteristiknya pun berbeda.

Dengan adanya pengembangan pengontrolan dari penelitian sebelumnya, diharapkan dapat diperoleh sistem kontrol yang lebih handal dan dapat digunakan untuk menangani suatu sistem MIMO.

Pengontrolan kolom distilasi dilakukan dengan fuzzy yang digambarkan dengan arsitektur jaringan syaraf yaitu Adaptive Neuro-Fuzzy Inference System (ANFIS). Salah satu keunggulan ANFIS adalah kemampuan belajar terhadap informasi numerik melalui algoritma pembelajaran (learning algorithm) dan mampu menerjemahkan informasi linguistik dari pengetahuan operator menjadi basis kaidah atau basis aturan.

2 Teori Dasar

2.1 Kolom Distilasi Minyak Mentah

Crude distilation unit (CDU/kolom distilasi) adalah unit yang berfungsi untuk memisahkan fraksi-fraksi yang terkandung dalam minyak mentah (crude oil) dengan cara distilasi. Distilasi minyak bumi adalah proses pemisahan secara fisika komponen-komponen yang terdapat dalam suatu liquid hidrokarbon dengan menggunakan energi panas sebagai energi pemisah sehingga terjadi penguapan berdasarkan range titik didih komponenkomponen tersebut kemudian dilakukan pengembunan di titik embunnya . Sebagian fraksi merupakan produk akhir dan sebagian lagi diolah kembali pada unit berikutnya [3], diagram alir dari kolom distilasi ditunjukkan pada Gambar 1.

Kolom distilasi minyak mentah beroperasi pada tekanan atmosferik yaitu sekitar 1.3 atm. Pada distilasi atmosferik temperatur umpan yang dipanaskan tidak melebihi 330oC, karena di atas temperatur tersebut minyak akan mengalami perengkahan (cracking). Hal ini sangat dihindari karena jika terjadi perengkahan akan membentuk coke yang akan menyumbat peralatan di CDU.

Dalam proses ini, digunakan metode continuous destilation dimana umpan akan terus dialirkan sehingga proses akan berlangsung kontinu. Campuran uap minyak dan liquid akan dialirkan ke bagian bawah kolom, di mana uap minyak akan naik ke atas, sedangkan liquid turun sebagai produk bawah. Uap minyak yang berada dibagian atas akan dikondensasi oleh kondensor, kemudian hasilnya ditampung dalam refluks drum untuk dipisahkan dan sebagian dikembalikan ke bagian atas kolom untuk lebih diperkaya atau persentase pengotornya diperkecil. Sedangkan sisanya keluar sebagai hasil distilat.

Gambar 1 Crude distillation unit

2.2 Adaptive Neuro-Fuzzy Inference System

Sistem inferensi fuzzy yang digunakan adalah model fuzzy Takagi, Sugeno, dan Kang (TSK) orde satu dengan pertimbangan kesederhanaan dan kemudahan dalam perhitungan secara numerik.

Untuk menyederhanakan, diasumsikan bahwa sistem inferensi fuzzy yang dibahas memiliki dua buah masukan yaitu x dan y dan satu keluaran f. Basis aturan dari sistem inferensi fuzzy TSK orde satu, yang berisi sekumpulan aturan if-then, dapat dilihat di bawah ini. Ilustrasi sistem inferensi fuzzy TSK dapat dilihat pada Gambar 2.

Aturan 1: if x is A1 and y is B1 then f1 = \[p1x + q1x + r1\] (1)

Aturan 2 : if x is A2 and y is B2 then f1 = \[p2x + q2x + r2\] (2)

Gambar 2 Inferensi sistem fuzzy Takagi Sugeno-Kang

Gambar 3. Struktur ANFIS

Struktur ANFIS untuk model fuzzy TSK dalam suatu aristektur jaringan syaraf tipe umpan maju (feedfoward) ditunjukan pada Gambar 3, yang terdiri dari lima lapisan. Tiap lapisan terdiri dari beberapa simpul yang dilambangkan dengan kotak atau lingkaran. Simpul pada lapisan yang sama memiliki fungsi yang sama dengan keluaran simpul pada simpul pada simpul l dinotasikan Ol,i, dimana l adalah layer ke l, dan i adalah simpul ke i.

