PEMODELAN SISTEM KONTROLER LOGIKA FUZZY PADA PENGATURAN .
1JURNAL MATRIX, VOL. 7, NO. 1, MARET 2017PEMODELAN SISTEM KONTROLER LOGIKA FUZZYPADA PENGATURAN KECEPATAN MOTOR INDUKSIMENGGUNAKAN PERANGKAT LUNAK MATLAB / SIMULINKI Wayan Raka Ardana1, I Putu Sutawinaya21,2Jurusan Teknik Elektro, Politeknik Negeri Bali1rakawyn@pnb.ac.idAbstrak: Salah satu kelemahan penggunaan kontroler konvensional PID pada pengaturan kecepatan motorinduksi adalah kesulitan di dalam menentukan nilai parameter (gain) yang sesuai. Untuk menutupi kelemahanitu, pada riset ini peneliti mengembangkan suatu sistem kontrol yang berbasis teknologi logika fuzzy. Kontrolerlogika fuzzy ditengarai dapat bekerja dengan respon yang cepat dan performansi yang cukup bagus. Darisimulasi yang dibuat menggunakan Simulink, diperoleh hasil bahwa sistem kontroler logika fuzzy mampumemperbaiki kinerja pengaturan kecepatan motor induksi dengan memperkecil lonjakan dan waktu pemulihanuntuk mencapai setpoint.Kata kunci: Motor Induksi, Kontroler Logika Fuzzy, Matlab, Simulink.Abstract: One disadvantage of using conventional PID controllers in the induction motor speed adjustment isthe difficulty in determining the appropriate parameter (gain) values. To cover this weakness, in this researchwe develop a control system based on fuzzy logic technology. The fuzzy logic controller is considered to workwith fast response and good performance. From the simulation that has been made using Simulink, it achivedthat fuzzy logic controller system can improve the performance of induction motor speed regulation byminimizing spikes and recovery time to reach the setpoint.Keywords: Induction Motor, Fuzzy Logic Controller, Matlab, Simulink.I.PENDAHULUANMotor induksi banyak digunakan di industriindustri karena kokoh, relatif murah, perawatannyamudah serta handal. Namun bila bebannya berubahubah maka kecepatan motor menjadi tidak konstan,hal ini menjadi kelemahan motor induksi biladibandingkan dengan motor dc yang memilikikecepatan relatif konstan terhadap perubahan beban.Untuk mengatasi kelemahan itu dibutuhkan suaturangkaian kontroler.Kontroler PID (Proportional-Integral-Derivative)merupakan kontroler konvensional yang umumdigunakan di dalam pengaturan kecepatan motorinduksi.Kelemahan kontroler ini adalah sulitmenentukan (menala) nilai gain Kp, Ki dan Kd yangsesuai agar diperoleh kinerja motor yang bagus. Untukmengatasi kelemahan kontroler tersebut, sertamemperbaiki kinerja rangkaian pengaturan kecepatanmotor induksi, maka dikembangkan suatu metodekontrol menggunakan teknologi logika fuzzy.Beberapa studi tentang pengendalian motorinduksi telah dikembangkan pada referensi [1-7] yangmenjadi acuan pada penelitian ini. Pada penelitian inidirancang suatu pemodelan pengaturan kecepatanmotor induksi menggunakan kontroler logika fuzzy.Model diaplikasikan melalui suatu simulasipemodelan perangkat lunak (software) menggunakanfasilitas Simulink dan Power System Blockset dariMATLAB. Adapun model matematis motor induksidan struktur kontroler logika fuzzy yangdikembangkan pada penelitian ini adalah sebagaiberikut:Menurut Krause P.C., rangkaian ekivalen motorinduksi tiga fasa pada koordinat D-Q adalah sepertiterlihat pada Gambar 1 berikut [4].Gambar 1. Rangkaian ekivalen motor induksi tiga fasa padakoordinat D-QMenurut Ion Boldea, bahwa persamaan teganganstator dan rotor motor induksi tiga fasa dalamkoordinat A-B-C dengan p d/dt, dapat dinyatakandengan Persamaan [2].Vabcs rsiabcs p abcs(1)Vabcr rsiabcr p abcr(2)dengan :p abcs Lsiabcs Lsiabcs(3)p abcr Lriabcs Lriabcr(4)
