Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Diseno de Controlador Denavit
Diseno de Controlador Denavit
UNIVERSIDAD DE PAMPLONA
FACULTAD DE INGENIERIAS Y ARQUITECTURA
PROGRAMA DE INGENIERA MECATRNICA
AGRADECIMIENTOS
CONTENIDO
INTRODUCCION
CAPITULO 1
1. MARCO TEORICO
1.1 CINEMATICA DE ROBOT
1.1.1 CINEMATICA DIRECTA
1.1.1.1 EL PROBLEMA CINEMATICO DIRECTO
1.1.1.2 RESOLUCION DEL PROBLEMA CINEMATICO DIRECTO
MEDIANTE LAS MATRICES DE TRANSFORMACION
HOMOGENEAS
CINEMTICA INVERSA.
DESACOPLO CINEMATICO
DINAMICA DE ROBOT
1.3.1
1.3.2 NOTACIN
1.3.3 FUNCIONES DE TRANSFERENCIA
1.3.3.1 LIMITADOR FUERTE (HARDLIM)
1.3.3.2 FUNCIN DE TRANSFERENCIA LINEAL (PURELIN)
1.3.3.3 FUNCIN DE TRANSFERENCIA SIGMOIDAL (LOGSIG)
1.3.3.4 TOPOLOGA DE UNA RED
1.3.3.5 PERCEPTRN
1.3.3.5.1 ANTECEDENTES
1.3.3.5.2 ESTRUCTURA DE LA RED
1.3.3.5.3 REGLA DE APRENDIZAJE
1.3.3.5.4 LIMITACIN DE LA RED PERCEPTRN
1.3.3.5.5 PERCEPTRN MULTICAPA
1.4 SENSORES
2.1.3
[ ]
LOS
CRITERIOS
DE
ERROR
DE
DE
2.8.3
OBTENER
LAS
MATRICES
INVERSAS
0
TRANSFORMACION Ai PARA CADA ELEMENTO i
DE
Ai
CAPITULO 3
3. DISEO Y PARAMETROS PARA EL ROBOT SCARA
Universidad de Pamplona - Ciudad Universitaria - Pamplona (Norte de Santander - Colombia)
Tels: (7) 5685303 - 5685304 - 5685305 Fax: 5682750 - www.unipamplona.edu.co
10
INTRODUCCIN
Los sistemas de computacin secuencial, son exitosos en la
resolucin de problemas matemticos o cientficos, en la creacin,
manipulacin y mantenimiento de bases de datos, en
comunicaciones electrnicas, en el procesamiento de textos,
grficos y auto edicin, incluso en funciones de control de
electrodomsticos, hacindolos ms eficientes y fciles de usar,
pero definitivamente tienen una gran incapacidad para interpretar el
mundo.
El desarrollo de nuevos sistemas de tratamiento de la informacin,
que permitan solucionar problemas cotidianos, tal como lo hace el
cerebro humano; este rgano biolgico cuenta con varias
caractersticas deseables para cualquier sistema de procesamiento
digital, tales como:
1. Es robusto y tolerante a fallas, diariamente mueren neuronas
sin afectar su desempeo.
2. Es flexible, se ajusta a nuevos ambientes por aprendizaje, no
hay que programarlo.
3. Puede manejar informacin difusa, con ruido o inconsistente.
4. Es altamente paralelo
5. Es pequeo, compacto y consume poca energa.
La teora de las RNA ha brindado una alternativa a la computacin
clsica, para aquellos problemas, en los cuales los mtodos
tradicionales no han entregado resultados muy convincentes, o
poco convenientes. Las aplicaciones ms exitosas de las RNA son:
1.
2.
3.
4.
5.
6.
7.
11
12
RESUMEN
En este trabajo se presenta el diseo de un robot SCARA (de tres
grados de libertad) controlado su velocidad mediante un control PID
utilizando inversin del modelo y la posicin mediante un control
con redes neuronales artificiales.
En el diseo se presenta clculo de la dinmica del robot SCARA y
la seleccin de los sensores y los motores, como el tipo de red a
utilizar.
Adems se da a conocer la etapa de potencia.
13
OBJETIVO GENERAL
14
OBJETIVO ESPECIFICO
15
16
JUSTIFICACION
La utilizacin del Control Dinmico mediante Redes Neuronales
Artificiales para un robot SCARA mejorara la velocidad y precisin
de la trayectoria del robot ya que las redes neuronales daran el
ajuste necesario para trabajar en ptimas condiciones dando
solucin a posibles perturbaciones presentes. Adems las RNA
proporcionaran las siguientes caractersticas al robot SCARA
como:
1. Es robusto y tolerante a fallas, diariamente mueren neuronas
sin afectar su desempeo.
2. Es flexible, se ajusta a nuevos ambientes por aprendizaje, no
hay que programarlo.
3. Puede manejar informacin difusa, con ruido o inconsistente.
4. Es altamente paralelo
5. Es pequeo, compacto y consume poca energa
17
18
19
20
Ecu.1.1
y = f y (q1 , q 2 , q 3 , q 4 , q 5 , q 6 )
Ecu.1.2
z = f z (q1 , q 2 , q3 , q 4 , q5 , q 6 )
Ecu.1.3
= f (q1 , q 2 , q3 , q 4 , q5 , q 6 )
Ecu.1.4
= f (q1 , q 2 , q3 , q 4 , q5 , q6 )
Ecu.1.5
= f (q1 , q 2 , q3 , q 4 , q5 , q 6 )
Ecu. 1.6
Ecu.1.7
21
y = l1 cos q1 + l 2 cos(q1 + q 2 )
Ecu.1.8
(i 1)
22
( )
A2 = 0 A1 1 A2
Ecu.1.9
( )( A )
A3 = 0 A1 1 A2
Ecu.1.10
( )( A )( A )( A )( A )
T = 0 A6 = 0 A1 1 A2
Ecu.1.11
23
Ai = T ( z , i )T (0,0, d i )T (a,0,0)T ( x, i )
Ecu.1.12
C i S i
S i S i
C i C i
S i C i
S i
0
C i
0
a i C i
a i S i
di
Ecu. 1.13
24
DH11.Obtener Di como la distancia, medida a lo largo de Zi1, que habra que desplazar (Si-1) para que Xi y Xi-1
quedasen alineados.
25
Ecu.1.14
26
27
Ecu.1.15
28
0 0 0 1
Ecu. 1.16
29
30
31
( )( A )( A )
T = 0 A1 1 A2
Ecu. 1.17
Se tendr que:
(1
A1 T =1A2 2 A3
( )
(1
A2 1 0 A1 T =
)(
) ( A)
Ecu. 1.18
2
Ecu.1.19
32
ox
oy
oz
ax
ay
az
p x n x
p y o x
=
p z a x
1 0
ny
oy
ay
0
nT p
oT p
a T p
nz
oz
az
0
Ecu.1.20
inversa
C1
S
0
A1 1 = 1
0
S1
0 C1
1
0
0
0
0
I1
C1
0
=
S1
0
1 I1
0 0
0 1
0
S1
0
C1
0
Ecu.1.21
inversa
A2
C 2
S
= 2
0
0
0
1
0
S2
C2
0
0
0
0
0
C2
0
=
S 2
S2
0
C2
0
0
1 0
0 0
0 1
0
Ecu.1.22
33
inversa
A3
1
0
=
0
0
1 0 0
0 1 q3
0 0 1
0 0
1
0
=
0
0
1 0
0
0 1 q3
0 0
1
0 0
Ecu.1.23
0
C 2 0 S 2 0 1 0
S
C 2 0 0 1
2 0
0 1 0
0 0 0
0
0
1 0 0
0
( )
0 0 n x ox
1 I1 n y o y
C1 0 0 n z o z
0
0 1 0 0
0 0 C 2 0 S 2
0 0 S 2 0
C2
=
1 q3 0 1 0
0 1 0
0
0
S1
0
px
p y
=
az pz
0
1
S 2 q3
C 2 q3
0
Ecu. 1.18
ax
ay
Ecu. 1.24
Ecu.1.25
q1 = arctg
px
Ecu. 1.26
Se tiene finalmente:
34
p2 p2
x
y
q 2 = arctg
l1 p z
q3 = C 2 ( p z l1) S 2 p x2 + p y2
Ecu. 1.27
Ecu. 1.28
35
calculados (q1, q2, q3) obtiene los valores del resto de las variables
articulares.
