Studi Analisa Kalman Filter Sebagai State Estimator Untuk Meningkatkan Akurasi Pengukuran Kecepatan Motor DC

Ivan Sutresno Hadi Sujoto; Hari Sutiksno

doi:10.37823/insight.v3i01.96

Authors

Ivan Sutresno Hadi Sujoto Institut Sains dan Teknologi Terpadu Surabaya
Hari Sutiksno Institut Sains dan Teknologi Terpadu Surabaya

DOI:

https://doi.org/10.37823/insight.v3i01.96

Keywords:

Kalman Filter, Noise, State Estimator

Abstract

State estimator merupakan sebuah teknik yang digunakan untuk mengestimasi besarnya suatu sinyal dari suatu data yang telah tercampur dengan noise. Noise tersebut dapat terjadi pada proses di dalam suatu plant (motor DC) maupun pada pembacaan oleh sensor, yang menyebabkan nilai yang sesungguhnya dari suatu sinyal tidak dapat diketahui dengan akurat. Sinyal yang tercampur dengan noise tersebut dapat direduksi dengan berbagai cara, di antaranya adalah dengan menggunakan Kalman Filter. Kalman Filter merupakan sebuah state estimator yang merupakan filter linier terbaik (bila semua syarat terpenuhi) dengan menggunakan konsep Minimum Mean Square Error (MMSE).

Dalam tugas akhir ini akan diuji coba dan diamati manfaat Kalman Filter untuk mengestimasi nilai kecepatan motor DC yang sesungguhnya bila sistem tersebut bekerja pada kondisi yang bernoise. Sebagai pembanding, dalam tugas akhir ini akan diuji coba juga teknik pemfilteran data yang lain untuk dibandingkan performansinya terhadap Kalman Filter.

Pengujian dilakukan dengan menggunakan program Matlab dengan cara memberikan noise ke dalam sistem. Hasil uji coba menunjukkan bahwa Kalman Filter mampu mereduksi error pada pengukuran kecepatan motor DC hingga kurang dari 0.5 rad/sec hanya dalam waktu 0.025 detik.

References

Abut, T., 2016, Modeling And Optimal Control Of A DC Motor, International Journal Of Engineering Trends And Technology, Vol. 32, No. 3, Turkey : Mus Alparslan University.

Aji, S., 2001, Studi Analisa Dan Desain Kontroller Digital Untuk Pengaturan Kecepatan Motor DC, Indonesia : Sekolah Tinggi Teknik Surabaya.

Al-Odienat, AI., Al-Mbaideen, A., 2015, Optimal Length Determination Of The Moving Average Filter For Power System Application, International Journal Of Innovative Computing, Information, And Control, Vol. 6, No. 2, Jordan : Mutah University.

Ananthasayanam, MR., 2018, Tuning Of The Kalman Filter Using Constant Gain, India : Indian Institute Of Science

Brown, RG., Hwang, PYC., 1997, Introduction To Random Signals And Applied Kalman Filtering, Edisi ketiga, United States Of America : John Wiley & Sons, Inc.

Faragher, R., 2012, Understanding The Basis Of The Kalman Filter Via A Simple And Intuitive Derivation, IEEE Signal Processing Magazine.

Larassati, D., Sirenden, BH., Qiyaman, D., Perbandingan Kalman Filter Dan Moving Average Pada Sistem Data Akusisi Pengukuran Suhu, Indonesia : Puslit Metrologi LIPI.

Lu, Y., 2006, Clock Steering System Making Use Of GPS Time Transfer, Munich : Technische Universitat Munchen

Ma, L., Wang, H., Chen, J., 2010, Analysis Of Kalman Filter With Correlated Noise Under Different Dependence, Journal Of Information & Computational Science, Vol. 7, No. 5, China : Xidian University.

Pateriya, U., Srivastava, A., Singh, R., Singh, BV., 2015, A Review On Noise Reduction Of Brushed DC Motor, International Journal Of Recent Scientific Research, Vol. 6, Issue 5, India : GB Pant University Of Agriculture & Technology.

Rautela, K., Bhakuni, AS., Sunori, S., 2017, Continuous Time State Space Model Of DC Motor Using Kalman Filter, International Journal On Emerging Technologies, India : Department Of ECE.

Rhudy, MB., Salguero, RA., Holappa, K., 2017, A Kalman Filtering Tutorial For Undergraduate Students, International Journal Of Computer Science & Engineering Survey, Vol. 8, No. 1, United States Of America : Pennsylvania State University.

Shadkam, M., Mojallali, H., Member IACSIT, Bostani, Y., 2013, Speed Control Of DC Motor Using Extended Kalman Filter Based Fuzzy PID, International Journal Of Information And Electronics Engineering, Vol. 3, No. 1.

Stallings, WM., Gillmore, GM., 1971, A Note On "Accuracy" And "Precision", Journal Of Educational Measurement, Vol. 8, No. 2, Illinois : University Of Illinois.

Tanizaki, H., 1993, Kalman Filter Model With Qualitative Dependent Variables, The Review Of Economics And Statistics, Vol. 75, Issue 4, United States Of America : MIT Press.