ARDANA: PEMODELAN SISTEM KONTROLER 2Dengan transformasi dari sistem koordinatA-B-C ke sistem koordinat D-Q, maka persamaantegangan untuk motor induksi dapat dituliskan sebagaiberikut:Vqs rsiqs p qs ds(5)Vds rsids p ds - qs(6)V'qr r'ri'qr p 'qr ( - r) 'dr(7)V'dr r'ri'qr p 'dr ( - r) 'qr(8)Persamaan untuk fluksi adalah : qs Llsiqs Lm (iqs iqr)(9) ds Llsids Lm (ids idr)(10) 'qr L'lri'qr L'm (i'qs i'qr)(11) 'dr L'lri'dr L'm (ids idr)(12)Gambar 2. Struktur dasar logika fuzzya.FuzzifikasiDi dalam proses fuzzifikasi, terjadi konversivariabel crisp ke dalam variabel fuzzy melalui teknikfungsi keanggotaan, dengan error dan delta errordipetakan ke dalam rentang kerja semestapembicaraan melalui persamaan berikut:Qe(k) G1 * e(k)(17) Qe(k) G2 * e(k)(18)b.Kopel elektromagnetikdinyatakan dengan:3 p Te m iqds2 2darimotorinduksi(13)Dalam komponen D-Q dinyatakan dengan:ππ 3π( π ππ πππ )2 2 ππ ππ c.(14)Bentuk lain yang dapat dipakai adalah:ππ 3πβ² )πΏ (π π β² πππ πππ2 2 π ππ ππMembership FunctionMembership Function (fungsi keanggotaan)himpunan fuzzy merupakan fungsi untuk menyatakankeanggotaan dari suatu nilai-nilai. Ada beberapabentuk fungsi keanggotaan antara lain bentuk segitiga(Triangular function), trapesium (Trapezoidalfunction).(15)Fuzzy ImplicationPada umumnya aturan-aturan fuzzy dinyatakandalam bentuk logika IF-THEN yang merupakan dasarrelasi fuzzy. Relasi fuzzy (R) dalam basis pengetahuanfuzzy didefinisikan sebagai fungsi implikasi fuzzy(fuzzy implication). Beberapa fungsi implikasi fuzzyditunjukkan pada Tabel 1.Tabel 1. Beberapa tipe fungsi implikasi fuzzyPersamaan gerak elektromekanis dari motor induksiadalah:2 J d r2Te Tl Bm r(16)p dtpdi mana Tl adalah torsi beban, p adalah jumlah kutub,J adalah momen inersia dan Bm adalah koefisiengesekan dengan:NamaOperator Implikasi [ A(x), B(y)] ( A(x) B(y)) (1- A(x)) A(x) B(y) A(x). B(y)1 (1- A(x) B(y))(1- A(x) B(y))Zadeh Max-MinMamdani MinLarsen ProductArithmeticBooleanp Jumlah pasang kutubM Induktansi gandeng (H)idr Arus rotor pada sumbu d (A)iqs Arus stator pada sumbu q (A)iqr Arus rotor pada sumbu q (A)d.DefuzzifikasiDefuzzifikasi merupakan kebalikan dari prosestransformasi sebuah himpunan fuzzy ke dalamhimpunan tugas. Metode defuzzifikasi yang umumdigunakan adalah Centre of Gravity (COG)defuzzification yang didefinisikan sebagai berikut :ids Arus stator pada sumbu d (A)Kontroler logika fuzzy dikategorikan dalamkontrol cerdas (intelligent control). Unit logika fuzzymemiliki kemampuan menyelesaikan masalahperilaku sistem yang komplek, yang tidak dimilikioleh kontroler konvensional. Struktur dasar kontrolerlogika fuzzy ditunjukkan pada Gambar 2. c Rjy j 1 UΛ J(u )duRj 1UΛ J(u )du(19)