36
sistema (S5): O5. Por su parte, el punto final del robot ser el origen
del sistema (S6): O6.
Enseguida se utilizaran los vectores:
Pm = O0 O5
Ecu.1.29
Pr = O0 O6
Ecu.1.30
Que van desde el origen del sistema asociado a la base del robot
(S0) hasta los puntos centro de la mueca y fin del robot,
respectivamente. Puesto que la direccin del eje Z6 debe coincidir
con la de Z5 y la distancia entre O5 y O6 medida a lo largo de Z5 es
precisamente d4 = I4, se tendr que:
Pr = Px , Py , Pz
Ecu.1.31
( )
R6 = (n o a )= 0 R3 3 R6
Ecu.1.32
( )( A )
R3 = 0 A1 1 A2
Ecu.1.33
37
[ ] ( A ) ( A ) = ( R ) [n
R6 = Rij =
1 0
o a]
Ecu.1.34
( )( A )
R6 = 3A4 4 A5
Ecu.1.35
Donde i-1Ri es la submatriz de rotacin de la matriz de DenavitHartemberg i-1Ai, cuyos valores son:
C 4
R4 = S 4
0
S4
0
C 4
1 0
Ecu.1.36
C 5
R5 = S 5
0
S5
0 C 5
1
0
Ecu.1.37
C 6
R6 = S 6
0
S6
C6
0
o
0
1
Ecu.1.38
C 4 C 5 C 6 S 4 S 6
R6 = S 4 C 5 C 6 + C 4 S 6
S 5C6
C4C5C6 S 4 S 6
S 4 C5 C6 + C 4 C6
S5 S6
C4 S5
S 4 C 5
C 5
Ecu.1.39
38
S 5C6
[ ]
C 4 C5 C 6 S 4 S 6
S 4C5C6 + C 4C6
S5 S6
C4 S5
S 4 C 5
C 5
Ecu.1.40
= C4 S5
= S 4 C5
= C5
= S 5C6
= S5 S6
Ecu. 1.41
Ecu. 1.42
Ecu. 1.43
Ecu. 1.44
Ecu. 1.45
Ecu. 1.46
Ecu. 1.47
r
q 6 = arctan 32
r31
Ecu.1.48
39
40
F = mv
T = I w+ wx(Iw)
Ecu. 1.49
Ecu. 1.50
d 2
= I 2 + MgL cos = ML2 + MgL cos
dt
Ecu. 1.51
41
42
43
0 Ai
U ij =
q j
Ecu.1.52
U ijk =
U ij
Ecu. 1.53
q k
5. Obtener las matrices de pseudo inercias Ji para cada elemento,
que vienen definidas por: Integral de cada uno de los elementos
que componen la matriz:
xi2 dm
y i xi dm
J i =
z i xi dm
x dm
i
x y dm
y dm
z y dm
y dm
i
2
i
x z dm
y z dm
z dm
z dm
i i
i i
2
i
i
x dm
y dm
z dm
dm
i
Ecu.1.54
traza(U
k = max(i , j )
kj
J k U kiT )
Ecu. 1.55
Con i, j = 1,2,...,n
n: Numero de grados de libertad.
44
Traza(U
hikm =
j = max( i , k , m )
jkm
Ecu, 1.56
J jU Tji )
Con i, k, m = 1,2,..., n
8.Obtener la matriz columna de fuerzas de Coriolis y centrpeta H =
hi cuyos elementos vienen definidos por:
n
hi = hikm q k q m
Ecu. 1.57
k =1 m =1
ci =
( m
n
j =1
gU
j
ji
rj
Ecu. 1.58
Con i = 1,2,...,n
g: Es el vector de gravedad expresado en el sistema de la base S0
y viene expresado por (gx, gy, gz, 0)
irj : Es el vector de coordenadas homogneas del centro de masas
del elemento j expresado en el sistema de referencia del elemento i.
10. La ecuacin dinmica del sistema ser:
= D q+ H + C
Ecu. 1.59
Donde,
45
46
4.
5.
6.
7.
47
48
Ecu. 1.60
Una idea clara de este proceso se muestra en la fig. 1.10 en donde
puede observarse el recorrido de un conjunto de seales que entran
a la red.
49
en el valor de salida
especficas de cada red.
1.3.2 Notacin
Una notacin matemtica estndar no ha sido an establecida para
las redes neuronales, ya que sus aplicaciones son tiles en muchos
campos, Ingeniera, Fsica, Psicologa y Matemticas. En este
trabajo se adopt la siguiente convencin para identificar las
variables, de manera que fuera compatibles con las diferentes
reas, siendo lo ms sencilla posible:
50
51
Ecu.1.64
Ecu.1.65
52
53
Ecu.1.67
Esta funcin es comnmente usada en redes multicapa, como la
Backpropagation, en parte porque la funcin logsig es diferenciable.
Icono
Funcin
Entrada /Salida
Limitador Fuerte
Hardlim
Limitador
Simtrico
Hardlims
Fuerte
54
Lineal Positiva
Poslin
Lineal
Purelin
Lineal Saturado
Satlin
Lineal
Saturado
Simtrico
Satlins
Sigmoidal
Logartmico
Logsig
Tangente
Sigmoidal
Hiperblica
Tansig
Competitiva
Compet
55
56
57
58
59
una red de una capa con R=S1 entradas, S1=S2 neuronas y una
matriz de pesos W2 de dimensiones S1xS2
60
Retardo
61
Ecu.1.70
La salida del bloque de retardo es el valor de entrada retrasado en
un paso de tiempo, este bloque requiere que la salida sea
inicializada con el valor a(0) para el tiempo t=0; a(0) se convierte en
la salida de la red para el instante de tiempo inicial.
Integrador
Ecu.1.71
En general las redes neuronales se pueden clasificar de diversas
maneras, segn su topologa, forma de aprendizaje (supervisado o
no supervisado), tipos de funciones de activacin, valores de
entrada (binarios o continuos); un resumen de esta clasificacin se
observa en la fig. 1.25
62
63
64
65
Ecu. 1.72
A pesar de esta limitacin, el Perceptrn es an hoy una red de
gran importancia, pues con base en su estructura se han
desarrollado otros modelos de red neuronal como la red Adaline y
las redes multicapa.
1.3.3.5.2 Estructura De La Red
Fig.1.29 Perceptrn
La nica neurona de salida del Perceptrn realiza la suma
ponderada de las entradas, resta el umbral y pasa el resultado a
una funcin de transferencia de tipo escaln. La regla e decisin es
responder +1 si el patrn presentado pertenece a la clase A, o 1 si
el patrn pertenece a la clase B (fig.1.29), la salida depende de la
entrada neta (n = suma de las entradas pi ponderadas).
La red tipo Perceptrn emplea principalmente dos funciones de
transferencia, hardlim con salidas 1, 0 o hardlims con salidas 1, -1;
su uso depende del valor de salida que se espera para la red, es
decir si la salida de la red es unipolar o bipolar; sin embargo la
funcin hardlims es preferida sobre la hardlim, ya que el tener un
cero multiplicando algunas de los valores resultantes del producto
66
Ecu.1.73
Los pesos para una neurona estn representados por un vector
compuesto de los elementos de la i-sima fila de W
Ecu.1.74
De esta forma y empleando la funcin de transferencia hardlim la
salida de la neurona i de la capa de salida
Ecu.1.75
67
Ecu.1.77
Los valores de los pesos determinan el funcionamiento de la red,
estos valores se pueden fijar o adoptar utilizando diferentes
algoritmos de entrenamiento de la red.