2.2.1 Lapisan 1

Merupakan lapisan yang setiap simpul ke-i nya bersifat adaptif. Lapisan ini mepresentasikan proses fuzzyfikasi atau proses perubahan bilangan yang bersifat tegas

(crisp) menjadi bilangan fuzzy. Untuk keluaran setiap simpul pada lapisan ini memiliki fungsi yang dituliskan pada persamaan

\[O_{1,i} = \mu_{Ai}(x) \text{ untuk } i = 1,2\] (3)

\[O_{1,i} = \mu_{Bi-2}(x) \text{ untuk } i = 3,4\] (4)

Fungsi μAi (x) dan μBi-2 (x) pada persamaan (3) dan (4) merupakan fungsi keanggotaan yang biasanya digunakan fungsi generelized bell yang persamaannya dituliskan pada persamaan (5).

\[\mu_{bell}(x) = \frac{1}{1 + \frac{|x-c|^2b}{c}}\] (5)

Nilai ai, bi, ci, pada persamaan (5) merupakan parameter fungsi keanggotaan, yang nantinya menentukan bentuk dari fungsi keanggotaan tersebut. Ketiga parameter dalam layer pertama tersebut disebut juga dengan parameter premis yang akan berubah selama proses pembelajaran.

2.2.2 Lapisan 2

Lapisan kedua merupakan lapisan yang setiap node-nya bersifat tetap dengan simpul berlambang π. Dimana keluaran setiap simbol ke i-nya adalah hasil perkalian dari setiap sinyal yang masuk ke dalam simpul tersebut, yang fungsinya dituliskan pada persamaan (6).

\[O_{2,i} = w_i = \mu_{Ai}(x).\mu_{Bi}(x)\] untuk \(i = 1,2\) (6)

2.2.3 Lapisan 3

Lapisan ketiga dengan lambang (N) pada simpul-simpulnya merupakan lapisan yang berfungsi menormalisasi setiap keluaran pada lapisan kedua. Fungsi dari setiap simpul ke i dari lapisan ketiga dituliskan pada persamaan (7).

03,i = \[\overline{w_1} = \frac{w_1}{w_1 + w_2}\] untuk i = 1,2 (7)

2.2.4 Lapisan 4

Lapisan keempat merupakan lapisan yang setiap simpul ke i nya bersifat adaptif, dengan keluaran dari setiap simpulnya memiliki fungsi yang dituliskan pada persamaan (8).

\[O_{4,i} = \overline{w_i} \cdot f_i = \overline{w_i} \cdot (p_i \cdot x + q_i \cdot y + r_i)\] untuk \(i = 1,2\) (8)

Pada persamaan (3.5) variabel merupakan keluaran dari layer ketiga. Sedangkan paramater pi, qi, dan ri, merupakan parameter adaptif yang berubah-ubah saat proses pembelajaran, atau dinamakan parameter konsekuen.

2.2.5 Lapisan 5

Lapisan kelima yang merupakan lapisan terakhir dalam arsitektur ANFIS merupakan lapisan yang terdiri dari sebuah simpul tetap dengan lambang (∑). Simpul tersebut mempunyai fungsi untuk menghitung keluarannya berdasarkan jumlah dari keseluruhan lapisan keempat, yang dituliskan pada persamaan (9).

\[O_{5,i} = \sum_{i} \overline{w_i} \cdot f_i = \frac{\sum_{i} f_i}{\sum_{i} w_i}\] (9)

3 Percobaan

3.1 Pemodelan

Pada penelitian ini, untuk memodelkan kolom distilasi, sistem yang digunakan adalah system non-linier. Oleh karena itu, dinamika proses kolom distilasi direpresentasikan dengan struktur Nonlinear Auto Regressive with eXogeneous Variable (NARX) yang dinyatakan dengan persamaan (10).

\[y(t) = F(y(t-1), ..., y(t-n), u(t-d-1), ..., u(t-d-n)) + e(t)\] (10)

Dimana n adalah orde model, d adalah waku tunda, y adalah keluaran proses, u adalah masukan proses, dan F adalah suatu fungsi non-linier. Kolom distilasi pada tugas akhir ini diasumsikan sebagai proses non linier orde satu (n=1) dan tidak memilki waktu tunda (d=0)

Gambar 4 Sistem kolom distilasi

Pada penelitian ini, pemodelan untuk kolom distilasi didekatkan pada 3 masukan dan 3 keluaran, ditunjukkan pada Gambar 4. Tabel 1 menunjukkan variabel-variabel yang digunakan untuk identifikasi sistem dan tag number pada P&ID kolom distilasi minyak mentah objek penelitian.

Tabel 1 Tag Number Masukan dan Keluaran Kolom Distilasi

Untuk mengidentifikasikan sistem kolom distilasi digunakan model arsitektur Multiple Ouput Adaptive Neuro-Fuzzy Inference System (MANFIS), ditunjukkan pada Gambar 5.

Gambar 5 Model proses kolom distilasi MANFIS

Sistem yang diidentifikasikan akan memiliki model yang diilustrasikan pada Gambar 6.