3JURNAL MATRIX, VOL. 7, NO. 1, MARET 2017dengan:y nilai keluaran (output)cj nilai tengah dari keluaran fungsikeanggotaan ke-j UΛ J (u) keluaran fungsi keanggotaanyang dinyatakan dalam Persamaan (20) dan (21).Sedangkan semesta pembicaraan dari aksi kontroladalah torsi referensi yang didefinisikan sebagaiberikut: Te*(k) Te*(k) β Te*(k-1)UΜ j fuzzy setR jumlah aturan (rule)Hasil simulasi yang telah dicapai menunjukkanbahwa dengan kontroler logika fuzzy mampumenekan penurunan kinerja motor terhadap perubahanbeban maupun kecepatan di bawah 1 % nal(PID).Sistemkontrolyangdikembangkan ini mampu memenuhi kreteriaperformansi sistem yang tinggi.METODE PENELITIANDalam penelitian ini, peneliti membuat simulasisistem kontrol dengan membuat rancangan sistemkontrol logika fuzzy menggunakan fasilitas fuzzylogic Simulink pada perangkat lunak Matlab.Sedangkan pemodelan motor induksi tiga fasa diambildari fasilitas power system blockset perangkat lunakMatlab tersebut sebagai tools dalam rancangan yangdikembangkan ini.Adapun rancangan sistem kontrol logika fuzzydiawali dengan membuat rancangan aturan dasarfuzzy kemudian mem-set ke dalam pemodelan sistemkontrol logika fuzzy yang dikembangkan sebagaiberikut:(22)di mana Te*(k) adalah torsi referensi, dan Te*adalah perubahan torsi referensi pada urutan samplingke-k. Secara keseluruhan blok kontroler logika fuzzydapat dimodelkan seperti Gambar 3.II.2.1. Proses Aturan Dasar FuzzyAturan dasar (rule base) suatu kontroler logikafuzzy merupakan kumpulan aturan-aturan kontrolsebagai acuan untuk menyatakan aksi kontroler.Aturan tersebut disusun berdasarkan pengamatan atauperkiraan terhadap respon dinamik sistem. Untukmenentukan rule base digunakan metode pendekatansecara heuristik, dengan melakukan pengamatanrespon terhadap masukan, kemudian dengan naluriketeknikan ditentukan rule base kontroler logikafuzzy yang sesuai.2.2. Pemodelan Kontroler Logika FuzzyDalam merancang kontroler logika fuzzy, perludiperhatikan variabel input (masukan) error (e) dandelta error ( e) yang dinyatakan dalam persamaanberikut :e(k) sp β y(k) e(k) e(k) β e(k-1)(20)(21)di mana sp adalah setpoint (kecepatan referensiβ -refβ) dan y adalah keluaran (output) sistem,sedangkan k dan k-1 adalah kejadian urutan daripencuplikan data sistem.Pada kasus pengaturan kecepatan motor induksi,himpunan semesta pembicaraan meliputi errorkecepatan dan perubahan atau delta error kecepatan,Gambar 3. Pemodelan kontroler logika fuzzyDalam penelitian ini, peneliti mengamatibeberapa parameter dari hasil atau respon simulasiyang ditunjukkan sistem kontrol yang dikembangkanini, antara lain : overshoot, undershoot, rise time dansettling time dari kondisi perubahan kecepatan(setpoint) dan kondisi penambahan beban sesaat.Hasil simulasi dari beberapa parameter yangditunjukan dilakukan analisis dan dibandingkandengan hasil simulasi (respon) sistem kontrol PIDyang telah dikembangkan pada penelitian sebelumnya[8-10].III. HASIL DAN PEMBAHASAN3.1. Simulasi Kontroler Logika FuzzyUntuk menentukan rule base digunakan metodependekatan secara heuristik dengan melakukanpengamatan respon terhadap masukan, kemudiandengan naluri keteknikan ditentukan rule basekontroler logika fuzzy yang sesuai. Secara lengkaprule base kontroler logika fuzzy yang digunakanditunjukkan pada Tabel 2.Tabel 2. Rule base kontroler logika fuzzyE\ pbpmnknolpkpkpmpbpbpbnolpkpmpmpbpbpbBlok diagram sistem pengaturan kecepatanmotor induksi ditentukan menggunakan kontrolerlogika fuzzy sesuai dengan Gambar 4.