Como ejemplo de funcionamiento de una red neuronal tipo
Perceptrn, se solucionar el problema de la funcin OR, para esta
funcin la red debe ser capaz de devolver a partir de los cuatro
patrones de entrada, a qu clase pertenece cada uno; es decir para
el patrn 00 debe devolver la clase cero y para los restantes la
clase 1, segn la fig.1.30
68
Fig.1.30 Funcin OR
Para este caso las entradas a la red sern valores binarios, la salida
de la red esta determinada por
Ecu.1.78
Si w1p1+w2p2 es mayor que 0 la salida ser 1, en caso contrario la
salida ser 1 (funcin escaln unitario). Como puede verse la
sumatoria que se le pasa a cada parmetro (entrada total) a la
funcin hardlim (funcin de salida o de transferencia) es la
expresin matemtica de una recta, donde w1 y w2 son variables y
p1 y p2 son constantes. En la etapa de aprendizaje se irn variando
los valores de los pesos obteniendo distintas rectas, lo que se
pretende al modificar los pesos de las conexiones es encontrar una
recta que divida el plano en dos espacios de las dos clases de
valores de entrada, concretamente para la funcin OR se deben
separar los valores 01, 10, y 11 del valor 00; la red Perceptrn que
realiza esta tarea y la grfica caracterstica pueden observarse en la
fig.1.31 all puede verse como las posibles rectas pasarn por el
origen de coordenadas, por lo que la entrada 00 quedar sobre la
propia recta.
69
70
71
72
Ecu.1.85
Ecu.1.86
Ecu.1.87
En una sola expresin la ley puede resumirse as:
Ecu.1.88
Y extendiendo la ley a las ganancias
Ecu.1.89
1.3.3.5.4 Limitacin De La Red Perceptrn
Se plante la restriccin que existe para los tipos de problemas que
una red Perceptrn puede solucionar, como se dijo esta red puede
resolver solamente problemas que sean linealmente separables,
esto es problemas cuyas salidas estn clasificadas en dos
categoras diferentes y que permitan que su espacio de entrada sea
divido en estas dos regiones por medio de un hiperplano de
caractersticas similares a la ecuacin del Perceptrn, es decir
Ecu.1.90
Ejemplos de problemas de este tipo son las funciones lgicas OR y
AND estudiadas anteriormente; para ilustrar ms claramente que
significa que un problema sea linealmente separable se analizar
un caso que no lo sea, el caso de la compuerta XOR, el cual se
visualiza en la fig. 1.34
73
74
(p3)
(p4)
75
76
77
78
Regiones
Estructura de
Decisin
Formas de
Clases con
Problema
Regiones
Regiones
de la XOR
ms
Mezcladas
Generales
Medio Plano
Limitado por
un
Hiperplano
Regiones
Cerradas o
Convexas
Complejidad
Arbitraria
Limitada por
el Nmero
de
Neuronas
Tabla 1.6 Distintas formas de las regiones generadas por un
Perceptrn Multicapa
El Perceptrn bsico slo puede establecer dos regiones
separadas por una frontera lineal en el espacio de entrada de los
patrones; un Perceptrn con dos capas, puede formar cualquier
regin convexa en este espacio. Las regiones convexas se forman
mediante la interseccin de regiones formadas por cada neurona de
la segunda capa, cada uno de estos elementos se comporta como
un Perceptrn simple, activndose su salida para los patrones de
un lado del hiperplano, si el valor de los pesos de las conexiones
entre las neuronas de la segunda capa y una neurona del nivel de
salida son todos igual a 1, y la funcin de salida es de tipo hardlim,
la salida de la red se activar slo si las salidas de todos los nodos
de la segunda capa estn activos, esto equivale a ejecutar la
funcin lgica AND en el nodo de salida, resultando una regin de
decisin interseccin de todos los semiplanos formados en el nivel
Universidad de Pamplona - Ciudad Universitaria - Pamplona (Norte de Santander - Colombia)
Tels: (7) 5685303 - 5685304 - 5685305 Fax: 5682750 - www.unipamplona.edu.co
79
80
81
calidad,
pero
ahora
nos
Linealidad
82
Resolucin
Umbral
83
presentarse
en
el
umbral
sin
mayores
84
Ruido
85
Repetitividad
Histresis
Estabilidad
86
87
88
89
TM = Fi r = k M ir
Ecu.1.94
Fi = Bxir
Ecu.1.95
Ecu.1.96
1.5.2 Modelo De Motor De Continua De Imn Permanente
De los motores de corriente continua, por los que ms inters
muestra la teora de control, son por los de imanes permanentes.
No necesitan de una fuente exterior para generar el flujo magntico,
facilitan el diseo del sistema de control y actualmente ofrecen una
buena relacin par-peso. A estos motores son a los que se van a
modelar su comportamiento dinmico. La tensin en la entrada ser
igual a la cada de tensin en la resistencia de armadura, al efecto
del flujo magntico disperso y a la fuerza contraelectromotriz. Tanto
la fuerza contraelectromotriz como el par mecnico, por los
principios bsicos de los motores elctricos, son proporcionales a la
velocidad angular y a la corriente en el rotor, respectivamente. El
par de motor ser igualado a los dispositivos de almacenamiento y
de disipacin de energa equivalente, vista desde el rotor.
90
u e (t ) = Ra ia (t ) + La
di (t )
+ eb (t )
dt
Ecu. 1.97
eb (t ) = k b wm (t )
Ecu. 1.98
Tm (t ) = k i ia (t )
Ecu. 1.99
Tm = J m
d 2 m
d
+B m
2
dt
dt
Ecu.1.100
Ecu. 1.101
eb (s ) = k B wm (s )
Ecu. 1.102
Tm (s ) = k i ia (s )
Ecu. 1.103
Tm (s ) = ( J m s + Bm )wm (s )
Ecu. 1.104
91
Pm = ia eb = Tm wm
Ecu. 1.105
ia eb = k i ia wm ia k b wm = k i ia wm
Ecu. 1.106
ki = kb
[N .m A] = [V .s rad ]
Ecu. 1.107
VE k b wm
Ra
Ecu. 1.108
V k b wm
Tm = k i I a = k i E
Ecu. 1.109
92
93
Ecu.1.109
Resulta que:
Ecu.1.111
94
Ecu.1.112
Ecu.1.113
Esta expresin representa la ley de control que permite calcular
cual es el par que se pretende que den los actuadotes del robot. A
la vista del diagrama de bloques, se tiene que:
Ecu.1.114
95
Ecu.1.115
(
)
e
=
q
q
Js
+
B
sq
d
d en ambos
y sumando
Considere que
miembros se tiene:
Ecu.1.116
()
Con lo que el error con la trayectoria deseada q d t y la real q (t )
vendr dada por:
Ecu.1.117
Esta expresin de e(s ) indica que si no se cambia la posicin
( () )
deseada q d s = 0
Pero aparece una perturbacin en forma de escaln
error valdr:
=1
s , el
Ecu.1.118
Supuesto el sistema estable, el valor final del error podr obtenerse
por aplicacin del teorema del valor final:
96
p
) poco
las dems (representado por el par perturbador
significativo, no es siempre aceptable.
Frente a las tcnicas basadas en el supuesto desacoplamiento de
las articulaciones, las tcnicas de control acoplado contemplan el
modelo dinmico real del robot, haciendo uso del conocimiento del
mismo para tratar de desacoplar el sistema.
= D(q ) q + H q, q + C (q ) + Fv q + e = D(q ) q + N q, q + e
Ecu.1.118
N q, q
se han incluido todos los pares distintos del de
Donde en
inercia (Coriolis, Gravedad, rozamiento, etc.).
Para desacoplar este modelo puede recurrirse al esquema
representado en la
Fig. 1.52 en que la tensin de mando de los actuadotes u se
N q, q
,
obtienen a partir de la seal y de las matrices D(q ) y
siendo.
