Process Control Hierarchy – Contoh di Debutanizer

Untuk lebih memahami process control hierarchy yang dibahas pada tulisan sebelumnya, berikut akan diperlihatkan salah satu contohnya yaitu pada unit debutanizer. Debutanizer dipilih karena unit proses ini cukup sederhana. Perlu diketahui bahwa tidak semua komponen Process Control Hierarchy digunakan di unit debutanizer ini, yang ada hanya tiga komponen pertama, yaitu Basic Regulatory Control, Enhanced Regulatory Control dan Advanced Process Control.

Debutanizer: Process Description & Basic Regulatory Control.

Debutanizer merupakan suatu unit proses yang memisahkan komponen C3/C4 (propane/butane) dari produk liquid yang lebih berat. C3/C4 merupakan komponen LPG.

Unit debutanizer terdiri dari Column utama V1, Overhead receiver V2, Reboiler heater H1 dan serangkaian Heat exchanger, Pompa serta peralatan pendukungnya, seperti terlihat pada gambar dibawah ini.

Feed yang umumnya berasal dari unit proses sebelumnya masuk ke Column melalui bagian sampingnya. Di dalam Column akan terjadi proses pemisahan C3/C4 dari liquid yang lebih berat. Liquid akan mengalir ke bagian bawah Column, sedangkan vapor akan naik ke bagian atas Column. Vapor keluar dari bagian atas (overhead) Column, didinginkan di Condencer E1, kemudian masuk  ke Receiver V2 dalam bentuk campuran vapor dan liquid.  Dalam Receiver V2,  vapor dipisahkan dari liquid. Vapor keluar dari V2 dibawah kendali pressure control PC01 menuju ke unit proses lainnya. Liquid dari V2 dikeluarkan dengan pompa P1. Sebagian liquid tersebut dikembalikan ke Column V1 sebagai reflux dibawah kendali temperature control TC02 yang di-cascaded ke FC03, sebagian lainnya sebagai produk LPG (overhead product) dikirim ke unit proses lanjutannya dibawah kendali level control LC04 yang di-cascaded ke FC05.  Sebagian vapor yang naik ke bagian atas Column V1 dihasilkan oleh Reboiler heater H1 dengan mensirkulasi sebagian liquid yang ada di bagian bawah Column V1 kembali ke V1 melalui H1. Sirkulasi reboiler ini menggunakan pompa P2. Liquid (bottom product) dikeluarkan dari bagian bawah Column V1 dengan menggunakan pompa P3 dibawah kendali level control LC06 yang di-cascaded ke FC07, menuju ke unit proses selanjutnya. Heater H1 merupakan 2-pass heater, dimana masing-masing pass dilengkapi dengan flow control FC08 dan FC09. Temperature yang keluar dari H1 dikontrol oleh TC12 yang di-cascaded ke fuel gas flow control FC13 dan Combustion air flow control  FC14.  Konfigurasi control yang dijelaskan ini (seperti yang ada dalam gambar diatas) merupakan basic regulatory control (BRC).

Enhanced Regulatory Control.

Untuk meningkatkan kinerja sistem kontrol dalam mendukung operasi unit Debutanizer diatas, maka dipasang Enhanced Regulatory Control (ERC) untuk melengkapi BRC yang ada. ERC yang dibuat tersebut terdiri dari:

• V1 Internal Reflux Control.
• H1 Pass Temperature Balance Control.
• H1 Fuel Heating Value Compensation.
• H1 Combustion Air Ratio Control.

V1 Internal Reflux Control.  Tujuan V1 Internal Reflux Control adalah untuk memanipulasi (mengubah-ubah) internal reflux dalam rangka menjaga/mengontrol top temperature TC02.  Dengan konfigurasi ini response kontrol akan lebih baik karena internal reflux memberikan response yang lebih cepat dibandingkan dengan external reflux seperti yang digunakan pada konfigurasi BRC.  Internal reflux dihitung dengan menggunakan persamaan berikut: Fint = F * (1 + Cp/Hv * (To – Tr)), dengan F adalah external reflux flow (FI03), Cp adalah reflux heat capacity , Hv adalah reflux heat of vaporization, To adalah overhead temperature (TI15) dan Tr adalah reflux temperature (TI16).   Konfigurasi ERC ini juga dilengkapi dengan switch (HS03) sehingga operator dapat memilih apakah menggunakan ERC (internal reflux control) atau BRC (external reflux control).

H1 Pass Temperature Balance Control.  Tujuan konfigurasi ERC ini adalah untuk menjaga kesetimbangan temperature keluaran yang ada pada kedua pass H1, dengan mempertahankan total flow agar tetap pada suatu nilai tertentu.  Temperature yang setimbang (sama) di kedua pass akan membuat heater lebih efisien dan mengurangi terbentuknya kerak pada kedua pass.  Pass temperature balance control akan menjaga temperature keluaran semua pass agar selalu sama dengan jalan memanipulasi (mengubah-ubah) flow masing-masing pass melalui setpoint yang diberikan ke flow control masing-masing pass.  Prinsip kerja Pass Temperature Balance Control secara garis besar adalah jika temperature keluaran salah satu pass lebih tinggi, maka setoint flow control pass tersebut dinaikan sehingga temperature keluarannya turun, begitu pula sebaliknya.  Pada skema kontrol ini, digunakan delta temperature control (DTC10) dengan aksi integral, yang berfungsi menjaga perbedaan (delta) temperature yang keluar dari kedua pass selalu berharga nol.  Keluaran DTC10 di-cascaded ke flow control masing-masing pass melalui setpoint distribution (FY08A). Apabila pass 1 lebih tinggi dari pass 2 maka setpoint FC08 bertambah dan FC09 berkurang, begitu pula sebaliknya. FY08B merupakan logic untuk Auto/Manual/Cascade transfer termasuk perhitungan untuk bumpless dan ramp changes.  Ini diperlukan karena block FY08A tidak memiliki fitur untuk Auto/Manual/Cascade transfer.

