Strategi Pengaturan Torsi pada Hybrid Electric Vehicle (HEV) Menggunakan Metode Neuro-Fuzzy Prediktif
2015 Seminar Teknologi dan Rekayasa (SENTRA)
ISBN: 978-979-796-238-6
Strategi Pengaturan Torsi pada Hybrid Electric Vehicle (HEV)
Menggunakan Metode Neuro-Fuzzy Prediktif
Aulia Rahma Annisa1, Mochammad Rameli2, Rusdhianto Effendi A.K.3
1,2,3 Institut Teknologi Sepuluh Nopember Surabaya
Kontak Person:
Aulia Rahma Annisa
Gunung Anyar Tengah No.16
Surabaya, 60294
Telp: 08563456745, E-mail: aulia.rahma.annisa1@gmail.com
Abstrak
Hybrid Electric Vehicle (HEV) adalah kendaraan yang memiliki dua sumber tenaga, yaitu motor
bakar dan motor listrik. Motor bakar sebagai penggerak utama memiliki kapasitas yang lebih rendah
dibandingkan kendaraan konvensional karena dibantu oleh kerja dari motor listrik. Motor listrik
berperan membantu motor bakar mencapai torsi dan kecepatan sesuai dengan yang diinginkan.
Pengaturan torsi pada HEV berperan dalam hal seberapa besar torsi yang dibutuhkan oleh motor
listrik untuk membantu kinerja dari motor bakar. Pada saat motor bakar tidak mampu
mempertahankan kecepatan, maka motor listrik akan membantu memberikan tenaga. Untuk mengatasi
permasalahan yang ada pada HEV dalam hal strategi pengaturan torsi, pada penelitian ini digunakan
metode neuro-fuzzy. Kontroler neuro-fuzzy memiliki keunggulan pada kemampuan adaptasi. Pada
penelitian menggunakan multi-input neuro-fuzzy invers model yang bertujuan untuk mendapatkan
hasil estimasi torsi. Sehingga nantinya dapat diketahui berapa besar torsi yang dibutuhkan agar
dapat mencapai kecepatan yang diinginkan. Berdasarkan hasil pengujian didapatkan respon
kecepatan HEV yang dapat mencapai referensi yang diberikan dan cepat melakukan proses adaptasi
terhadap perubahan parameter sistem. Sehingga kontroler neuro-fuzzy prediktif yang telah dirancang
dapat melakukan strategi pengaturan torsi pada HEV untuk mencapai kecepatan yang diinginkan.
Kata Kunci: Hybrid Electric Vehicle (HEV), Strategi Pengaturan Torsi, Neuro-Fuzzy, Multi-input
Neuro-Fuzzy Invers Model.
Pendahuluan
Hybrid Electric Vehicle (HEV) adalah kendaraan yang memiliki minimal dua sumber energi
yang berbeda. Kombinasi yang paling umum saat ini adalah sebuah mesin pembakaran internal dan
baterai listrik. HEV menggunakan mesin bakar (ICE) dengan kapasitas yang lebih kecil dibandingkan
kendaraan konvensional, hal ini mengakibatkan penggunaan bahan bakar menjadi lebih hemat. Pada
saat mesin bakar tidak mampu mempertahankan kecepatan maka motor DC akan membantu
memberikan tenaga, sehingga dengan menggunakan bahan bakar yang sedikit kendaraan masih dapat
mempertahankan performa terbaiknya [1].
Terdapat beberapa permasalahan yang ada pada HEV, diantaranya adalah bagaimana cara agar
motor listrik dapat bekerja secara optimal dalam hal membantu motor bakar untuk mencapai
kecepatan yang diinginkan. Salah satu cara untuk mengatasi permasalahan tersebut adalah strategi
pengaturan torsi pada HEV [2], [3]-[5]. Strategi pengaturan torsi pada dasarnya adalah pengaturan
arus, sehingga dapat diperkiran berpakah nilai arus yang terukur pada HEV apabila diberikan variasi
beban yang diberikan.
Dari berbagai uraian di atas, maka pada penelitian ini membahas startegi pengaturan torsi pada
HEV menggunakan metode neuro-fuzzy dengan menggunakan multi-input neuro-fuzzy invers model
yang diharapkan dapat memberikan suatu strategi pengaturan torsi yang baru pada HEV berdasarkan
pada penelitian-penelitian yang telah dilakukan sebelumnya. Untuk menyelesaikan permasalahan
terkait dengan strategi pengaturan ini akan dilakukan dengan menggunakan metode neuro-fuzzy.