97
= ku = D(q ) + N q, q
Ecu.1.119
= D(q ) q + N q, q + e
Ecu.1.120
= q + D 1 (q ) e
Ecu.1.121
2
con que = q d = s Iq d , con lo que:
q d = q + D 1 (q ) e
Ecu.1.122
98
u = k 1 D(q )s 2 Iq d + N q, q
Ecu.1.123
99
100
1
2
3
0
0
K1
K2
0
0
0
0
101
= 2 +
Ecu. 2.1
= 3
Ecu. 2.2
= 1
Ecu. 2.3
cos( ) sin( )
sin( ) cos( )
0
A1 =
0
0
0
0
Ecu. 2.4
cos( ) sin( )
sin( ) cos( )
1
A2 =
0
0
0
0
0 k1 cos( )
0 k1sin( )
1
0
0
1
0 k 2 cos( )
0 k 2 sin( )
1
0
0
1
Ecu. 2.5
1
0
2
A3 =
0
0
1
0
0
0
0
1
0
0
0
0
Ecu. 2.6
102
0
0
0
0
1
0
0
1
Ecu. 2.7
0
0
0
0
2.1.2
0 cos*k2cossin*k2sin+k1cos
0 sin*k2cos+cos*k2sin+k1sin Ecu. 2.8
0
1
0 Ai
U ij =
q j
Matriz U 11
sin( ) cos( )
A1 cos( ) sin( )
=
=
0
0
0
0
0
U 11
Ecu.2.9
Matriz U 12
A1 0
=
=
0
0
0
U 12
0 k1sin( )
0 k1 cos( )
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Ecu.2.10
103
Matriz U 13
A1 0
=
=
0
0
0
U 13
0
0
0
0
0
0
0
0
0
0
0
Ecu.2.11
Matriz U 21
0
0
0 sin*k2coscos*k2sink1sin
0 cos*k2cossin*k2sin+k1cos Ecu.2.12
0
0
0
0
Matriz U 22
0
0
Matriz U 23
A2 0
=
U23 =
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Ecu.2.14
Matriz U 31
0
0
0 cos*k2sinsin*k2cos
0 sin*k2sin+cos*k2cosEcu.2.13
0
0
0
0
0 sin*k2coscos*k2sink1sin
0 cos*k2cossin*k2sin+k1cos Ecu.2.15
0
0
0
0
Matriz U 32
104
0
0
0 cos*k2sinsin*k2cos
0 sin*k2sin+cos*k2cos Ecu.2.16
0
0
0
0
Matriz U 33
0 0 0 0
0 A3 0 0 0 0
=
U33 =
0 0 0 1
0 0 0 0
2.1.4 Obtener Las Matrices U ijk
U ijk =
U ij
q k
Matriz U 111
U111
Ecu.2.17
cos
U11 sin
=
=
0
sin
cos
0
0
0 k1cos
0 k1sin
0
1
0
0
Ecu.2.18
Matriz U 112
U 11 0
U 112 =
=
0
0
Matriz U 113
0 0 0
0 0 0
0 0 0
0 0 0
Ecu.2.19
105
U 11 0
=
U 113 =
0
0
Matriz U 121
0
0
0
0
0
0
0
0
0
0
0
Ecu.2.20
U 12 0
=
U 121 =
0
0
Matriz U 122
0
0
0
0
0
0
0
0
0
0
0
Ecu.2.21
0
0
0
0
0
0
0
0
0
0
0
Ecu.2.22
0
0
0
0
0
0
0
0
0
0
0
Ecu.2.23
U 13 0
=
=
0
0
0
0
0
0
0
0
0
U 122
U 123
U 12 0
=
=
0
0
Matriz U 123
U 12 0
=
=
0
0
Matriz U 131
U 131
0
0
0
Ecu.2.24
Matriz U 132
106
0 0
U 13 0 0
=
U 132 =
0 0
0 0
Matriz U 133
0
0
0
0
0
0
0
Ecu.2.2
0 0
U 13 0 0
=
U 133 =
0 0
0 0
Matriz U 211
0
0
0
0
0
0
0
Ecu.2.26
coscos+sinsin cossin+sincos
U sincoscossin sinsincoscos
U211= 21 =
0
0
0
0
0 cos*k2cos+sin*k2sink1cos
0 sin*k2coscos*k2sink1sin
0
0
0
0
Matriz U 212
sinsincoscos sincos+cossin
U cossinsincos coscos+sinsin
U212= 21 =
0
0
0
0
Ecu.2.27
0 sin*k2sincos*k2cos
0 cos*k2sinsin*k2cos
0
0
0
0
Ecu.2.28
Matriz U 213
U21 0
=
U213 =
0
0
0
0
0
0
0
0
0
0
0
0
Ecu.2.29
107
Matriz U 221
0
0
Matriz U 222
0
0
0
0
0
0
0
0
0
Ecu.2.32
0
0
0
0
0
0
0
0
0
0
0
Ecu.2.33
0
0
0
0
0
0
0
Ecu.2.34
Matriz U 232
U23 0
=
U232 =
0
0
0
0
0
Matriz U 231
U23 0
=
U231 =
0
0 cos*k2cos+sin*k2sin
0 sin*k2coscos*k2sinEcu.2.31
0
0
0
0
Matriz U 223
U22 0
=
U223 =
0
0 sin*k2sincos*k2cos
0 cos*k2sinsin*k2cosEcu.2.30
0
0
0
0
0
0
0
0
Matriz U 233
108
U23 0
=
U233 =
0
0
0
0
0
0
0
0
0
0
0
0
Matriz U 311
0
0
Ecu.2.35
0 cos*k2cos+sin*k2sink1cos
0 sin*k2coscos*k2sink1sinEcu.2.36
0
0
0
0
Matriz U 312
0
0
0 sin*k2sincos*k2cos
0 cos*k2sinsin*k2cos Ecu.2.37
0
0
0
0
Matriz U 313
0 0 0
0 0 0
U
U313 = 31 =
0 0 0
0 0 0
Matriz U 321
0
0
0
Ecu.2.38
0
0
Matriz U 322
0
0
0 sin*k2sincos*k2cos
0 cos*k2sinsin*k2cosEcu.2.39
0
0
0
0
0 cos*k2cos+sin*k2sin
0 sin*k2coscos*k2sinEcu.2.40
0
0
0
0
Matriz U 323
109
0
0
U
U323 = 32 =
0
0
0
0
Ecu.2.41
0 0 0
0 0 0
U
U331 = 33 =
0 0 0
0 0 0
Matriz U 332
0
0
0
Ecu.2.42
0 0 0
U33 0 0 0
=
U332 =
0 0 0
0 0 0
Matriz U 333
0
0
0
Ecu.2.43
0
0
0
0
0
0
0
0
Matriz U 331
0 0 0 0
0 0 0 0
U
U333 = 33 =
Ecu.2.44
0 0 0 0
0 0 0 0
2.1.5 Obtener Las Matrices de Pseudoninercia Ji Para Cada
Elemento
xi2 dm
y i xi dm
J i =
z i xi dm
x dm
i
x y dm
y dm
z y dm
y dm
i
2
i
x z dm
y z dm
z dm
z dm
i i
i i
2
i
i
x dm
y dm
z dm
dm
i
Matriz de Pseudoinercia J 1
110
k 3 2 m1
0
J1 =
0
k 3m1
0
0
0
0
0 k 3m1
0
0
0
0
0 m1
Ecu. 2.45
Matriz de Pseudoinercia J 2
k 4 2 m2
0
J2 =
0
k 4m2
0
0
0
0
0 k 4m 2
0
0
0
0
0 m 2
Ecu. 2.46
Matriz de Pseudoinercia J 3
0
0
J3 =
0
0
0 0 0
0 0 0
0 0 m3
0 0
Ecu. 2.47
[ ]
traza(U
d ij =
k = max( i , j )
d11 =
kj
J k U kiT )
traza(U
k =max(1,1)
T
T
J UkT1 ) = Tr(U11J1U11T ) + Tr(U21J2U21
) + Tr(U31J3U31
) Ecu.2.48
k1 k
2 k 2 2 m 3 + k1 2 m 3 + 2 k 4 2 m 2 + 4 k 2 k 4 m 2 + 2 k 2 2 m 2 +
d 11 = 2
2
2
k1 m 2 + k 3 m1 + 2 k1k 3m1 + k1 m1
d12 =
traza(U
k = max(1, 2 )
k2
T
J k U kT1 ) = Tr (U 22 J 2U 21
)
Ecu.2.49
111
d12 = 2k 4 2 m2 + 4k 2k 4m2 + 2k 2 2 m2
d13 =
traza(U
k = max(1, 3)
k3
T
J k U kT1 ) = Tr (U 33 J 3U 31
)
Ecu.2.50
d13 = 0