H1 Fuel Heating Value Compensation.  Tujuan skema ERC ini adalah untuk mengkompensasi fuel gas heating value dengan SG fuel gas.  Perubahan fuel gas heating value perlu dikompensasi sehingga diperoleh kandungan panas fuel gas yang masuk lebih konstan.  Dalam skema ini, fuel gas flow dikompensasi terlebih dahulu sebelum digunakan untuk controller, dengan menggunakan persamaan berikut:   F = Fr * ((SG)^0.5 * Hv)/((SGd)^0.5 * HVd); dengan Fr adalah flow fuel gas sebelum kompensasi (FI13); SG adalah SG fuel gas (AI16), SGd adalah design SG fuel gas (konstanta), Hv adalah heating value fuel gas (Hv = 7.2326 * (155 + 1425 * SG)/SG) dan Hvd adalah design heating value fuel gas (Hvd = 7.2326 * (155 + 1425 * SG)/SG ; yang juga sebuah konstanta).  Hand Switch (HS13) digunakan agar operator dapat memilih apakah menggunakan ERC (fuel heating value compensation) atau BRC (tanpa kompensasi).

H1 Combustion Air Ratio Control.   Tujuan skema kontrol ini adalah untuk mengontrol combustion air ratio.  Ketika jenis fuel berubah, operator mengubah nilai ratio sehingga kontrol akan mengubah aliran udara (combustion air flow) secara otomatis.  Ratio juga dapat diubah secara otomatis dengan menghubungkan setpoint (remote setpoint) control ini ke master control, seperti excess O2 control.  Skema kontrol ini juga dilengkapi dengan combustion air temperature compensation (FY14).

 

Advanced Process Control.

Sama seperti sistem kontrol pada umumnya, APC menggunakan beberapa jenis variable, yaitu control variable (CV) merupakan variable yang akan dikontrol termasuk untuk constraint, manipulated variable (MV) merupakan variable yang akan dimanipulasi/diubah-ubah nilainya dalam rangka menjaga CV pada setpointnya atau pada rantangnya. Selain itu, ada disturbance variable (DV) yang merupakan variable yang menggambarkan gangguan yang dapat diukur (measurable disturbance).  Dalam algoritmanya, APC menggunakan model yang menggambarkan hubungan antara MV/DV dengan CV. Berdasarkan nilai CV/DV saat itu yang diperoleh dari ERC, BRC atau kalkulasi dan CV yang ingin dicapai (predictive), APC menghitung besarnya MV yang optimal dan mengirimkan ke ERC atau BRC.

Berikut adalah contoh MV dan CV untuk unit debutanizer (pada contoh ini tidak ada DV):

• MV01 : TC12.SPT – H1 COT Setpoint.
• MV02 : FC05.OUT – LPG Flow Control Valve Position.
• MV03 : PC01.SPT – Overhead Pressure Control Setpoint.
• MV04 : FC14.OUT – H1 Comb Air Control Valve Position.
• CV01 : CL25.Value – Calculation LPG C5 Content.
• CV02 : FC03.SPT – External Reflux Flow Control Setpoint.
• CV03 : FC13.OUT – H1 Fuel Gas Flow Control Valve Position.
• CV04 : AI21.PNT – H1 Flue Gas O2 Content.
• CV05 : TI20.PNT – H1 Stack Temperature.
• CV06 : PI22.PNT – H1 Stack Pressure.
• CV07 : TC02.MEAS – Top Tray Temperature.
• CV08 : CI27. VALUE – H1 Max Tube Skin Temperature.

Tabel berikut adalah model yang digunakan dalam APC. Model ini diperoleh dari hasil step test.

Akhirnya secara lengkap, sistem kontrol pada unit debutanizer adalah seperti pada gambar berikut.

Process Control Hierarchy

Implementasi sistem kontrol dalam industri proses dapat dikelompokan dalam beberapa tingkat/hierarchy. Pengelompokan tingkat atau hierarchy ini didasarkan pada berbagai pertimbangan, antara lainnya yang akan dibahas disini adalah pengelompokan berdasarkan fungsi dan/atau metode yang digunakan, seperti terlihat pada gambar berikut.

 

Tingkat paling bawah adalah Basic Regulatory Control (BRC), yang langsung berhubungan dengan process plant melalui field instruments seperti sensor/transmitter, analyzer dan control valve.   Umumnya BRC merupakan PID feedback control, beberapa diantaranya dilengkapi dengan konfigurasi cascade atau feedforward atau kalkulasi sederhana. BRC dijalankan di Distributed Control System (DCS) atau Fieldbus Control System (FCS) atau single loop controller (baik yang electronic maupun pneumatic).

Tingkat berikutnya  adalah Enhanced Regulatory Control (ERC) atau terkadang disebut dengan low level APC. Konfigurasi ini masih menggunakan PID feedback control sebagai mainnya dan dilengkapi dengan konfigurasi cascade atau feedforward atau kalkulasi yang lebih kompleks dibandingkan dengan BRC.  ERC menerima inputdanmemberikan output ke BRC atau langsung ke field instruments. ERC juka dijalankan di DCS atau FCS.  Terkadang BRC dan ERC sangat sulit untuk dibedakan, sehingga keduanya dianggap berada pada level yang sama dan disebut regulatory control.

Tingkat yang ketiga adalah Advanced Process Control (APC). APC menggunakan process model untuk menghitung sinyal control.  APC memberikan sinyal controlnya berupa target operasi sebagai setpoint untuk ERC dan/atau BRC, serta menerima process variable dan constraint dari ERC dan/atau BRC. Jika ada POC, maka APC akan menerima informasi mengenal target plant/unit dari POC dan memberikan informasi mengenai kondisi plant ke POC.  Salah satu jenis/teknologi APC yang paling banyak digunakan adalah Model Predictive Control (MPC).  Untuk mendukung operasi APC, terkadang diperlukan inferential calculation untuk menghitung/memprediksi nilai process variable  tertentu, misalnya product quality.  APC paling banyak dijalankan di Process Computer (PC workstation atau server), yang terpisah dari DCS/FCS, meskipun ada juga yang dijalankan di level DCS.