Penggunaan metode neuro-fuzzy berkaitan dengan kemampuan dari metode ini dalam hal penalaran
serta pembelajaran pada saat terjadinya perubahan parameter yang ada dalam sistem, terutama dalam
SENTRA
IV-11
2015 Seminar Teknologi dan Rekayasa (SENTRA)
ISBN: 978-979-796-238-6
hal ini perubahan parameter pada saat terjadi perubahan kecepatan. Diharapkan pada saat terjadi
perubahan parameter, kontroler dapat dengan cepat mengatasinya menggunakan metode pembelajaran
yang telah dirancang.
Metode Penelitian
HEV merupakan suatu kendaraan dengan penggerak berupa gabungan antara Internal
Combustion Engine (ICE) dan motor DC. Simulator HEV yang digunakan pada penelitian ini
mengambil prinsip yang sama dengan HEV. Simulator HEV yang digunakan menggunakan
konfigurasi paralel, dimana ICE bertindak sebagai penggerak utama sedangkan motor DC bertindak
sebagai penggerak pembantu ketika proses akselerasi dan pemberian beban. Gambar 1 berikut
merupakan bentuk fisik simulator HEV.
Gambar 1. Simulator HEV
Strategi pengaturan torsi pada dasarnya adalah pengaturan arus, sehingga dapat diperkirakan
besar arus yang dibutuhkan untuk dapat mencapai torsi yang diinginkan. Oleh karena itu terdapat
estimator untuk pengukuran torsi. Dari blok diagram sistem terdapat multi-input neuro-fuzzy invers
model yang digunakan untuk mengestimasi torsi. Konfigurasi sistem kontrol pada penelitian ini
ditunjukkan oleh Gambar 2.
Gambar 2. Blok Diagram Sistem
Identifikasi dan Pemodelan Sistem
Proses identifikasi bertujuan untuk mencari parameter-parameter dari sistem. Prameterparameter yang sudah didapatkan digunakan untuk membuat model matematis dari sistem. Pada
penelitian ini, identifikasi ICE dilakukan dengan menggunakan metode strejc [6]. Metode strejc
adalah salah satu metode identifikasi yang dilakukan dengan cara menarik garis singgung pada respon
plant.
Identifikasi ICE dilakukan pada saat pembebanan nominal. Pembebanan nominal dilakukan
dengan memberikan tambahan beban dari rem elektromagnetik sebesar 40 V. Nilai
merupakan
nilai bukaan throttle yang didapatkan dengan menginjak pedal gas hingga kecepatan putar 1500 rpm.
Dari hasil respon Respon kecepatan putar ICE dengan beban nominal selanjutnya dilakukan
perhitungan pendekatan model dengan menggunakan metode strejc. Persamaan berikut adalah hasil
fungsi transfer ICE menggunakan metode strejc.
IV-12
SENTRA
2015 Seminar Teknologi dan Rekayasa (SENTRA)
ISBN: 978-979-796-238-6
(1)
Gambar 3 berikut adalah hasil identifikasi dan pemodelan ICE dengan metode strejc.
Gambar 3. Hasil Identifikasi dan Pemodelan ICE
Pada penelitian ini digunakan motor DC dengan konfigurasi paralel. Motor DC dengan
konfigurasi paralel memiliki karakteristik non linier terhadap arus jangkar, arus medan, dan torsi
motor. Blok diagram motor DC konfigurasi paralel dapat dilihat pada Gambar 4.
Gambar 4. Blok Diagram Motor DC Konfigurasi Paralel
Perancangan Kontroler Neuro-Fuzzy [7]
Pada penelitian ini digunakan kontroler Neuro Fuzzy untuk mengatur torsi dari HEV. Kontroler
Neuro Fuzzy digunakan untuk mengatur batas nilai referensi torsi dari selisih kecepatan referensi
dengan kecepatan aktual. Kontroler Neuro Fuzzy yang digunakan adalah kontroler Neuro Fuzzy
Larsent karena hanya diperlukan perbaikan nilai tengah dari himpunan pendukung sinyal kontrol dan
rule base yang digunakan tetap.
