ITBITB

Journal of Engineering and Technological SciencesJournal of Engineering and Technological Sciences

Diperkenalkan algoritma baru secara real-time untuk penyetelan pengendali proporsional, integral, dan diferensial (PID) pada quadcopter. Metode particle swarm optimization (PSO) digunakan untuk mencari ruang solusi quadcopter guna menemukan parameter PID terbaik. Pengendali logika fuzzy (FL) digunakan untuk menyediakan sinyal referensi kecepatan yang sesuai sebagai titik setpoint yang harus dicapai oleh pengendali PID. Desain loop bertingkat ini diusulkan untuk menstabilkan quadcopter, di mana pengendali logika fuzzy berperan dalam loop stabil (loop luar) untuk mengendalikan sudut yang diinginkan, sedangkan pengendali PID berperan dalam loop laju (loop dalam). Akhirnya, parameter PID optimal dihasilkan secara real-time menggunakan algoritma pencarian PSO. Parameter yang dihasilkan berhasil diuji pada setup quadcopter eksperimental di Universitas Yordania.

Diperkenalkan algoritma baru secara real-time untuk penyetelan pengendali proporsional, integral, dan diferensial (PID) pada quadcopter.Metode particle swarm optimization (PSO) digunakan untuk mencari ruang solusi quadcopter guna menemukan parameter PID terbaik.Pengendali logika fuzzy (FL) digunakan untuk menyediakan sinyal referensi kecepatan yang sesuai sebagai titik setpoint yang harus dicapai oleh pengendali PID.Desain loop bertingkat ini diusulkan untuk menstabilkan quadcopter, di mana pengendali logika fuzzy berperan dalam loop stabil (loop luar) untuk mengendalikan sudut yang diinginkan, sedangkan pengendali PID berperan dalam loop laju (loop dalam).Akhirnya, parameter PID optimal dihasilkan secara real-time menggunakan algoritma pencarian PSO.Parameter yang dihasilkan berhasil diuji pada setup quadcopter eksperimental di Universitas Yordania.Algoritma penyetelan PID real-time berbasis PSO berhasil menghasilkan parameter optimal yang meningkatkan kinerja stabilisasi quadcopter secara signifikan.Penelitian lanjutan dapat menguji apakah metode ini masih efektif ketika quadcopter mengalami gangguan eksternal yang lebih kompleks, seperti angin berubah-ubah atau beban tak terduga, dengan mengembangkan algoritma PSO yang mampu beradaptasi secara dinamis terhadap perubahan lingkungan.Selain itu, dapat diteliti bagaimana menggabungkan pembelajaran mesin sederhana untuk memprediksi perilaku quadcopter di berbagai kondisi penerbangan, sehingga parameter PID tidak hanya disetel ulang secara real-time tetapi juga diprediksi sebelumnya berdasarkan pola sejarah.Terakhir, penelitian ini dapat diperluas dengan menerapkan pendekatan serupa pada sistem multi-quadcopter yang bekerja secara kooperatif, misalnya dalam misi formasi penerbangan, untuk melihat apakah penyetelan otomatis berbasis PSO dapat disinkronkan secara terdistribusi antar drone tanpa mengorbankan stabilitas masing-masing unit.Integrasi logika fuzzy sebagai pengendali luar dan PID sebagai pengendali dalam, dikombinasikan dengan penyetelan PSO secara real-time, membuktikan efektivitasnya dalam menangani dinamika nonlinear quadcopter.Diperkenalkan algoritma baru secara real-time untuk penyetelan pengendali proporsional, integral, dan diferensial (PID) pada quadcopter.Metode particle swarm optimization (PSO) digunakan untuk mencari ruang solusi quadcopter guna menemukan parameter PID terbaik.Pengendali logika fuzzy (FL) digunakan untuk menyediakan sinyal referensi kecepatan yang sesuai sebagai titik setpoint yang harus dicapai oleh pengendali PID.Desain loop bertingkat ini diusulkan untuk menstabilkan quadcopter, di mana pengendali logika fuzzy berperan dalam loop stabil (loop luar) untuk mengendalikan sudut yang diinginkan, sedangkan pengendali PID berperan dalam loop laju (loop dalam).Akhirnya, parameter PID optimal dihasilkan secara real-time menggunakan algoritma pencarian PSO.Parameter yang dihasilkan berhasil diuji pada setup quadcopter eksperimental di Universitas Yordania.

Penelitian lanjutan dapat menguji apakah metode ini masih efektif ketika quadcopter mengalami gangguan eksternal yang lebih kompleks, seperti angin berubah-ubah atau beban tak terduga, dengan mengembangkan algoritma PSO yang mampu beradaptasi secara dinamis terhadap perubahan lingkungan. Selain itu, dapat diteliti bagaimana menggabungkan pembelajaran mesin sederhana untuk memprediksi perilaku quadcopter di berbagai kondisi penerbangan, sehingga parameter PID tidak hanya disetel ulang secara real-time tetapi juga diprediksi sebelumnya berdasarkan pola sejarah. Terakhir, penelitian ini dapat diperluas dengan menerapkan pendekatan serupa pada sistem multi-quadcopter yang bekerja secara kooperatif, misalnya dalam misi formasi penerbangan, untuk melihat apakah penyetelan otomatis berbasis PSO dapat disinkronkan secara terdistribusi antar drone tanpa mengorbankan stabilitas masing-masing unit.

  1. Application of Drone in Agriculture. application drone agriculture printwin window open scrollbars width... doi.org/10.20546/ijcmas.2019.801.264Application of Drone in Agriculture application drone agriculture printwin window open scrollbars width doi 10 20546 ijcmas 2019 801 264
  2. PSO-Based Algorithm Applied to Quadcopter Micro Air Vehicle Controller Design. based algorithm applied... doi.org/10.3390/mi7090168PSO Based Algorithm Applied to Quadcopter Micro Air Vehicle Controller Design based algorithm applied doi 10 3390 mi7090168
File size1.2 MB
Pages20
DMCAReportReport

ads-block-test