Tingkat keempat adalah Process Optimization Control (POC), merupakan online-realtime optimization. POC menggunakan non linear, steady state modeling (regiruous model) & optimization. Ia menerima target operasi dari perencanaan operasi (operation planning & schedulling) baik secara manual maupun secara otomatik, kemudian melakukan simulasi berdasarkan kondisi plant untuk mendapatkan target operasi yang paling optimum untuk masing-masing unit operasi.

Tingkat berikutnya adalah Macro LP, ini adalah aplikasi yang digunakan di tingkat perencanaan operasi (planning & schedulling) untuk mendapatkan target operasi jangka panjang (planning) maupun jangka pendek/harian (schedulling).

Memiliki semua aplikasi seperti yang ada dalam diagram hierarchy diatas adalah hal yang paling ideal.  Jarang sekali suatu plant memiliki semua aplikasi tersebut, umumnya hanya sebagian. Misalnya hanya memiliki BRC, ERC dan Macro LP; atau BRC, ERC dan APC.

SIS : (10) Design Consideration – Separation

Salah satu pertimbangan dalam perancangan SIS (SIS design consideration) adalah isu pemisahan antara SIS dan Sistem Kontrol (Basic Process Control Sistem atau disingkat BPCS).

Pemisahan antara SIS dan BPCS akan mengurangi kemungkinan kedua sstem tersebut rusak (unavailable) pada saat yang bersamaan. Selain itu, pemisahan ini juga bisa mencegah adanya pengaruh perubahan pada BPCS terhadap fungsi SIS. Oleh karena itu secara umum bisa dikatakan bahwa pemisahan antara BPCS dan SIS akan lebih baik dibandingkan dengan jika keduanya disatukan.

Ada dua jenis pemisahan, yaitu identical separation dan diverse separation.  Identical separation adalah pemisahan dengan menggunakan dua jenis sistem yang sama/identik, baik menyangkut teknologi, peralatan atau metode perancangan. Sedangkan diverse separation adalah pemisahan dengan menggunakan dua jenis sistem yang berbeda, baik menyangkut teknologi, peralatan atau metode perancangan.

Identical separation umumnya dapat diterima untuk SIL I. Diverse separation akan memberikan tambahan keuntungan yaitu mengurangi kemungkinan terjadinya systematic error dan mengurangi common cause failure (merupakan faktor yang sangat penting untuk SIL 3).

Terdapat 4 bagian/area dalam SIS-BPCS, dimana pemisahan diperlukan dalam rangka memenuhi persyaratan SIL, yaitu:

• Field sensor.
• Final control element.
• Logic solver.
• Communication (antara SIL dan BPCS).

1.  Pemisahan Sensor:

• SIL 1 : Penggunaan sensor tunggal untuk kedua sistem  SIS dan BPCS sudah memenuhi persyaratan.
• SIL 2 : Identical separation antara SIS dan BPCS sudah memenuhi persyaratan.
• SIL 3 : Identical separation sudah memenuhi persyaratan, tetapi lebih baik jika menggunakan diverse separation.

2.  Final Control Element.

• SIL 1 : Valve tunggal untuk SIS dan BPCS bisa digunakan asalkan unsafe failure rate-nya memenuhi persyaratan safety (safety integrity requirement). Selain itu, perancangannya harus menjamin bahwa aksi SIS harus bisa mengatasi (override) aksi BPCS.
• SIL 2 : Identical separation untuk SIS dan BPCS sudah memenuhi persyaratan.  Sedangkan penggunaan valve tunggal untuk SIS dan BPCS bisa diterima asalkan dilakukan sefety review terlebih dahulu untuk meyakinkan bahwa safety integrity-nya terpenuhi.
• SIL 3 : Identical seperation sudah memenuhi persyaratan, tetapi lebih baik jika menggunakan diverse separation.

3.  Logic Solver.

• SIL 1 : Identical separation atau diverse seperation.
• SIL 2 : Diverse separation, atau identical separation yang membutuhkan safety review terlebih dahulu untuk meyakinkan bahwa safety integrity-nya terpenuhi.
• SIL 3 : Diverse separation.

Untuk kasus khusus dimana tidak mungkin melakukan pemisahan antara SIS dan BPCS (seperti pada sistem kontrol untuk turbin gas), maka diperlukan tambahan pertimbangan berikut:

• Evaluasi terhadap kegagalan/failure dari komponen-komponen yang dipakai bersama (common) dan software, terutama menyangkut pengaruhnya terhadap kinerja SIS.
• Life cycle support (seperti perubahan, pemeliharaan, testing dan dokumentasi) terhadap keseluruhan sistem harus diberlakukan sebagai sebuah SIS.
• Adanya pembatasan akses ke program atau konfigurasi sistem.

4.  Communication.

• No external communication : Diterima untuk semua SIL.
• Hard-wired between BPCS and SIS : Dapat diterima untuk SIL 1 dan SIL 2. Sedangkan untuk SIL 3 diperlukan safety review untuk meyakinkan bahwa safety integrity-nya terpenuhi.
• Read only external communication from SIS to BPCS : Dapat digunakan untuk semual SIL asalkan safety review sudah dilakukan untuk menjamin bahwa tidak ada kompromi terhadap safety. Salah satunya adalah dengan mengukur tingkat proteksi (write protection), antara lain: 1) Hard-wired switch (atau jumper) untuk membatasi akses untuk menulis (write access). 2) Safety function dilakukan di SIS ROM.
• Read/write external communication with write protection of the safety function: Dapat digunakan untuk SIL 1 dan SIL 2 tetapi SIL 3 membutuhkan safety review.  Ukuran tingkat proteksi (write protection) adalah: 1) Pembatasan waktu akses untuk menulis (limited time for write access). 2) Software switch (seperti password) untuk membatasi akses untuk menulis.
• Read/write external communication with limited or no write protection of the safety function: Bisa digunakan untuk SIL 1. Untuk SIL 2 memerlukan safety review. Sedangkan SIL 3 tidak diperbolehkan.