Gambar 5 menunjukkan struktur kontroler Neuro Fuzzy Larsent dengan 5 buah himpunan
pendukung. Pada struktur tersebut terdapat 1 lapisan masukkan, 5 lapisan hidden dan 1 lapisan
keluaran.
R11
ue1
R12
R13
ue2
R14
R15
e
ue3
R21
R22
ue4
R23
R24
ue5
Uy1
R25
R31
Uy2
Zn
R32
Uy3
*/
R33
y
R34
ude1
Uy4
Zd
R35
R41
Uy5
ude2
R42
R43
de
ude3
R44
R45
ude4
R51
R52
ude5
R53
R54
R55
Gambar 5. Struktur Neuro-Fuzzy
SENTRA
IV-13
2015 Seminar Teknologi dan Rekayasa (SENTRA)
ISBN: 978-979-796-238-6
Pada tahap Forward Propagation dilakukan perhitungan untuk memperoleh nilai dari sinyal
kontrol. Tahapan ini terdiri dari 5 lapisan yang setiap lapisan berisi proses perhitungan fuzzy.
Lapisan 1:
Lapisan pertama merupakan lapisan masukkan dari error dan delta error, dengan nilai bobot 1.
Hasil keluaran pada proses ini diperoleh dari Persamaan 2 dan akan menjadi masukkan pada lapisan
kedua yang akan melakukan proses fuzzifikasi.
(2)
O1,1=e , O2,1=de
Lapisan 2:
Lapisan kedua berfungsi sebagai membership function untuk mengekspresikan nilai linguistik
dari variabel linguistik masukkan. Lapisan ini menjalankan proses fuzzifikasi, misalnya jika digunakan
fungsi segitiga maka persamaan dalam node ini seperti pada Persamaan 3 dengan masukkan node dari
Persamaan 4.
μe
NB
NS
Z
(a)
μde
PS
PB
NB
e
NS
Z
PS
(b)
PB
de
Gambar 6. Fungsi Keanggotan : (a) error; (b) delta error
O1,1
xi,2 =
O2,1
0
xi,2 -a
Oi,2 = b-a
c-xi,2
c-b
0
;untuk i=1,2,...,n
(3)
;untuk i=1,2,...,m
(4)
x
ISBN: 978-979-796-238-6
Strategi Pengaturan Torsi pada Hybrid Electric Vehicle (HEV)
Menggunakan Metode Neuro-Fuzzy Prediktif
Aulia Rahma Annisa1, Mochammad Rameli2, Rusdhianto Effendi A.K.3
1,2,3 Institut Teknologi Sepuluh Nopember Surabaya
Kontak Person:
Aulia Rahma Annisa
Gunung Anyar Tengah No.16
Surabaya, 60294
Telp: 08563456745, E-mail: aulia.rahma.annisa1@gmail.com
Abstrak
Hybrid Electric Vehicle (HEV) adalah kendaraan yang memiliki dua sumber tenaga, yaitu motor
bakar dan motor listrik. Motor bakar sebagai penggerak utama memiliki kapasitas yang lebih rendah
dibandingkan kendaraan konvensional karena dibantu oleh kerja dari motor listrik. Motor listrik
berperan membantu motor bakar mencapai torsi dan kecepatan sesuai dengan yang diinginkan.
Pengaturan torsi pada HEV berperan dalam hal seberapa besar torsi yang dibutuhkan oleh motor
listrik untuk membantu kinerja dari motor bakar. Pada saat motor bakar tidak mampu
mempertahankan kecepatan, maka motor listrik akan membantu memberikan tenaga. Untuk mengatasi
permasalahan yang ada pada HEV dalam hal strategi pengaturan torsi, pada penelitian ini digunakan
metode neuro-fuzzy. Kontroler neuro-fuzzy memiliki keunggulan pada kemampuan adaptasi. Pada
penelitian menggunakan multi-input neuro-fuzzy invers model yang bertujuan untuk mendapatkan
hasil estimasi torsi. Sehingga nantinya dapat diketahui berapa besar torsi yang dibutuhkan agar
dapat mencapai kecepatan yang diinginkan. Berdasarkan hasil pengujian didapatkan respon
kecepatan HEV yang dapat mencapai referensi yang diberikan dan cepat melakukan proses adaptasi
terhadap perubahan parameter sistem. Sehingga kontroler neuro-fuzzy prediktif yang telah dirancang
dapat melakukan strategi pengaturan torsi pada HEV untuk mencapai kecepatan yang diinginkan.