d 21 =
Matriz de inercia d 21
3
traza(U
k1
k = max( 2 ,1)
T
J k U kT2 ) = Tr (U 21 J 2U 22
)
d 21 = 2k 4 2 m2 + 4k 2k 4m2 + 2k 2 2 m2
Matriz de inercia d 22
d 22 =
traza(U
k = max( 2 , 2 )
k2
T
J k U kT2 ) = Tr (U 22 J 2U 22
)
d 22 = 2k 4 2 m2 + 2k 2 2 m2 + 4k 2k 4m2
d 23 =
Ecu.2.51
Ecu.2.52
Matriz de inercia d 23
3
traza(U
k = max( 2 , 3)
k3
T
J k U kT2 ) = Tr (U 33 J 3U 32
)
Ecu.2.53
d 23 = 0
d 31 =
Matriz de inercia d 31
3
traza(U
k = max( 3,1)
k3
T
J k U kT3 ) = Tr (U 31 J 3U 33
)
Ecu.2.54
d 31 = 0
112
d 32 =
Matriz de inercia d 32
3
traza(U
k = max( 3, 2 )
T
J k U kT3 ) = Tr (U 32 J 3U 33
)
k2
Ecu.2.55
d 32 = 0
d 33 =
Matriz de inercia d 33
3
traza(U
k = max( 3, 3)
k3
T
J k U kT3 ) = Tr (U 33 J 3U 33
)
Ecu.2.56
d 33 = m3
d11
D = d 21
d 31
d 12
d 22
d 32
d13
d 23
d 33
2k 22 m3 + k12 m3 + 2k 42 m 2 + 4k 2k 4m 2
2
2
2
+ 2k 2 m 2 + k1 m2 + k 3 m1 + 2k1k 3m1
+ k1 m1
2 k 4 2 m 2 + 4 k 2 k 4 m 2
D=
2
+ 2k 2 m2
Ecu.2.57
2k 4 2 m 2 + 4k 2k 4m 2
2
+ 2k 2 m 2
2k 4 2 m 2 + 2k 2 2 m2
+ 4k 2k 4m 2
m3
Ecu.2.58
113
Traza(U
j = max( i , k , m )
jkm
J jU Tji )
Termino h111
h111 =
Tr (U
j = max(1,1,1)
T
T
J U 11T ) +Tr (U 211 J 2U 21
) + Tr (U 311 J 3U 31
)
111 1
Ecu.2.59
h111 = 0
Termino h112
h112 =
Tr (U
j = ma (1,1, 2 )
212
T
J 2U 21
)
Ecu.2.60
Tr (U
j = max( 2 , 2 ,1)
221
T
J 2U 22
)
Ecu.2.61
h221 = 0
h222 =
Termino h222
3
Tr (U
j = max( 2 , 2 , 2 )
222
T
J 2U 22
)
Ecu.2.62
h222 = 0
114
h223 =
h331 =
h332 =
h333 =
h121 =
Termino h223
3
Tr (U
j = max( 2 , 2 , 3)
323
T
J 3U 32
)=0
Ecu.2.63
Termino h331
3
Tr (U
T
J 3U 33
)=0
331
j = max( 3, 3,1)
Ecu.2.64
Termino h332
3
Tr (U
j = max( 3, 3, 2 )
332
T
J 3U 33
)=0
Ecu.2.65
Termino h333
3
Tr (U
j = max( 3, 3, 3)
333
T
J 3U 33
)=0
Ecu.2.66
Termino h121
3
Tr (U
j = max(1, 2 ,1)
221
T
J 2U 21
)
Ecu.2.67
h131 =
Termino h131
3
Tr (U
j = max(1, 3,1)
331
T
J 3U 31
)=0
Ecu.2.68
115
h212 =
h232 =
h313 =
h323 =
h211 =
Termino h212
3
Tr (U
212
j = max( 2 ,1, 2 )
Ecu.2.69
T
J 2U 22
)
Termino h232
3
Tr (U
j = max( 2 , 3, 2 )
332
T
J 3U 32
)=0
Ecu.2.70
Termino h313
3
Tr (U
T
J 3U 33
)=0
313
j = max( 3,1, 3)
Ecu.2.71
Termino h323
3
Tr (U
j = max( 3, 2 , 3)
323
T
J 3U 33
)=0
Ecu.2.72
Termino h211
3
Tr (U
j = max( 2 ,1,1)
211
T
J 2U 22
)
Ecu.2.73
h311 =
Termino h311
3
Tr (U
j = max( 3,1,1)
311
T
J 3U 33
)
Ecu.2.74
h311 = 0
Termino h122
116
h122 =
Tr (U
j = max(1, 2 , 2 )
Ecu.2.75
T
J 2U 21
)
222
Termino h322
h322 =
Tr (U
j = max( 3, 2 , 2 )
322
Ecu.2.76
T
J 3U 33
)
h322 = 0
Termino h133
h133 =
Tr (U
j = max(1, 3, 3)
333
T
J 3U 31
)=0
Ecu.2.77
Termino h233
h233 =
Tr (U
j = max( 2 , 3, 3)
333
T
J 3U 32
)=0
Ecu.2.78
hi = hikm q k q m
k =1 m =1
3 3
h1 =h1kmqk qm = h111+h112+h121+h122+h113+h131+h133
k=1 m=1
Ecu.279
h1 = m2k1(k 4 + k 2)
117
3 3
h2 =h2kmqk qm =h211+h212+h221+h222+h233+h232+h223
Ecu.2.80
k=1 m=1
h2 = m2k1(k 4 + k 2)
3 3
Ecu.2.81
h2 = 0
(
)
+
m
k
k
k
2
1
4
2
H = m2k1(k 4 + k 2 )
Ecu.2.82
ci =
( m
n
j =1
gU
j
ji
rj
0]
Ecu.2.83
118
r1 = [L3 0 0 0]
Ecu.2.84
r2 = [L 4 0 0 0]
Ecu.2.85
r3 = [0 0 0 1]
Ecu.2.86
c1 = m j gU j1 j r j = m1 gU 11 1 r1 m2 gU 21 r2 m3 gU 31 3 r3
2
Ecu.2.87
j =1
c1 = 0
c 2 = m j gU j 2 j r j = m1 gU 12 1 r1 m 2 gU 22 r2 m3 gU 32 3 r3 Ecu.2.88
2
j =1
c2 = 0
c3 = m j gU j 3 j r j = m1 gU 13 1 r1 m 2 gU 23 r2 m3 gU 33 3 r3 Ecu.2.89
2
j =1
c3 = m3g
0
C i = 0
m3 g
Ecu.2.90
119
= D q+ H + C
2k22m3+k12m3+2k42m2+4k2k4m2
+2k22m2+k12m2+k32m1+2k1k3m1
T1
+k12m1
F
2k42m2+4k2k4m2
2
2
=
+2k2 m2
0
T3
2k42m2+4k2k4m2
0
+2k2 m2
m2k1(k4+k2)
2
2
0
2k4 m2+2k2 m2+
2
0
* + m2k1(k4+k2) + 0
4k2k4m2
m3g
0
m3
0
2k42 m2 + 4k2k4m2
2
2
2
+ k1 m1
Ecu.2.91
2
2k 4 2 m2 + 4k 2k 4m2 2k 4 2 m2 + 2k 2 2 m2 +
Ecu.2.92
(
)
+
F2 =
m
2
k
1
k
4
k
2
+
+
+ 2k 2 2 m2
4
k
2
k
4
m
2
T3 = m3 + m3 g
Ecu.2.93
120
121
Ecu. 2.94
Integral del cuadrado del error (ICE)
Ecu. 2.95
Las integrales se extienden desde el momento en que ocurre la
perturbacin o cambio en el punto de control (t = 0), hasta un
tiempo posterior muy largo (t = OO), debido a que no se puede fijar
de antemano la duracin de las respuestas. El nico problema con
esta definicin de la integral, es que se vuelve indeterminada
cuando no se fuerza el error a cero, lo cual ocurre nicamente
cuando no hay accin de integracin en el controlador, debido a la
desviacin o el error de estado estacionario; en este caso, en la
definicin se reemplaza el error por la diferencia entre la variable
controlada y su valor final de estado estacionario.