Selamat Idul Fitri 1430 H

Selamat Hari Raya Idul Fitri 1430 H.

Maaf Lahir & Bathin.

 

 

 

.

0.0005 on 5-runs

Bagi yang sehari-hari berkecimpung dengan metering system, pasti tidak asing lagi dengan kata “0.0005 on 5-runs” ini. Dalam proses proving, ia mengandung pengertian dalam 5 kali proving, perbedaan terbesar antara kelima hasil proving tidak boleh lebih dari 0.0005.  Lalu dari mana datangnya angka ini? Mengapa bukan 0.0001 on 5-runs atau 0.05 on 5-runs atau lainnya?  Dalam API MPMS*4.8 App A, dinyatakan bahwa “For the common practice of five proving runs that agree within a range of 0.0005, ….”.  Jadi angka 0.0005 dalam 5 kali proving ini adalah untuk praktisnya, mungkin ini merupakan angka optimal dari pengalaman bertahun-tahun.

Selanjutnya mari kita hitung berapa sebenarnya error (uncertainty) dari 5 kali proving dengan perbedaan terbesar 0.0005 itu?  Karena pengukuran ini bersifat random, maka random error (random uncertainty) dapat dihitung dengan menggunakan rumus statistik berikut:

a = (t  x s)/n^0.5

a adalah random uncertainty, t adalah t-distribution, s adalah standard deviasi dan n adalah jumlah pengukuran. 

API MPMS*4.8 juga menjelaskan bahwa untuk keperluan komersial/custody, confidence level sebesar 95% adalah cukup memadai, sehingga t dalam persamaan diatas dapat ditulis sebagai t(95,n-1).  Sedangkan s dapat dihitung dengan rumus sederhana berikut : s = w(n)/D(n), dengan w(n) adalah rentang nilai (tertinggi – terendah) dan D(n) adalah faktor konversi yang nilainya bergantung pada jumlah pengukuran n, seperti pada tabel berikut:

Sehingga rumus perhitungan random uncertainty diatas dapat ditulis menjadi:

a = (t(95,n-1) x w(n))/(( n^0.5x D(n))

dengan nilai t seperti pada tabel berikut:

Untuk 5 kali proving dengan perbedaan hasil pengukuran terbesar 0.0005 diperoleh a = (2.776 x 0.0005)/( 5^0.5x 2.326) = 0.00027.

Dengan menjaga random error (random uncertainty) tetap pada nilai 0.00027, akan diperoleh perbedaan hasil pengukuran terbesar yang masih bisa diterima untuk jumlah proving dari 3 kali sampai 20 kali, adalah seperti pada tabel berikut:

Jadi apabila pada lima kali proving persyaratan 0.0005 tidak terpenuhi, maka masih bisa dilanjutkan dengan proving ke-6, ke-7 dstnya hingga persyaratan tersebut terpenuhi.

SIS : (9) SIS Conceptual Design

SIS Conceptual Design bertujuan menjelaskanlebih rinci apa yang menjadi persyaratan/kebutuhan seperti yang dijelaskan dalam SIS Requirement Specification.

SIS mungkin hanya terdiri dari sefety function tunggal atau safety function banyak yang dijalankan pada logic solver yang sama (common logic solver).  Apabila beberapa safety function menggunakan common logic solver, maka komponen logic solver yang melayani lebih dari satu safety function harus memenuhi persyaratan SIL yang paling tinggi., sedangkan komponen logic solver yang hanya menangani satu safety function, cukup memenuhi SIL sesuai persyaratan SIL untuk safety function yang dilayani tersebut.

Dalam SIS Conceptual Design, pertimbangan-pertimbangan dalam perancangan (design consideration) yang digunakan harus memenuhi SIL yang telah ditetapkan pada phase sebelumnya. Pertimbangan-pertimbangan tersebut antara lain:

• Separation.
• Redundancy.
• Software design consideration.
• Technology selection.
• Failure rates and failure modes.
• Architecture.
• Power sources.
• Common cause failures.
• Diagnostics.
• Field devices.
• User interface.
• Security.
• Wiring practices.
• Documentation.

Proving pada Ultrasonic Flow Meter

Aliran turbulen dalam pipa sangatlah kompleks. Ia terbentuk dari sejumlah pusaran serta aliran dengan arah yang tidak beraturan lainnya. Turbine meter dan meter jenis mekanikal lainnya dengan sifat kelembamannya dapat menggabungkan/mengintegrasikan aliran turbulen ini, sehingga perubahan yang terjadi pada sebagian aliran pusaran tidak akan mempengaruhi hasil pengukuran. Perubahan hasil pengukuran hanya dipengaruhi oleh perubahan kecepatan alir secara keseluruhan (global flow rate). Hal ini juga akan membuat hasing proving menjadi lebih baik. Kalaupun terjadi sebaran pada hasil proving, ini semata-mata disebabkan oleh perubahan aliran global atau sifat non-linear yang ada pada elemen mekanik meter yang terjadi selama berlangsungnya proving.

Beda dengan meter jenis mekanik seperti dijelaskan diatas, Ultrasonic flow meter (UFM) mengukur kecepatan alir dengan menggunakan pulsa suara yang dikirim melalui satu atau lebih jalur dalam penampang pipa. Dengan cara ini, perubahan yang terjadi pada komponen aliran di jalur tersebut akan terdeteksi sehingga berpengaruh pada hasil pengukuran.  Selain itu, jalur pulsa tidak akan merangkum seluruh area penampang pipa, sehingga jalur pulsa tersebut bisa dianggap sebagai cuplikan (sample) pengukuran untuk keseluruhan aliran (global flow).  Oleh karena itu, hasil proving terhadap UFM lebih menyebar dibandingkan dengan meter jenis mekanik. Akan tetapi karena data hasil pengukuran ini merupakan cuplikan yang bersifat random, maka ia akan terdistribusi di sekitar nilai rata-ratanya.