Kata Kunci: Hybrid Electric Vehicle (HEV), Strategi Pengaturan Torsi, Neuro-Fuzzy, Multi-input
Neuro-Fuzzy Invers Model.
Pendahuluan
Hybrid Electric Vehicle (HEV) adalah kendaraan yang memiliki minimal dua sumber energi
yang berbeda. Kombinasi yang paling umum saat ini adalah sebuah mesin pembakaran internal dan
baterai listrik. HEV menggunakan mesin bakar (ICE) dengan kapasitas yang lebih kecil dibandingkan
kendaraan konvensional, hal ini mengakibatkan penggunaan bahan bakar menjadi lebih hemat. Pada
saat mesin bakar tidak mampu mempertahankan kecepatan maka motor DC akan membantu
memberikan tenaga, sehingga dengan menggunakan bahan bakar yang sedikit kendaraan masih dapat
mempertahankan performa terbaiknya [1].
Terdapat beberapa permasalahan yang ada pada HEV, diantaranya adalah bagaimana cara agar
motor listrik dapat bekerja secara optimal dalam hal membantu motor bakar untuk mencapai
kecepatan yang diinginkan. Salah satu cara untuk mengatasi permasalahan tersebut adalah strategi
pengaturan torsi pada HEV [2], [3]-[5]. Strategi pengaturan torsi pada dasarnya adalah pengaturan
arus, sehingga dapat diperkiran berpakah nilai arus yang terukur pada HEV apabila diberikan variasi
beban yang diberikan.
Dari berbagai uraian di atas, maka pada penelitian ini membahas startegi pengaturan torsi pada
HEV menggunakan metode neuro-fuzzy dengan menggunakan multi-input neuro-fuzzy invers model
yang diharapkan dapat memberikan suatu strategi pengaturan torsi yang baru pada HEV berdasarkan
pada penelitian-penelitian yang telah dilakukan sebelumnya. Untuk menyelesaikan permasalahan
terkait dengan strategi pengaturan ini akan dilakukan dengan menggunakan metode neuro-fuzzy.
Penggunaan metode neuro-fuzzy berkaitan dengan kemampuan dari metode ini dalam hal penalaran
serta pembelajaran pada saat terjadinya perubahan parameter yang ada dalam sistem, terutama dalam
SENTRA
IV-11
2015 Seminar Teknologi dan Rekayasa (SENTRA)
ISBN: 978-979-796-238-6
hal ini perubahan parameter pada saat terjadi perubahan kecepatan. Diharapkan pada saat terjadi
perubahan parameter, kontroler dapat dengan cepat mengatasinya menggunakan metode pembelajaran
yang telah dirancang.
Metode Penelitian
HEV merupakan suatu kendaraan dengan penggerak berupa gabungan antara Internal
Combustion Engine (ICE) dan motor DC. Simulator HEV yang digunakan pada penelitian ini
mengambil prinsip yang sama dengan HEV. Simulator HEV yang digunakan menggunakan
konfigurasi paralel, dimana ICE bertindak sebagai penggerak utama sedangkan motor DC bertindak
sebagai penggerak pembantu ketika proses akselerasi dan pemberian beban. Gambar 1 berikut
merupakan bentuk fisik simulator HEV.
Gambar 1. Simulator HEV
Strategi pengaturan torsi pada dasarnya adalah pengaturan arus, sehingga dapat diperkirakan
besar arus yang dibutuhkan untuk dapat mencapai torsi yang diinginkan. Oleh karena itu terdapat
estimator untuk pengukuran torsi. Dari blok diagram sistem terdapat multi-input neuro-fuzzy invers
model yang digunakan untuk mengestimasi torsi. Konfigurasi sistem kontrol pada penelitian ini
ditunjukkan oleh Gambar 2.
Gambar 2. Blok Diagram Sistem
Identifikasi dan Pemodelan Sistem
Proses identifikasi bertujuan untuk mencari parameter-parameter dari sistem. Prameterparameter yang sudah didapatkan digunakan untuk membuat model matematis dari sistem. Pada
penelitian ini, identifikasi ICE dilakukan dengan menggunakan metode strejc [6]. Metode strejc
adalah salah satu metode identifikasi yang dilakukan dengan cara menarik garis singgung pada respon
plant.