122
Ecu.2.97
Las ecuaciones 2.96 a 2.97 constituyen las cuatro integrales
bsicas de error que se pueden minimizar para un circuito
particular, mediante el ajuste de los parmetros del controlador.
Desafortunadamente, el conjunto ptimo de valores parametritos no
est nicamente en funcin de cul de las cuatro definiciones de
integral se elige, sino que tambin depende del tipo de entrada,
esto es, perturbacin o punto de control y de su forma; por ejemplo,
cambio escaln, rampa, etc. Respecto a la forma de la entrada,
generalmente se elige el cambio escaln, porque es el ms molesto
de los que se presentan en la prctica; por lo que toca al tipo de
entrada, para el ajuste se selecciona el punto de control o
perturbacin, en funcin de cul se espera que afecte al circuito con
ms frecuencia.
Universidad de Pamplona - Ciudad Universitaria - Pamplona (Norte de Santander - Colombia)
Tels: (7) 5685303 - 5685304 - 5685305 Fax: 5682750 - www.unipamplona.edu.co
123
124
125
ke t 0 s
G (s ) =
s + 1
Ecu. 2.98
126
127
es independiente de la
dependen de la
se recomiendan son
puntos
Ecu.2.99
Ecu.2.100
Estos dos puntos,
se denominan
, respectivamente. Los
valores de
se pueden obtener fcilmente mediante la simple
resolucin del siguiente sistema de ecuaciones:
Ecu.2.101
Universidad de Pamplona - Ciudad Universitaria - Pamplona (Norte de Santander - Colombia)
Tels: (7) 5685303 - 5685304 - 5685305 Fax: 5682750 - www.unipamplona.edu.co
128
Ecu.2.102
Lo cual se reduce a .
Ecu.2.103
Ecu.2.104
Donde:
t1 = tiempo en el cual Ac = 0.283 Ac,
t2 = tiempo en el cual Ac = 0.632 Ac,
Ecu.2.105
Ecu.2.106
129
130
131
132
133
newlin: Funcin para crea una red tipo Adaline, que requiere
las siguientes entradas:
NEWLIN (PR,S,ID,LR)
134
135
Traingd
136
Traingdm
137
Traingda
Algoritmo de Gradiente Descendiente, que emplea una rata de
aprendizaje adaptiva durante el proceso de entrenamiento. La rata
de aprendizaje vara entre 0.01 y 1, una rata de aprendizaje muy
pequea torna lento el aprendizaje, pero si se incrementa
demasiado el aprendizaje puede tornarse inestable y crear
divergencia, por esto la funcin traingda vara la rata de aprendizaje
tratando de sacar provecho de la inclinacin del gradiente en cada
momento; su gran desventaja es que los pesos iniciales varan muy
poco as se encuentren distantes de los valores de convergencia.
La sintaxis de este el algoritmo es la siguiente:
138
139
Trainbfg
140
Trainlm
141
142
Fig.2.8 TIP31
2.4.2 Parmetros Del TIP31
En la Tabla 2.5 se muestra las caractersticas de voltaje del TIP31
143
144
:
Tabla 2.7 Caractersticas principales del motor MAXON
145
146
147
148
149
150
151
1
2
3
d
k
0
a
K1
K2
0
0
0
0
152
= 2 +
= 3
Ecu. 2.107
Ecu. 2.108
Ecu. 2.109
= 1
2.8.2 Obtener Las Matrices De Transformacin
elemento i
0 k1 cos( )
0 k1sin( )
k
1
0
1
0 k 2 cos( )
0 k 2 sin( )
1
0
0
1
Ecu. 2.111
1
0
2
A3 =
0
Ecu. 2.110
cos( ) sin( )
sin( ) cos( )
1
A2 =
0
0
0
0
Ai Para Cada
cos( ) sin( )
sin( ) cos( )
0
A1 =
0
0
0
0
0
1
0
0
0
0
1
0
0
0
Ecu. 2.112
153
coscossinsin cossinsincos
sincos+cossin sinsin+coscos
0
A3 =
0
0
0
0
0 cos*k2cossin*k2sin+k1cos
0 sin*k2cos+cos*k2sin+k1sin
0
1
Ecu2.113
ox
ax
oy
ay
oz
az
p x n x
p y o x
=
p z a x
1 0
nz
oy
oz
ay
az
nT p
oT p
a T p
Ai
Ecu. 2.114
cos( ) sin( )
sin( ) cos( )
1
A0 =
0
0
0
0
ny
0 k1
0 0
1 k
0 1
Ecu. 2.115
cos( ) sin( ) 0 k 2
sin( ) cos( ) 0
0
2
A1 =
0
0
1
0
0
0
1
0
Matriz inversa para el tercer eslabn
1
0
3
A2 =
0
0
1
0
0
0 0
0 0
1
0 1
Ecu. 2.116
Ecu. 2.117
154
( A)
1 0
T3 =1A2 2 A3
cos( ) sin( )
sin( ) cos( )
0
0
0
0
0 k1 n x o x a x
0 0 n y o y a y
*
1 k nz oz a z
0 1 0 0 0
cos() sin() 0 k 2 cos( ) 1 0
sin( ) cos( ) 0 k 2 sin() 0 1
*
0
0 0
0
1
0
0
0
1
0
0 0
cos() sin( ) 0 k 2 cos( ) (1,4 )
sin() cos() 0 k 2 sin( ) (2,4)
=
(3,4)
0
0
1
0
0
1
0
(4,4)
Ecu. 2.118
px
p y
=
pz
1
0 0
0 0
1
0 1
q3 = p z + k
Ecu. 2.119
Ecu. 2.120
155
(cos * p
sin * p x ) = (k 2 sin )
2
(1 sin )* p
2
(sin * p
+ cos * p x ) = (k 2 sin ) + p 2 y + p 2 x
2
Ecu. 2.121
Ecu. 2.122
(k 2 sin ) + p 2 y + p 2 x = k 2 cos + k1
2
k 2 2 k12 = 2k 2 cos k1
cos =
k 2 2 k12
2k 2k1
156