Konsekuensinya, hasil proving dengan repeatability 0.05% selama 5 kali proving akan lebih sulit diperoleh pada UFM dibandingkan dengan meter jenis mekanik.  Untuk mengatasi permasalahan ini, maka proving pada UFM dilakukan dengan menggunakan prover dengan volume yang lebih besar dan/atau dengan menambah pelaksanaan proving seperti pada tabel berikut.

 

Pengalaman/data di lapangan menunjukan bahwa dengan mengikuti arahan yang ada pada tabel ini, persyaratan repeatability hasil proving sesuai API MPMS Ch 4.8, Tabel A-1 untuk UFM bisa diperoleh.

Ultrasonic Flow Meter (UFM)

Ultrasonic flow meter (UFM) merupakan meter jenis inferensial (mengukur secara tidak langsung) yang menentukan kecepatan alir cairan (liquid flow rate) dengan mengukur waktu transit pulsa suara frekuensi tinggi (high-frequency sound pulses) yang melintasi pipa aliran.  Waktu transit adalah waktu yang diperlukan pulsa suara yang melintasi pipa dalam dua arah, yaitu searah dan berlawanan arah dengan arah aliran.   Perbedaan waktu antara keduanya tersebut sebanding dengan rata-rata kecepatan alir cairan.  Karena pengukuran aliran berdasarkan waktu transit, maka metode ini disebut juga dengan ultrasonic transit time flow meter.

Prinsip Kerja.  Ultrasonic transit time flow meter menggunakan transduser akustik (acustic transducer) yang dapat mengirim dan menerima pulsa akustik frekwensi tinggi.  Transduser akustik ditempatkan pada kedua sisi pipa sedemikian hingga pulsa akustik bergerak melintasi pipa dalam arah diagonal, seperti gambar berikut.

 

Metode transit time didasarkan pada pengukuran jangka waktu transmisi pulsa akustik yang melintasi pipa pada kedua arah yang berlawanan.  Sistem pengukurannya didasarkan pada kenyataan bahwa pulsa akustik yang melintasi pipa secara diagonal searah aliran cairan membutuhkan waktu lebih cepat dari pulsa akustik yang bergerak pada arah yang berlawanan dengan aliran.  Perbedaan waktu antara kedua pulsa akustik tersebut sebanding dengan kecepatan alir rata-rata sepanjang lintasan pulsa akustik.  Perhatikan gambar di atas, pulsa akustik yang melintasi pipa searah aliran membutuhkan waktu:

t_A>B =  L/(c + V Cos q)

Sedangkan pulsa akustik yang melintasi pipa pada arah berlawanan dengan arah aliran membutuhkan waktu:

T_B>A =  L/(c – V Cos q)

Dengan, L adalah panjang lintasan pulsa akustik, c adalah kecepatan suara dalam cairan,  q adalah sudut antara lintasan pulsa dan sumbu pipa dan V adalah kecepatan alir rata-rata cairan dalam pipa.

Dari kedua persamaan di atas, diperoleh kecepatan alir rata-rata cairan menjadi:

V = (L/2cosq) x (T_B>A – T_A>B )/( T_B>A x T_A>B)

UFM dengan jumlah transduser banyak (multi transducer) dapat digunakan untuk mendapatkan jumlah lintasan yang banyak sehingga diperoleh lebih banyak informasi mengenai distribusi kecepatan alir cairan pada pipa (flow profile) yang pada akhirnya dapat meningkatkan akurasi alat ukur ini.

Gambar berikut menunjukan komponen utama UFM.

 

Tipikal urutan operasi UFM adalah sbb:

• Emission : Signal Processing Unit (SPU) mengirim sinyal elektronik ke transduser, sehingga transduser menghasilkan pula akustik yang merambat dalam cairan.
• Reception: Pulsa akustik menyeberangi pipa dan menyentuh transduser lainnya yang ada di seberang, sehingga transduser tersebut bergetar dan menghasilkan sinyal elektronik.
• Conversion: Rangkaian penerima dalam SPU menerima sinyal elektronik dari transduser penerima untuk diproses lebih lanjut.
• Signal treatment: Berdasarkan algoritma pabrik, SPU melakukan perhitungan untuk mendapatkan T_B>A dan  T_A>B . 
• Transit time methode: SPU menggunakan perbedaan antara T_B>A dan  T_A>B  untuk menghitung kecepatan alir cairan rata-rata sepanjang lintasan pulsa.
• Volumetric flow rate calculation : Bergantung pada jumlah path, bentuk geometrisnya serta algoritma pabrik, SPU menggunakan nilai kecepatan alir rata-rata yang diperoleh pada tahap sebelumnya untuk menghitung volumetric flow rate.
• Output refresh: SPU mengulangi langkah-langkah pengukuran tersebut diatas sesuai waktu refresh-nya.

Partike padat, gelembung udara dan kandungan air bisa mengganggu perambatan pulsa akustik dalam cairan. Gangguan tersebut umumnya berupa refraction, reflection, attenuation dan distortion.  Sistem  dilengkapi dengan algoritma dari pabrik untuk memonitor gangguan ini dan akan membatalkan hasil pengukuran jika terjadi gangguan.

Standard UFM untuk Castody.  Penggunaan UFM untuk costudy transfer diatur dalam API Standard MPMS Chapter 5. Sec 8.  Standard ini menjelaskan kriteria dan persyaratan yang diperlukan pada UFM agar bisa digunakan sebagai alat ukur hidrokarbon cair untuk custody transfer, yang meliputi aspek perancangan, instalasi, operasi dan pemeliharaan. Gambar berikut adalah konfigurasi tipikal UFM untuk custody transfer sesuai standard tersebut.