Identifikasi ICE dilakukan pada saat pembebanan nominal. Pembebanan nominal dilakukan
dengan memberikan tambahan beban dari rem elektromagnetik sebesar 40 V. Nilai
merupakan
nilai bukaan throttle yang didapatkan dengan menginjak pedal gas hingga kecepatan putar 1500 rpm.
Dari hasil respon Respon kecepatan putar ICE dengan beban nominal selanjutnya dilakukan
perhitungan pendekatan model dengan menggunakan metode strejc. Persamaan berikut adalah hasil
fungsi transfer ICE menggunakan metode strejc.
IV-12
SENTRA
2015 Seminar Teknologi dan Rekayasa (SENTRA)
ISBN: 978-979-796-238-6
(1)
Gambar 3 berikut adalah hasil identifikasi dan pemodelan ICE dengan metode strejc.
Gambar 3. Hasil Identifikasi dan Pemodelan ICE
Pada penelitian ini digunakan motor DC dengan konfigurasi paralel. Motor DC dengan
konfigurasi paralel memiliki karakteristik non linier terhadap arus jangkar, arus medan, dan torsi
motor. Blok diagram motor DC konfigurasi paralel dapat dilihat pada Gambar 4.
Gambar 4. Blok Diagram Motor DC Konfigurasi Paralel
Perancangan Kontroler Neuro-Fuzzy [7]
Pada penelitian ini digunakan kontroler Neuro Fuzzy untuk mengatur torsi dari HEV. Kontroler
Neuro Fuzzy digunakan untuk mengatur batas nilai referensi torsi dari selisih kecepatan referensi
dengan kecepatan aktual. Kontroler Neuro Fuzzy yang digunakan adalah kontroler Neuro Fuzzy
Larsent karena hanya diperlukan perbaikan nilai tengah dari himpunan pendukung sinyal kontrol dan
rule base yang digunakan tetap.
Gambar 5 menunjukkan struktur kontroler Neuro Fuzzy Larsent dengan 5 buah himpunan
pendukung. Pada struktur tersebut terdapat 1 lapisan masukkan, 5 lapisan hidden dan 1 lapisan
keluaran.
R11
ue1
R12
R13
ue2
R14
R15
e
ue3
R21
R22
ue4
R23
R24
ue5
Uy1
R25
R31
Uy2
Zn
R32
Uy3
*/
R33
y
R34
ude1
Uy4
Zd
R35
R41
Uy5
ude2
R42
R43
de
ude3
R44
R45
ude4
R51
R52
ude5
R53
R54
R55
Gambar 5. Struktur Neuro-Fuzzy
SENTRA
IV-13
2015 Seminar Teknologi dan Rekayasa (SENTRA)
ISBN: 978-979-796-238-6
Pada tahap Forward Propagation dilakukan perhitungan untuk memperoleh nilai dari sinyal
kontrol. Tahapan ini terdiri dari 5 lapisan yang setiap lapisan berisi proses perhitungan fuzzy.
Lapisan 1:
Lapisan pertama merupakan lapisan masukkan dari error dan delta error, dengan nilai bobot 1.
Hasil keluaran pada proses ini diperoleh dari Persamaan 2 dan akan menjadi masukkan pada lapisan
kedua yang akan melakukan proses fuzzifikasi.
(2)
O1,1=e , O2,1=de
Lapisan 2:
Lapisan kedua berfungsi sebagai membership function untuk mengekspresikan nilai linguistik
dari variabel linguistik masukkan. Lapisan ini menjalankan proses fuzzifikasi, misalnya jika digunakan
fungsi segitiga maka persamaan dalam node ini seperti pada Persamaan 3 dengan masukkan node dari
Persamaan 4.
μe
NB
NS
Z
(a)
μde
PS
PB
NB
e
NS
Z
PS
(b)
PB
de
Gambar 6. Fungsi Keanggotan : (a) error; (b) delta error
O1,1
xi,2 =
O2,1
0
xi,2 -a
Oi,2 = b-a
c-xi,2
c-b
0
;untuk i=1,2,...,n
(3)
;untuk i=1,2,...,m
(4)
x