k 2 2 k12
= cos 1
2k 2k1
Ecu. 2.123
(A)
1 0
T3 = 2 A3 0 A1
Ecu. 2.124
Se obtiene
)
cos(
sin()
0
1 0 0
0 1 0
0 0 1
0 0 0
sin() 0 k2 nx
) 0 0 ny
cos(
*
0 1 0 nz
0 0 1 0
) sin() 0
0cos(
) cos(
) 0
0sin(
0
0 1
0 0
1 0
ox ax px
oy ay py
=
oz az pz
0 0 1
Ecu. 2.125
k1cos(
) cos(
) sin() 0 k1cos(
) (1,4)
k1sin(
) sin() cos(
) 0 k1sin()(2,4)
=
k (3,4)
k 0
0 1
0 0
1 (4,4)
1 0
Ecu. 2.126
k 2 2 k12
p x + sin ( ) p y k 2
( ) = cos 1 2k 2k1
k1
Ecu. 2.127
157
k 2 2 k12
= cos 1
2k 2k1
k 2 2 k12
p x + sin ( ) p y k 2
( ) = cos 1 2k 2k1
k1
158
159
160
161
162
163
164
J T = 3.9 x106
BT = 17 x106
Ecu.3.1
Ecu.3.2
165
K1
0.5m
K2
0.3m
K3
0.25m
K4
0.15m
m1
0.5kg
M2
0.3kg
m3
0.2kg
166
Ecu.3.3
Ecu.3.4
Ecu.3.5
3.2.2 Reemplazo De Valores
2k42 m2 + 4k2k4m2
2
2
2
T1 = + 2k2 m2 + k1 m2 + k3 m1+ 2k1k3m1 +
+ 2m2k1(k4 + k2)
2
2
+ 2k2 m2
+ k1 m1
Ecu.3.7
2
2k 42 m2 + 4k 2k 4m2 2k 42 m2 + 2k 22 m2 +
(
)
+
F2 =
m
2
k
1
k
4
k
2
+
+
+ 2k 22 m2
4
k
2
k
4
m
2
Ecu.3.6
Ecu.3.8
Ecu.3.9
T3 = m3 + m3 g
T3 = 0.2 + 2
Ecu.3.10
Ecu.3.11
167
= 2 +
= 3
= 1
Ecu.3.12
Ecu.3.13
Ecu.3.14
Ecu.3.15
Ecu.3.16
Ecu.3.17
168
T3 = 0.2 + 2
Ecu.3.18
T3 = 0.2 3 + 2
Ecu.3.19
Ecu.3.20
2
2
2
T1 = 0.713s 1 + 0.1215s ( 2 )+ 0.135s ( 2 ) 1
Ecu.3.21
Ecu.3.22
Ecu.3.23
T3 = 0.2 3 + 2
Ecu.3.24
T3 = 0.2 s 2 3 + 2
Ecu.3.25
169
= ku = D(q ) + N q, q
Ecu.3.26
Ecu.3.27
= D(q ) q + N q, q + e
Ecu.3.28
= q + D 1 (q ) e
Ecu.3.29
= q d = s 2 Iq d ,
Ecu.3.30
170
u = k 1 D(q )s 2 Iq d + N q, q
u = k 1
Para la posicin
2
(
)
+
D
q
s
Iq
N
q, q
d
Para la velocidad
s
Ecu. 3.31
Ecu. 3.32
171
Ecu. 3.33
Ecu. 3.34
T3 = 0.2 s 3 + 2
Ecu. 3.35
1 = 2 = 3 Ecu. 3.36
172
Ecu. 3.37
T1 = 0.713s 1 + 0.1215s ( 2 )+ 0.135s ( 2 ) 1
Ecu. 3.38
173
174
0.63C = 1.35
0.28C = 0.5
t 2 = 0.08
t1 = 0.04
Ecu. 3.39
Ecu. 3.40
Ecu. 3.41
Ecu. 3.42
t t
K p = 0 0
b1
0.02 0.020.945
=
Ecu. 3.43
b2
0.020.771
=
= 0.81
i =
0.06
t0
t
D = a3 0
b3
Ecu. 3.44
0.02
= 0.56* 0.06
0.06
1.101
= 0.01
Ecu. 3.45
175
GC = KP 1 + + D = 2241 +
+ 0.01
0.81
Ecu. 3.46
176
Ecu. 3.47
Ecu. 3.48
177
178
0.63C = 0.441
0.28C = 0.196
t 2 = 0.07
t1 = 0.035
Ecu.3.49
Ecu.3.50
Ecu.3.51
Ecu.3.52
t t
K p = 0 0
b1
0.0175 0.01750.945
=
Ecu.3.53
179
b2
0.01750.771
=
= 0.84
i =
0.0525
t0
t
D = a3 0
Ecu.3.54
b3
1.101
0.0175
= 0.56*0.0525
= 0.0087
0
.
0525
Ecu.3.55
GC = KP 1 + + D = 2901 +
+ 0.0087
0.84
Ecu.3.56
180
T3 = 0.2 s 3 + 2
Ecu. 3.57
Para mayor facilidad factorizamos s y lo aplicamos a la salida del
accionamiento
T3
2 Ecu. 3.58
= 0. 2 3 +
s
s
181
182
0.63C = 2.646
0.28C = 1.176
t 2 = 0.07
t1 = 0.035
Ecu.3.59
Ecu.3.60
Ecu.3.61
Ecu.3.62
t t
K p = 0 0
b1
0.0175 0.01750.945
=
Ecu.3.63
183
b2
0.01750.771
=
= 0.84
i =
0.0525
t0
t
D = a3 0
b3
1.101
0.0175
= 0.56*0.0525
= 0.0087
0
.
0525
Ecu.3.65
1
1
GC = KP 1 + + D = 2901 +
+ 0.0087
0.84
Ecu.3.64
Ecu.3.66
184
ue
65434.56
=
wn (s + 5105)(s + 54.77)
Ecu.3.67
185
186
0.63C = 0.1467
0.28C = 0.065
t 2 = 0.018
t1 = 0.009
Ecu.3.68
Ecu.3.69
Ecu.3.70
Ecu.3.71
187
t0 t 0
K p =
b1
0.0045 0.00450.945
=
0.0135 0.0135 = 4076
b2
0.00450.771
=
= 1.15
i =
0.0135
t0
t
D = a3 0
Ecu.3.73
b3
1.101
0.0045
= 0.56*0.0135
= 0.00225
0
.
0135
Ecu.3.74
GC = KP 1 + + D = 40761 +
+ 0.00225
1.15
Ecu.3.72
Ecu.3.75
188
189
DIAGRAMA DE BLOQUES
190
NOMBRE
DESCRIPCION
SENSOR DE PROXIMIDAD
NOMBR
E
S6
S1
DESCRIPCION
SENSOR DE PROXIMIDAD
S2
SENSOR DE PROXIMIDAD
S7
SENSOR DE PROXIMIDAD
S3
SENSOR DE PROXIMIDAD
S8
S4
SENSOR DE PROXIMIDAD
S9
SENSOR DE PROXIMIDAD
S5
SENSOR DE FINAL DE
CARRERA
NOMBRE
DESCRIPCION
NOMBRE
DESCRIPCION
Q11
Q31
Q12
Q32
Q41
Q42
Q21
Q22
191
Caso 1
Q1
Q1
Q2
Q2
Q3
Q3
Q4
Q4
Des
1
-1
-1
-1
-1
-1
-1
-1
2
-1
-1
-1
-1
-1
-1
-1
3
-1
-1
-1
-1
-1
-1
-1
4
-1
-1
-1
-1
-1
-1
-1
5
1
1
-1
-1
1
1
1
6
-1
1
1
1
1
1
1
7
-1
-1
1
1
1
1
-1
8
-1
-1
-1
1
1
1
-1
9
-1
-1
-1
-1
-1
1
1
1
1
-1
-1
-1
1
-1
1
2
-1
-1
-1
-1
-1
-1
-1
1
-1
-1
-1
-1
-1
-1
-1
2
-1
-1
-1
-1
-1
-1
-1
1
-1
1
-1
-1
-1
-1
-1
2
-1
-1
-1
1
-1
-1
-1
1
-1
-1
1
-1
-1
-1
-1
2
-1
-1
-1
-1
-1
1
-1
cripcin
M1 Der
M3 Der
M4 Der
M3 Izq
M1 Der
M4 Izq
M1 Der
192
Caso 2
Q1
Q1
Q2
Q2
Q3
Q3
Q4
Q4
Des
1
1
1
1
1
1
1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