Contoh UFM untuk Custody.  Salah satu contoh UFM untuk custody transfer adalah M-Pulse dari Thermo Scientific, dengan spesifikasi sbb:

• Accuracy +/-0.10%  for 10:1 measurement range or +/-0.02% for 20:1 measurement range. 
• Repeatability +/- 0.02% of measurement. 
• Range : 0.7 – 40 ft/sec bi-directional.
• Fluid viscosity : 0.2 – 220 cSt.
• Operating temperature : -40 to +85 C.
• Fluid temperature : -40 to +120 C.
• Number of Path : 4.
• Meter size : 4 to 24 inch.
• Material SS316L or CS A532 LCC.
• Flange Sizes : 150, 300, 600, 900 or higher.
• Safety spec: NEMA 4x/IP65, Class I Div 1 or Zone 0 for transducer & Class I Div 2 or Zone 2 for Electronic in Enclosure.

Process Equipment Control : (8) Distillation Control – Pump Around Reflux Control

Selain binary distillation yang hanya menghasilkan dua jenis produk (produk atas dan produk bawah) seperti yang dijelaskan pada tulisan serie sebelumnya, banyak juga  jenis kolom distilasi yang menghasilkan banyak/lebih dari dua produk (multi produk).  Contoh kolom distilasi dengan multi produk adalah crude tower, vacuum tower dan fluid catalytic cracking unit (FCCU).

Pada kolom distilasi dengan multi produk, produk lainnya akan dikeluarkan dari bagian samping kolom (side stream).  Untuk menjaga spesifikasi produk samping, kolom distilasi juga dilengkapi dengan sistem kontrol produk samping. Salah satu contohnya adalah pump around flow control, seperti gambar berikut.

Pada konfigurasi ini, pump around dikontrol dengan menggunakan flow controller (FC₁).  Sedangkan side stream product dikontrol dengan menggunakan flow controller (FC₂), yang terkadang di-cascaded dari column level controller atau analyzer controller.

Sebenarnya kegunaan dari pump around adalah menjaga kesetimbangan panas dalam kolom, dengan jalan mengambil/menghilangkan sebagian panas dari kolom.  Oleh karenanya,  pada kondisi tertentu akan lebih baik jika pump around dikontrol dengan menggunakan duty control, seperti gambar berikut.

Apabila kolom distilasi dilengkapi dengan side stripper, maka konfigurasi kontrol untuk produk seperti terlihat pada gambar berikut, dimana side stream ditarik dari kolom menuju stripper dibawah kendali flow control (FC₂) yang di-cascaded dari level control stripper (LC) atau bisa juga LC langsung menggerakan control valve tanpa melalui FC₂.

Penggunaan Fungsi Regresi Excel untuk Pemodelan Inferential

Umumnya pengukuran kualitas produk dalam industri proses dilakukan dengan analisa laboratorium, yang dilakukan dalam periode 8 jam (per-shift) atau 24 jam (per-hari). Diantara periode tersebut, operator tidak memiliki panduan yang pasti mengenai kualitas produk, mereka hanya memperkirakannya dengan melihat nilai variable proses lainnya yang terkait. Dengan cara perkiraan ini yang tentu saja sangat besar tingkat kesalahannya,  maka umumnya kondisi operasi dijaga agak  jauh dari batas/limit yang dikehendaki, agar produk tidak off-spec.  Dengan demikian unit proses tidak bisa dioperasikan pada kondisi optimal (kondisi optimal umumnya berada di dekat limit).

Untuk mengatasi permasalahan ini, digunakan online analyzer untuk mengukur kualitas produk. Akan tetapi karena siklus analisa pada online analyzer yang mencapai 15 – 60 menit (bandingkan dengan waktu cuplik variabel proses lainnya yang kurang dari 1 menit), ditambah banyaknya permasalahan yang terkait dengan operasi/pemeliharaannya, maka penggunaan online analyzer ini juga belum menyelesaikan permasalahan ini secara tuntas.

Cara lainnya adalah dengan menggunakan inferential calculation, yaitu menggunakan model untuk menentukan/menghitung kualitas produk berdasarkan nilai variabel proses terkait. Dengan inferential calculation, kualitas produk bisa diketahui setiap saat sehingga memudahkan operator mengoperasikan unit proses secara optimal. Banyak paket aplikasi inferential yang tersedia, ada yang didasarkan pada perhitungan yang rigorous (menggunakan first principles of chemical engineering calculation), neural network, regresi atau metode lainnya.  Selain menggunakan paket aplikasi tersebut,  pemodelan untuk inferential calculation juga bisa dilakukan dengan menggunakan fungsi regresi yang ada di microsoft excel. Tulisan ini akan membahas hal ini.

Untuk mudahnya, pembahasan dilakukan dengan memberikan contoh.  Contoh yang diambil adalah penentuan Final Boiling Point (FBP) produk naphtha pada Crude Distiller Unit (CDU).  Dari pengalaman dan pengetahuan proses, FBP produk naphtha dominannya dipengaruhi oleh dua variabel yaitu overhead temperature dan pressure compensated fractionator temperature.  Berikut adalah data FBP produk naphtha dan kedua variabel proses yang mempengaruhinya.

Selanjutnya dengan data ini akan dibangun model inferential dengan menggunakan fungsi regresi di microsoft excell.

Fungsi regresi di microsoft excel dapat diakses dari menu dengan cara sbb: Tools – Data Analysis… , muncul jendela Data Analysis, pilih Regression – Ok – muncul jendela Regression.

Pada jendela Regression: Input Y Range diambil dari data kolom D2  s/d  D29 ($D$2:$D$29) yaitu data untuk Naphtha FBP, Input X Range diambil dari kolom B2  s/d  C29  ($B$2:$C$29) yaitu data untuk Overhead temperature dan Pressure compensate temperature, Confidence Level tetap diset 95%, Output Range A32 ($A$32). Kemudian tekan OK. Hasil regresinya adalah sbb:

Hasil/output perhitungan regresi terdiri dari 3 komponen/tabel, yaitu: 1) Regression Statistics; 2) ANOVA; 3) Regression Coefficients. Selanjutnya akan dijelaskan maksud dari masing-masing tabel tersebut.