Gambar 6 Validasi model ANFIS 1 (a) ANFIS 2 (b) ANFIS 3 (c)

Untuk mengevaluasi hasil pembelajaran dan pemodelan digunakan fungsi kriteria RMSE (Root Mean Square Error). RMSE adalah rataan error yang digunakan untuk mengkoresi sistem pada saat waktu tunak. Persamaan untuk RMSE :

\[RMSE = \sqrt{\frac{1}{N} \sum_{k=1}^{N} (y_{(k)} - \hat{y}_{(k)})^{2}}\] (11)

\[\%RMSE = \sqrt{\frac{1}{N} \sum_{k=1}^{N} \left( \frac{y_{(k)} - \hat{y}_{(k)}}{y_{(k)}} \right)^2}\] (12)

Tabel 2 Root mean square error kolom distilasi

Dengan nilai RMSE yang hampir mendekati nol, maka pemodelan dapat diterima. Dengan dilakukan pengujian, pemodelan kolom distilasi dengan metode ANFIS telah valid dalam

pendekatan kolom distilasi penelitian ini, serta pemodelan tersebut dapat digunakan dalam perancangan pengontrol dinamika invers pada tahap selanjut nya.

3.2 Perancangan Pengontrol

Pengontrol metode inverse system merupakan sebuah sistem dengan fungsi alih (transfer function) yang berkebalikan dengan fungsi alih sistem yang akan dikontrol. Apabila dinamika sistem yang akan dikontrol mempunyai fungsi alih y = f(x,t) dengan x sebagai masukan dan y sebagai keluaran, maka pengontrol harus dapat membentuk diri sebagai fungsi alih x=g(y,t).

Ilustrasi dari proses perancangan pengontrol (invers model) diperlihatkan pada Gambar 7.

Gambar 7 Perancangan sistem kontrol dinamika invers proses kolom distilasi orde 1

Gambar 8 Pengontrol proses kolom distilasi MANFIS

Terdapat tiga buah model ANFIS, ANFIS kontroler 1 dengan keluaran aliran minyak mentah (m3/jam), ANFIS kontroler 2 dengan keluaran aliran reboiler (m3/jam), ANFIS 3 kontroler dengan keluaran aliran refluks atas (m3/jam). Dimana untuk masukannya adalah masukan sistem saat (t) dan (t+1) serta untuk keluaran sistem saat (t).

4 Simulasi dan Analisis

Simulasi dilakukan dengan konfigurasi ANFIS kontroler dengan invers model sebagai pengontrol dan ANFIS model sebagai sistem kolom distilasi. ANFIS kontroler akan mempunyai enam buah masukan yaitu tiga buah nilai referensi temperatur produk dan mendapat masukan melalui feedback tiga buah nilai keluaran dari sistem kolom distilasi. Simulasi pengontrol dapat dilihat pada Gambar 9.

Gambar 9 Simulasi pengontrol kolom distilasi

4.1 Simulasi Penjejakkan Nilai Referensi

Simulasi penjejakan nilai referensi dilakukan dengan dua kali perubahan nilai referensi naik, satu kali nilai referensi turun dan kembali ke nilai referensi semula.

Gambar 10 Grafik respon sistem saat penjejakan nilai referensi temperatur atas (a) tengah (b) dan bawah (c)

Terlihat pada Gambar 10, perubahan nilai referensi dapat dilakukan sesuai dengan perubahan jumlah produk distilat. Secara keseluruhan, hasil simulasi menunjukan pengontrol ANFIS mampu menanggulangi perubahan nilai referensi.

4.2 Simulasi Rejeksi Gangguan

4.2.1 Simulasi Rejeksi Gangguan terhadap Perubahan Amplituda Aliran Minyak Mentah

Gangguan pertama adalah penambahan dan pengurangan sinyal impuls dengan amplituda 20 m3/jam. Penambahan dan pengurangan dilakukan pada aliaran minyak mentah sebagai masukan kolom distilasi. Pemberian gangguan diberikan pada menit ke 200 dengan menambah amplituda 20 m3/jam, kemudian pada menit ke 400, dilakukan pengurangan aliran amplituda dengan 20 m3/jam, pada menit ke 600, dilakukan penambahan aliran amplituda dengan amplituda 20 m3/jam. Respon rejeksi terhadap gangguan ini dapat dilihat pada Gambar 11.

Gambar 11 Respon rejeksi gangguan 1 untuk (a) temperatur atas kolom (b) temperatur tengah kolom (c) temperatur bawah kolom

Tabel 3 Performansi pengontrol terhadap rejeksi gangguan 1

4.2.2 Simulasi Rejeksi Gangguan terhadap Perubahan Amplituda Aliran Reboiler

Gangguan kedua adalah penambahan dan pengurangan sinyal impuls dengan amplituda 5 m3/jam. Penambahan dan pengurangan dilakukan pada aliran reboiler sebagai masukan kolom distilasi. Pemberian gangguan diberikan pada menit ke 200 dengan menambah amplituda 5 m3/jam, kemudian pada menit ke 400, dilakukan pengurangan aliran amplituda 5 m3/jam dari nilai awal simulasi, pada menit ke 600, dilakukan penambahan aliran amplituda 5 m3/jam. Respon rejeksi terhadap gangguan ini dapat dilihat pada Gambar 12.

