Perancangan Kontroler Lingkungan Termal Climate Chamber Berbasis Jaringan Saraf Tiruan

RIDHAN FADHILAH, Faridah, S.T., M.Sc.; Ir. Agus Arif, M.T.

2020 | Skripsi | S1 TEKNIK FISIKA

Penelitian-penelitan kenyamanan termal membutuhkan kondisi lingkungan termal pada climate chamber (sebagai ruang uji eksperimental) untuk dapat dikondisikan secara otomatis sesuai dengan skema pengujian penelitian. Climate chamber dapat terwujud jika kondisi iklim di dalamnya dapat dikendalikan sesuai dengan kebutuhan skenario penelitian. Oleh karena itu, dibutuhkan suatu sistem kontrol yang mampu mengendalikan lingkungan termal pada climate chamber. Penelitian ini menggunakan sampel data sebanyak 24.000 yang didapatkan dari simulasi IES-VE. Dengan menggunakan data tersebut, dibangun kontroler berbasis jaringan saraf tiruan (JST) untuk mengendalikan suhu ruang (Tdb) dan kelembapan relatif (RH) pada climate chamber. Kontroler dibangun dari model JST dengan menggunakan prinsip model invers dari model plant berdasarkan data simulasi IES-VE. Kontroler dirancang dengan memvariasikan pembagian data pelatihan, fungsi aktivasi, serta banyak neuron pada hidden layer. Model dipilih berdasarkan nilai mean squared error terkecil dari hasil variasi model. Simulasi kontrol dilakukan dengan skenario pemanasan dengan laju 0,625 derajat C. Kinerja hasil simulasi ditinjau melalui nilai steady-state error. Kontroler dibangun dengan menggunakan MATLAB dan disimulasikan dengan menggunakan Simulink. Model JST Kontroler dibangun dengan pembagian data 80% data latih, 10% data validasi, dan 10% data uji. Model JST Kontroler menggunakan fungsi aktivasi hyperbolic tangent dengan algoritma pembelajaran Levenberg-Marquardt. Model JST Kontroler memiliki arsitektur jaringan dengan 1 lapisan tersembunyi (hidden layer) berisi 35 neuron. Hasil perancangan mampu mengendalikan lingkungan termal climate chamber dengan nilai steady-state error sebesar 0,18 derajat C untuk suhu ruang. Akan tetapi, kontroler tidak mampu mengendalikan suhu ruang climate chamber di atas nilai set point 26 derajat C dikarenakan data lingkungan termal dari Model IES-VE kurang mewakili kondisi sistem pada suhu yang tinggi.

Thermal comfort studies require the thermal environment conditions in the climate chamber (as a thermal test room) to be automatically conditioned according to the research test scheme. The climate chamber can be realized if the climatic conditions in it can be controlled according to the needs of the research scenario. Therefore, we need a control system capable of controlling the thermal environment in the climate chamber. This study uses a sample of 24,000 data obtained from the IES-VE simulation. By using this data, a controller based on an artificial neural network (ANN) was built to control air temperature (Tdb) and relative humidity (RH) in the climate chamber. The Controller is designed from the ANN model using the principle of the plant inverse model based on IES-VE simulation data. The controller was designed by varying the distribution of training data, activation functions, and many neurons in the hidden layer. The model is selected based on the smallest mean squared error from the variation in the model. The control simulation is carried out with a heating scenario with a rate of 0.625 degrees C. The performance of the simulation results is reviewed through the steady-state error value. The controller was built using MATLAB and simulated using Simulink. ANN Controller was created by splitting the data into 80% training data, 10% validation data, and 10% testing data. ANN controller uses the hyperbolic tangent activation function with the Levenberg-Marquardt learning algorithm. ANN Controller has a network architecture with one hidden layer containing 35 neurons. The results of the design able to control the thermal environment of the climate chamber with a steady-state error value 0.18 degrees C for room temperature. However, the controller is not able to control the room temperature of climate chamber above the set point value of 26 degrees C because of the thermal environment data from the IES-VE Model does not represent the system conditions at high temperatures.

Kata Kunci : Thermal Environment, Controller, Artificial Neural Network, Climate Chamber