ARDANA: PEMODELAN SISTEM KONTROLER 4Gambar 4. Blok sistem kontrol motor induksi menggunakan logika fuzzyMetode yang digunakan pada kontroler logikafuzzy ini adalah metode statik, artinya sifat fungsikeanggotaan (membership function) bekerja denganrentang kerja (range) tetap, yaitu antara β6 sampaidengan 6 untuk masukannya (variabel input), danantara β0,09 sampai dengan 0,09 untuk keluarannya(variabel output) [6]. Penentuan rentang kerja tersebutharus fleksibel agar sistem mampu melakukantracking setpoint dengan baik. Variabel input danoutput membership ditunjukkan pada Gambar 5 dan 6.3.2.Gambar 5. Fungsi keanggotaan variabel inputGambar 6. Fungsi keanggotaan variabel outputπΏπ π ππ2ππ ππ πPengkuantisasian melalui interpolasi bertujuan untukmemetakan error dan delta error ke dalam semestapembicaraan, dengan rentang kerja yang telahditetapkan tersebut yang dibagi menjadi tujuh tingkatkuantisasi dengan variabel linguistik, yaitu negatifbesar (nb), negatif menengah (nm), negatif kecil (nk),nol (nol), positif kecil (pk), positif menengah (pm),positif besar (pb).Adapun data motor induksi tiga fasa yangdigunakan pada simulasi sistem kontrol ini adalahsesuai blok parameter pada power system blockset dariSimulink Matlab sebagai berikut :(23)dengan: iT arus torsi (A), daniM arus medan (A)Error dan delta error yang terjadi selama sistemdioperasikan, terlebih dahulu dikuantisasi ataudipetakan melalui interpolasi biasa menjadi errorterkuantisasi (Qe) dan delta error terkuantisasi (dQe).Jenis motorTipe rotorDaya nominalTegangan nominalFrekuensi nominalKumparan statorRotor sangkarMutual inductanceFaktor gesekanJumlah kutub: induksi 3 fasa: squirrel cage: 5 746 VA: 220 Volt: 60 Hz: (0,6 j1,9 10-3) Ξ©: (0,412 j1,9 10-3) Ξ©: 41,5 10-3 Ξ©: 0,058/0,0032: 2 pasangRespon Kecepatan dan AnalisaSimulasi program dilakukan pada dua kondisidinamik, yaitu simulasi perubahan kecepatan(setpoint), dan simulasi dengan pemberian torsi beban(berbeban). Pada masing-masing kondisi tersebut,diamati dan dianalisis kinerja motor induksi sepertiovershoot, undershoot, rise time, settling time dansteady state error melalui tampilan karakteristikkecepatan motor induksi pada blok βScope [rpm]β.Untuk menguji kemampuan dan keterandalan(reliable) model yang dikembangkan, maka responsistem untuk penggunaan kontroler logika fuzzy nal (kontroler PID) seperti yang telahdikembangkan pada penelitian sebelumnya. Dimanarespon sistem pada seting kedudukan set point tetap1000 rpm hampir tidak terjadi penurunan pencapaiansetpoint [7].
5JURNAL MATRIX, VOL. 7, NO. 1, MARET 20173.2.1. Simulasi Perubahan KecepatanPada kondisi ini, model yang dibuat diujimelalui perubahan kecepatan (setpoint), yaitu darikecepatan 800 rpm ke 1000 rpm setelah simulasiberjalan 0,6 detik (dalam kondisi steady state) tanpabeban (beban nol). Hasil unjuk kerja dari pengaturankecepatan motor induksi untuk perubahan kecepatandari 800 rpm menjadi 1000 rpm adalah sepertiditunjukkan pada Gambar 7.(a) Menggunakan Kontroler Logika Fuzzy(b) Menggunakan Kontroler PIDGambar 7. Simulasi Perubahan Kecepatanperubahan kecepatan atau perubahan setpoint denganbaik, dengan waktu pencapaian setpoint dan settlingtime relatif cepat, overshoot dan undershoot kurangdari 1 %, serta steady state error mendekati nol.3.2.2. Simulasi BerbebanPada kondisi ini, model yang dibuat diujidengan memasukkan torsi beban maksimum (19,8N.m) sesaat selama t 0,07 detik setelah sistem dalamkeadaan mantap (steady state) pada kedudukansetpoint 1000 rpm. Simulasi dimulai dari kecepatanawal motor 0 rpm hingga mencapai kedudukansetpoint, dengan waktu sampling mulai dari 0 sampai1,2 detik.Hasil unjuk kerja dari pengaturan kecepatanmotor induksi untuk kondisi berbeban sesaat adalahseperti ditunjukkan pada Gambar 8. Dalam hal ini,kondisi yang diamati dan dianalisis adalah responsistem pada saattorsi beban maksimum(TL 19,8 N.m) mulai dimasukkan, yaitu padat 0,7 detik hingga sistem kembali ke kedudukansetpoint (stabil). Adapun performa sistem yangditunjukan pada Gambar 8.a) Menggunakan Kontroler Logika FuzzyPada penelitian