Gambar 12 Respon rejeksi gangguan untuk (a) temperatur atas kolom (b) temperatur tengah kolom (c) temperatur bawah kolom

Tabel 4 Performansi pengontrol terhadap rejeksi gangguan 2

Secara keseluruhan, pengontrol ANFIS yang dirancang mampu menjaga nilai referensi yang diberikan. Pengontrol dapat pula mempertahankan nilai temperatur produk kolom distilasi walaupun diberikan rejeksi gangguan yang bervariasi. Pengontrol ANFIS juga memenuhi kriteria nilai performansi yang optimum.

Berdasarkan hasil yang diperoleh dari penelitian ini, dapat disimpulkan :

• 1. Pemodelan ANFIS dapat digunakan untuk memodelkan sistem kolom distilasi minyak mentah. Adapun pemodelannya adalah tiga masukan dan tiga keluaran.
• 2. Bedasarkan pengujian fungsi kriteria, pemodelan sistem kolom distilasi yang dibangun dengan ANFIS telah valid. Dilihat dari nilai RMSE untuk temperatur produk atas kolom (TC-103) adalah 0,050C dan 0.003% , temperatur tengah kolom distilasi (TR-119) adalah 0,020C dan 0,011%, dan temperatur bawah kolom distilasi (TR-121) adalah 0,0110C dan 0,013 %.
• 3. Sistem kontrol dirancang dengan metode ANFIS dinamika invers. Untuk process variable adalah TC-103, TR-119, dan TR-121, sedangkan sinyal kontrol berupa laju aliran minyak mentah (FC-101), aliran reboiler (FC-119) dan laju aliran refluks atas (FC-113).
• 4. Rancangan pengontrol ANFIS dinamika invers pada kolom distilasi memiliki nilai RMSE untuk TC-103 adalah 0,236 0C dan 0,0014 %, TR-119 adalah 0,238 0C dan 0,0014%, dan TR-121 adalah 0,341 0C dan 0,0094%.
• 5. Untuk performansi sistem kontrol dapat dilihat pada Tabel 5.
• 6. Performansi pengontrol untuk rejeksi gangguan pada temperatur atas, tengah dan temperatur bawah kolom distilasi adalah sebagai berikut, untuk overshoot 0,4, 0,5 dan 0,5, untuk settling time adalah 45 menit, 55 menit dan 38 menit, dan untuk redaman 0,21, 0,24 dan 0,21.

5 Daftar Pustaka

• [1] Aswad, Muhammad Yunihar." Perancangan Sistem Kontrol Anti Surge Kompresor Berbasis ANFIS Pada PT. Petrokimia Gresik. Tugas Akhir S1, Program Studi Teknik Fisika, Institut Teknologi Bandung. 2009.
• [2] Dumai Expansion Project. Operating Manual of CDU - Hydro Skimming Complex Unit. Dumai. (tidak diterbitkan). 1982.

• [3] Deshpande. Pradeep B. Distillation Dynamics and Control. United States of America: Instrument Society of America, 1985.
• [4] Fajri, Deafitra. Perancangan Sistem Kontrol Proses Pembakaran Boiler Berbasis ANFIS Pada PT. Pertamina RU IV Balongan. Tugas Akhir S1, Program Studi Teknik Fisika, Institut Teknologi Bandung. 2009.
• [5] Hadisupadmo, Sutanto, "Perancangan dan Implementasi Pengontrol Dekopling pada Kolom Distilasi Biner," Disertasi S3, Institut Teknologi Bandung, Bandung, 2004.
• [6] Halvorsen. Ivar J. Sigurd Skogestad. Distillation Theory. Norwegian University of Science and Technology Department of Chemical Engineering – 7491 Trondheim, Norway, 1999.
• [7] J.-S. Roger Jang. ANFIS: Adaptive-Network-Based Fuzzy Inference Systems. IEEE Transactions on Systems, Man, and Cybernetics, Vol. 23, No. 03, pp 665-685, May 1993.
• [8] J.-S. Roger Jang and C.-T. Sun, "Neuro-Fuzzy Modeling and Control ", The Proceedings of the IEEE, Vol. 83, No. 3, pp 378-406, March 1995.
• [9] J.-S. Roger Jang, C.-T. Sun and E. Mizutani, ``Neuro-Fuzzy and Soft Computing: a computational approach to learning and machine intelligence,'' 1996, to be published by Prentice-Hall.