Tabel pertama adalah Regression Statistic, yang digambarkan kembali sebagai berikut.

Tabel ini menunjukan besarnya korelasi/varian antara variabel tidak bebas (dependent variable, dalam hal ini FBP produk naphtha) dengan variabel bebas (independent variable, dalam hal ini Overhead temperature dan pressure compensated fractionator temperature).

Dari semua parameter yang ada pada tabel tersebut, parameter R Square yang biasanya digunakan untuk menentukan bagus tidaknya korelasi/variasi model hasil regresi (walaupun ada juga yang menggunakan  Multiple R atau Adjusted R Square).  Sebagai Panduan umum, R Square > 0.8 menunjukan varian model bagus. R square sebesar 0.7592 seperti yang dihasilkan pada tabel diatas juga masih cukup baik, ia mengandung pengertian 75.92% perubahan/variasi output (FBP produk naphtha) dipengaruhi oleh input (Overhead temperature dan Pressure compensated fractionator temperature), sedangkan sisanya oleh variabel lainnya.  R Square, yang menunjukan total varian yang dihasilkan oleh model, dihitung dengan rusmus:  R Square = 1 – (SSres/SStotal).  Mengenai apa itu SSres dan SStotal lihat pembahasan  tentang tabel ANOVA.

Parameter lainnya adalah Multiple R, disebut sebagai  koefisien korelasi  antara variabel output dan input, dihitung dengan rumus : Multiple R = (R Square)^0.5.

Adjusted R Square, merupakan nilai R Square yang di-adjusted sesuai ukuran model, dengan menggunakan rumus : Adjusted R Square = 1 – (SSres/dfress)/(SStotal/dftotal).

Standard Error, merupakan standard deviasi error keseluruhan model. Observation, adalah jumlah observasi/data.

Tabel kedua adalah ANOVA (analysis of variant), berisi jumlah kuadrad (sum of square) untuk setiap komponen.

Dalam regresi, ANOVA digunakan untuk mengetes tingkat kebenaran/signifikan model hasil regresi secara keseluruhan (overall model). Parameter yang menentukan tingkat signifikan model regresi adalah yang berada pada kolom paling kanan, yaitu Significance F. Parameter ini disebut juga p-value.  Tingkat signifikan model naik jika Significance F turun. Significance F mendekati nol berarti variabel input sangat (signifikan) berpengaruh pada output. Tabel berikut bisa digunakan sebagai panduan untuk menentukan hubungan antara Significance F dengan tingkat signifikan model yang dihasilkan.

Untuk contoh ini, nilai Significance F adalah 0.0000000187 < 0.05 (alfa), sehingga model yang dihasilkan signifikan.

Untuk lebih jelasnya, akan diuraikan lebih rinci tentang informasi yang ada dalam tabel ANOVA. Secara umum tabel ANOVA berbentuk sbb:

Kolom pertama adalah source, yaitu data yang akan dicek rentang/variasinya.  Ada 3 source, yaitu Regression, Residual dan Total. Regression digunakan untuk melihat rantang/variasi dari model yang diperoleh. Residual digunakan untuk melihat kesalahan/error dari model yang diperoleh. Total merupakan penjumlahan antara Regression dan Residual.

Kolom kedua adalah df,  merupakan kependekan dari degree of freedom. Ia menunjukan sejauh mana variabel bebas yang dimiliki.  m adalah jumlah variabel dan n adalah jumlah observasi.

Kolom ketiga, Sum of Square (SS) untuk masing-masing source. Untuk Regression, Sum of Square (SSreg) merupakan penjumlahan dari kuadrat nilai yang diprediksi/hasil perhitungan model (Yhat) dikurangi nilai rata-rata output data observasi (Ybar).  Ini bertujuan untuk mengukur sejauh mana rentang/variasi hasil prediksi model dari rata-rata data observasi. Semakin tinggi SSreg semakin bagus karena rentang/variasinya semakin besar (model bisa digunakan dalam rentang yang lebar).

Untuk Residual, Sum of Square (SSres) merupakan jumlah kuadrat data observasi (Y) dikurangi nilai prediksi (Yhat). Ini bertujuan untuk mengetahui sejauh mana model sama/mirip dengan aktual. Jika modelnya bagus maka SSres kecil.

Yang ketiga adalah Sum of Square untuk total (SStotal), ini merupakan jumlah kuadrat dari masing-masing observasi (Y) dikurangi rata-rata seluruh observasi (Ybar). Ini  digunakan untuk mengukur sejauh mana rentang/variasi observasi terhadap rata-ratanya.

Kolom keempat, Mean Square (MS), yang dihasilkan dengan membagi masing-masing Sum of Square (SS) dengan degree of freedoms (df).  MSres disebut juga dengan variance of error, yang mengukur sebaran data observasi terhadap prediksi.

Kolom kelima, F, yang diperoleh dengan membagi Mean Square untuk regresi (MSreg) terhadap Mean Square untuk residual (MSres). Nilai F digunakan untuk menentukan apakah model sesuai dengan data aktual.

Kolom terakhir adalah Significance F atau dikenal juga dengan p-value, digunakan untuk menunjukan ukuran tingkat signifikan model regresi dalam menjelaskan tingkat variasi output.  Significance F ini diperoleh berdasarkan nila F, df regression dan df residual, bisa diperoleh dengan menggunakan rumus excell berikut =FINV(F,dfreg,dfres). Tingkat signifikan model regresi akan naik jika Significance F turun. Significance F mendekati nol berarti variabel input sangat (signifikan) berpengaruh pada output.

Tabel terakhir adalah tabel coefficients. Tabel ini berisi nilai koefisien model hasil regresi dan beberapa parameter penting untuk setiap koefisien.