ini, respon sistem yang diamatidan dianalisis hanya saat setpoint 1000 rpm. Adapunperforma sistem yang ditunjukan adalah sebagaiberikut:a) Menggunakan kontroler logika fuzzy (Gambar 7.a)- Overshoot: 0,014 %- Rise time: 0,32 detik- Settling time: 0,34 detik- Error kecepatan: 0b). Menggunakan kontroler PID (Gambar 7.b)- undershoot: 0,25 %- Rise time: 0,39 detik- Settling time: 0,42 detik- Error kecepatan: 1,1 rpmBerdasarkan hasil pengujian dari responkecepatan motor induksi tersebut dapat kita analisisbahwa kontroler logika fuzzy yang dikembangkan inimemiliki kemampuan mengontrol kecepatan terhadapa) Menggunakan Kontroler PIDGambar 8. Simulasi Kondisi Berbebana) Menggunakan kontroler logika fuzzy (Gambar 8.a)- Undershoot (995,3 rpm) : 0,47 %- Rise time: 0,01 detik- Settling time: 0,08 detik
ARDANA: PEMODELAN SISTEM KONTROLER -Steady state error: 0,8 rpmb). Menggunakan kontroler PID (Gambar 8.b)-Undershoot (890,2 rpm)Rise timeSettling timeSteady state error6::::[4]10,98 %0,30 detik0,45 detik1,1 rpm[5]Berdasarkan hasil pengujian dari responkecepatan motor induksi pada kondisi pembebanansesaat dapat kita analisis bahwa respon kecepatanyang diperoleh dengan menggunakan kontroler logikafuzzy lebih baik dibandingkan dengan responkecepatan bila rangkaian simulasi menggunakankontroler PID. Terlihat bahwa kontroler logika fuzzymemiliki kemampuan mengatasi perubahan torsibeban secara tiba-tiba dengan waktu pemulihan(recovery time) kembali ke posisi setpoint relatifcepat, serta error kecepatan mendekati nol.IV. KESIMPULANBerdasarkan hasil pengujian sistem dan analisisterhadap penggunaan kontroler logika fuzzy an dalam penelitian ini, dapat disimpulkansebagai berikut:1. Pada kondisi sistem yang diuji melaluiperubahan kecepatan (setpoint) dari 800 rpm ke1000 rpm, respon sistem kontroler logika fuzzyyang dikembangkan ini menunjukkan bahwasistem mampu menekan overshoot dan steadystate error mendekati nol, serta rise time dansettling time relatif cepat.2. Pada kondisi sistem yang diuji melaluipemberian beban (torsi beban) sesaat padakondisi sistem stabil (steady state) terlihat bahwasistemkontrolerlogikafuzzyyangdikembangkan ini menunjukkan bahwa sistemrelatif stabil dengan kembali pada kedudukan(setpoint) semula dalam waktu relatif cepat.UCAPAN TERIMA KASIHPenulis menyampaikan terima kasih kepada stafLab. Mikroprosesor & Sistem Kontrol, PoliteknikNegeri Bali serta editor Jurnal Matrix.DAFTAR PUSTAKA[1] Ba-Razzouk, A., Cheriti, A., Olivier, G. &Sicard, P. (1997). Field-oriented control ofinductionmotorsusingneural-networkdecouplers. IEEE Transactions on PowerElectronics, 12(4), 752-763.[2] Heber, B., Xu, L. & Tang, Y. (1997). Fuzzylogic enhanced speed control of an indirect fieldoriented induction machine drive. IEEETransactions on Power Electronics, 12(5), 772778.[3] Zhen, L. I. & Xu, L. (1996). On-line fuzzytuning of indirect field oriented induction[6][7][8][9][10]machine drives. Applied Power ElectronicsConference and Exposition 1996, 369-374.Zhen, L. & Xu, L. (2000). Fuzzy learningenhanced speed control of an indirect fieldoriented induction machine drive. IEEETransactions on Control Systems Technology,8(2), 270-278.Rose, T.J. (2010). Fuzzy logic with engineeringapplication. New York: John Wiley & Sons Ltd.Ardana, I W. R. (2013). Simulasi sistemkontroler PID untuk motor induksi menggunakanperangkat lunak matlab/simulink. MajalahIlmiah Teknologi Elektro, 7(2).Wahjono, E. (2016). Pengaturan kecepatan motorinduksi sebagai penggerak mobil listrik dengankontroler fuzzy logic berbasis direct torquecontrol. Jurnal Ilmiah Mikrotek, 1(3), 136-144.Nirali, R. & Shah, S. K. (2011). Fuzzy decisionbased soft multi agent controller for speedcontrol of three phase induction motor.Transformation, 2(3).Tianur, T., Happyanto, D. C., Gunawan, A. I. &Widodo, R. T. (2011). Kontrol kecepatan motorinduksi menggunakan metode PID-fuzzy. EEPISFinal Project.Putri, R. I. & Fauziyah, M. (2010). Implementasikontroler neural fuzzy pada pengaturankecepatan motor induksi 3 fasa. SeminarNasional Aplikasi Teknologi Informasi (SNATI).