 

Kolom coefficients berisi nilai koefisien model hasil perhitungan (menggunakan metode least square estimate).  Kolom standard Error berisi simpangan baku (standard error) perhitungan koefisien model. Kolom t Stat adalah t-statistic untuk koefisen model, yang dihitung dengan membagi nilai koefisien oleh standard error-nya, t Stat = coefficient/standard error.  Kolom P-value berisi p-value yang terkait dengan t statistic untuk masing-masing koefisien. Parameter P-value bergantung pada t Stat dan df, yang dihitung dengan menggunakan rumus two tailed t distribution pada excell sbb : P-value = TDIST(t value,df,2). Parameter P-value disini sama artinya dengan pada tabel ANOVA, yang membedakannya adalah P-value pada tabel ANOVA untuk keseluruhan model,  sedangkan disini P-value untuk masing-masing koefisien model.  Hubungan antara P value dengan tingkat signifikan koefisien model adalah sbb:

 

Kolom Lower 95% dan Upper 95% menunjukan nilai koefisien pada interval 95%  confidence.  Batas konfiden (confidence limits) dihitung dengan menggunakan rumus excell berikut: Coefficient ± t*standard error. Dengan t adalah t value sesuai nilai df dan alpha tertentu (dalam contoh ini df = 21 dan alpha = 0.05), yang dapat dihitung dengan menggunakan rumus excell : =TINV(alpha,df).  Koefisien model bagus/signifikan apabila rentang 95% significant ini tidak berisi nol.

Dari semua parameter tersebut, yang perlu diperhatikan untuk menilai koefisien model adalah cukup nilai koefisien dan P-value sesuai kriteria tingkat signifikan diatas. Untuk contoh ini, karena p-value untuk ketiga koefisien < 0,05 (alpha), maka nilai ketiga koefisien tersebut signifikan.

Rangkuman Regresi.    Pada regresi, ada 3 parameter kunci yang menentukan/menunjukan model hasil regresi tersebut bagus, yaitu:

 

Dari tabel hasil regresi untuk contoh diatas, diperoleh model inferential untuk FBP produk naphtha sbb:

Naphtha FBP = 1.9476 * (Overhead Temperature) – 1.0932 * (Pressure Compensate Temperature) + 72.5286.

Dengan R Square = 0.759 (mendekati 0.8),  Significance F = 0.0000000187 < 0.05 (alpha), dan P value untuk ketiga koefisien < 0.05 (alpha). Sehingga dapat disimpulkan, model hasil regresi ini cukup baik/signifikan.

Hasil ini tidak jauh berbeda dengan hasil perhitungan regresi dengan menggunakan Profit Sensor Pro yang merupakan paket inferential model produk Honeywell, yaitu:

Naphtha FBP = 1.9467 * (Overhead Temperature) – 1.0925 * (Pressure Compensate Temperature) + 72.5.

Dengan R Square = 0.7595.

Konversi Data.   Regresi yang digunakan disini adalah regresi linear, sehingga untuk mendapatkan model yang benar, relasi antara variabel bebas dan variabel tidak bebas harus bersifat linear.  Untuk itu, sebelum digunakan dalam regresi, data tersebut harus dicek terlebih dahulu linearitasnya dengan menggunakan grafik scatter.  Apabila trending di grafik scatter menunjukan hubungan tidak linear, maka sebelum digunakan data tersebut harus dikonversi menjadi linear terlebih dahulu.  Beberapa tipe relasi yang mungkin terjadi adalah exponential, logarithmic dan sigmoid.  Untuk konversi exponential dan logarithmic ke linear gunakan rumus [=LN(y)] dan [=log10(y)].  Sedangkan untuk konversi sigmoid ke linear dapat digunakan fungsi logistic [=log10(y/(1-y))] atau probit transformation [=NORMINV(y,5,1)].

Pengujian Hipotesa.   Salah satu fungsi statistik adalah menguji hipotesa. Lalu hipotasa apa yang hendak diuji dalam perhitungan regresi diatas? Berikut akan dijelaskan secara garis besar.

Pada tabel ANOVA, hipotesa yang hendak diuji adalah:  H0 – nilai semua koefisien sama dengan nol; Ha – paling sedikit satu buah koefisien nilainya   tidak sama dengan nol.  Apabila F Significance (p-value)<alpha maka Ha diterima dan H0 ditolak, sebalinya apabila F Significance > alpha maka H0 diterima dan Ha ditolak.  Pada perhitungan diatas, karena F significance = 0.0000000187< 0.05 (alpha) maka Ha diterima dan H0 ditolak, yang berarti paling sedikit ada 1 buah koefisien yang nilainya tidak sama dengan nol.

Pada tabel Regression Coefficient, hipotesa yang hendak diuji adalah untuk masing-masing koefisien: H0 – nilai koefisien sama dengan nol; Ha – nilai koefisien tidak sama dengan nol. Apabila P-value<alpha maka Ha diterima dan H0 ditolak, sebalinya apabila P-value> alpha maka H0 diterima dan Ha ditolak. Pada perhitungan diatas, karena P-value untuk semua koefisien < 0.05 (alpha), maka H0 ditolak dan Ha diterima, yang berarti semua koefisien nilainya tidak sama dengan nol.

Penentuan Variabel Bebas.   Sebenarnya, variabel proses yang menentukan nilai FBP produk naphtha tidak hanya Overhead temperature dan Pressure compensated fractionator temperature.  Ada variabel proses lainnya juga berpengaruh, misalnya Naphtha flowrate, Column overhead pressure, Pump around flowrate, Flash zone temperature, dsbnya. Akan tetapi karena pengaruhnya tidak signifikan, maka variabel tersebut tidak diikutsertakan dalam model.  Cara menentukan variabel mana yang dominan berpengaruh dan mana yang tidak dominan adalah dengan melakukan regresi terhadap semua variabel tersebut baik secara bersama-sama (sekaligus) maupun kombinasi diantaranya. Model hasil regresi yang paling signifikan-lah yang akan dipakai.