1 JURNAL MATRIX, VOL. 7, NO. 1, MARET 2017 PEMODELAN SISTEM KONTROLER LOGIKA FUZZY . A-B-C ke sistem koordinat D-Q, maka persamaan . p adalah jumlah kutub, J adalah momen inersia dan B m (y)adalah koefisien gesekan dengan: p Jumlah pasang kutub
Langkah 1-A: Mendefinisikan persyaratan sistem Langkah 1-B: Strukturisasi persyaratan sistem menggunakan pemodelan proses Langkah 1-C: Strukturisasi persyaratan sistem menggunakan model-model logika langkah 1-D: Strukturisasi persyaratan sistem menggunakan pemodelan data konseptual Langkah 1-E: Pemilihan suatu strategi desain
sistem organ, kelainan dan penyakit. Sistem β sistem pada manusia dan hewan 1. Sistem pencernaan 2. Sistem ekskresi 3. Sistem pernapasan 4. Sistem peredaran darah 5. Sistem saraf dan indera 6. Sistem gerak 7. Sistem imun 8. Sistem reproduksi 9. Keterkaitan antar sistem organ dan homeostasis 10. Kelain
ing fuzzy sets, fuzzy logic, and fuzzy inference. Fuzzy rules play a key role in representing expert control/modeling knowledge and experience and in linking the input variables of fuzzy controllers/models to output variable (or variables). Two major types of fuzzy rules exist, namely, Mamdani fuzzy rules and Takagi-Sugeno (TS, for short) fuzzy .
fuzzy controller that uses an adaptive neuro-fuzzy inference system. Fuzzy Inference system (FIS) is a popular computing framework and is based on the concept of fuzzy set theories, fuzzy if and then rules, and fuzzy reasoning. 1.2 LITERATURE REVIEW: Implementation of fuzzy logic technology for the development of sophisticated
Different types of fuzzy sets [17] are defined in order to clear the vagueness of the existing problems. D.Dubois and H.Prade has defined fuzzy number as a fuzzy subset of real line [8]. In literature, many type of fuzzy numbers like triangular fuzzy number, trapezoidal fuzzy number, pentagonal fuzzy number,
MODUL KULIAH SISTEM KENDALI TERDISTRIBUSI . Sistem Kendali Terdistribusi atau yang lebih dikenal dengan nama Distributed Control System (DCS) mengacu pada sistem kontrol yang biasa digunakan pada sistem manufaktur, proses atau sistem dinamis lainnya dimana elemen kontroler tidak .
Fuzzy Logic IJCAI2018 Tutorial 1. Crisp set vs. Fuzzy set A traditional crisp set A fuzzy set 2. . A possible fuzzy set short 10. Example II : Fuzzy set 0 1 5ft 11ins 7 ft height . Fuzzy logic begins by borrowing notions from crisp logic, just as
Friday was a very good trading day, and this simple method worked like gangbusters. On days when trading is less active, this method still will work well, but you may see fewer trades, and you will definitely see smaller price moves than the ones demonstrated here. But the purpose of these charts is not to convince you to trade this method. They are merely demonstrations of when and where you .