1
1
-1
-1
1
1
1
-1
1
1
1
1
1
1
-1
-1
1
1
1
1
-1
-1
-1
-1
1
1
1
-1
-1
-1
-1
-1
-1
1
1
1
-1
-1
-1
1
-1
1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
1
-1
-1
-1
-1
-1
-1
-1
-1
1
-1
-1
-1
-1
-1
1
-1
-1
-1
-1
-1
-1
-1
-1
-1
1
-1
Cripci
n
M1 Der
M3 Der
M4 Der
M3 Izq
M1 Der
M4 Izq
M1 Der
Tabla 3.11 Para este caso el sensor 1 (S1) todo el tiempo esta
activo debido a un dao u otro factor
193
Caso 3
Q1
Q1
Q2
Q2
Q3
Q3
Q4
Q4
Des
1
1
1
1
1
1
1
1
2
1
1
1
1
1
1
1
3
-1
-1
-1
-1
-1
-1
-1
4
-1
-1
-1
-1
-1
-1
-1
5
1
1
-1
-1
1
1
1
6
-1
1
1
1
1
1
1
7
-1
-1
1
1
1
1
-1
8
-1
-1
-1
1
1
1
-1
9
-1
-1
-1
-1
-1
1
1
1
-1
-1
-1
-1
-1
-1
-1
2
-1
-1
-1
-1
-1
-1
-1
1
1
-1
-1
-1
1
-1
1
2
-1
-1
-1
-1
-1
-1
-1
1
-1
1
-1
-1
-1
-1
-1
2
-1
-1
-1
1
-1
-1
-1
1
-1
-1
1
-1
-1
-1
-1
2
-1
-1
-1
-1
-1
1
-1
cripcin
M2 Der
M3 Der
M4 Der
M3 Izq
M2 Der
M4 Izq
M2 Der
Tabla 3.12 Para este caso los sensores (S1) y S2 todo el tiempo
estn activos
194
Caso 4
Q1
Q1
Q2
Q2
Q3
Q3
Q4
Q4
Des
1
1
1
1
1
1
1
1
2
1
1
1
1
1
1
1
3
1
1
1
1
1
1
1
4
-1
-1
-1
-1
-1
-1
-1
5
1
1
-1
-1
1
1
1
6
-1
1
1
1
1
1
1
7
-1
-1
1
1
1
1
-1
8
-1
-1
-1
1
1
1
-1
9
-1
-1
-1
-1
-1
1
1
1
-1
-1
-1
-1
-1
-1
-1
2
-1
-1
-1
-1
-1
-1
-1
1
1
-1
-1
-1
1
-1
1
2
-1
-1
-1
-1
-1
-1
-1
1
-1
1
-1
-1
-1
-1
-1
2
-1
-1
-1
1
-1
-1
-1
1
-1
-1
1
-1
-1
-1
-1
2
-1
-1
-1
-1
-1
1
-1
cripcin
M2 Der
M3 Der
M4 Der
M3 Izq
M2 Der
M4 Izq
M2 Der
Tabla 3.13 Para este caso los sensores S1-S2-S3 todo el tiempo
estn activos
195
Caso 5
Q1
Q1
Q2
Q2
Q3
Q3
Q4
Q4
Des
1
1
1
1
1
1
1
1
2
1
1
1
1
1
1
1
3
1
1
1
1
1
1
1
4
1
1
1
1
1
1
1
5
1
1
-1
-1
1
1
1
6
-1
1
1
1
1
1
1
7
-1
-1
1
1
1
1
-1
8
-1
-1
-1
1
1
1
-1
9
-1
-1
-1
-1
-1
1
1
1
-1
-1
-1
-1
-1
-1
-1
2
-1
-1
-1
-1
-1
-1
-1
1
-1
-1
-1
-1
-1
-1
-1
2
-1
-1
-1
-1
-1
-1
-1
1
-1
-1
-1
-1
-1
-1
-1
2
-1
-1
-1
-1
-1
-1
-1
1
-1
-1
-1
-1
-1
-1
-1
2
-1
-1
-1
-1
-1
-1
-1
cripcin
inactivo
Inactivo
Inactivo
Inactivo
Inactivo
Inactivo
Inactivo
Tabla 3.14 Para este caso los sensores S1-S2-S3-S4 todo el tiempo
estn activos
196
Caso 6
Q1
Q1
Q2
Q2
Q3
Q3
Q4
Q4
Des
-1
-1
-1
-1
-1
-1
-1
1
1
1
1
1
1
1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
1
1
-1
-1
1
1
1
-1
1
1
1
1
1
1
-1
-1
1
1
1
1
-1
-1
-1
-1
1
1
1
-1
-1
-1
-1
-1
-1
1
1
-1
-1
-1
-1
-1
-1
-1
1
-1
-1
-1
1
-1
1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
1
-1
-1
-1
-1
-1
-1
-1
-1
1
-1
-1
-1
-1
-1
1
-1
-1
-1
-1
-1
-1
-1
-1
-1
1
-1
Cripci
n
M1 Izq
M3 Der
M4 Der
M3 Izq
M1 Izq
M4 Izq
M1 Izq
197
Caso 7
Q1
Q1
Q2
Q2
Q3
Q3
Q4
Q4
Des
1
-1
-1
-1
-1
-1
-1
-1
2
-1
-1
-1
-1
-1
-1
-1
3
1
1
1
1
1
1
1
4
-1
-1
-1
-1
-1
-1
-1
5
1
1
-1
-1
1
1
1
6
-1
1
1
1
1
1
1
7
-1
-1
1
1
1
1
-1
8
-1
-1
-1
1
1
1
-1
9
-1
-1
-1
-1
-1
1
1
1
1
-1
-1
-1
1
-1
1
2
-1
-1
-1
-1
-1
-1
-1
1
-1
-1
-1
-1
-1
-1
-1
2
-1
-1
-1
-1
-1
-1
-1
1
-1
1
-1
-1
-1
-1
-1
2
-1
-1
-1
1
-1
-1
-1
1
-1
-1
1
-1
-1
-1
-1
2
-1
-1
-1
-1
-1
1
-1
cripcin
M1 Der
M3 Der
M4 Der
M3 Izq
M1 Der
M4 Izq
M1 Der
198
Caso 8
Q1
Q1
Q2
Q2
Q3
Q3
Q4
Q4
Des
1
-1
-1
-1
-1
-1
-1
-1
2
-1
-1
-1
-1
-1
-1
-1
3
-1
-1
-1
-1
-1
-1
-1
4
1
1
1
1
1
1
1
5
1
1
-1
-1
1
1
1
6
-1
1
1
1
1
1
1
7
-1
-1
1
1
1
1
-1
8
-1
-1
-1
1
1
1
-1
9
-1
-1
-1
-1
-1
1
1
1
-1
-1
-1
-1
-1
-1
-1
2
1
-1
-1
-1
1
-1
1
1
-1
-1
-1
-1
-1
-1
-1
2
-1
-1
-1
-1
-1
-1
-1
1
-1
1
-1
-1
-1
-1
-1
2
-1
-1
-1
1
-1
-1
-1
1
-1
-1
1
-1
-1
-1
-1
2
-1
-1
-1
-1
-1
1
-1
cripcin
M1 Izq
M3 Der
M4 Der
M3 Izq
M1 Izq
M4 Izq
M1 Izq
199
Caso 9
Q1
Q1
Q2
Q2
Q3
Q3
Q4
Q4
Des
1
1
1
1
1
1
1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
1
1
1
1
1
1
1
1
1
-1
-1
1
1
1
-1
1
1
1
1
1
1
-1
-1
1
1
1
1
-1
-1
-1
-1
1
1
1
-1
-1
-1
-1
-1
-1
1
1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
1
-1
-1
-1
1
-1
1
-1
1
-1
-1
-1
-1
-1
-1
-1
-1
1
-1
-1
-1
-1
-1
1
-1
-1
-1
-1
-1
-1
-1
-1
-1
1
-1
Cripci
n
M2 Izq
M3 Der
M4 Der
M3 Izq
M2 Izq
M4 Izq
M2 Izq
200
Tabla 3.18 Para este caso los sensores S1-S4 todo el tiempo estn
activos
Caso 10
Q1
Q1
Q2
Q2
Q3
Q3
Q4
Q4
Des
1
-1
-1
-1
-1
-1
-1
-1
2
1
1
1
1
1
1
1
3
1
1
1
1
1
1
1
4
-1
-1
-1
-1
-1
-1
-1
5
1
1
-1
-1
1
1
1
6
-1
1
1
1
1
1
1
7
-1
-1
1
1
1
1
-1
8
-1
-1
-1
1
1
1
-1
9
-1
-1
-1
-1
-1
1
1
1
-1
-1
-1
-1
-1
-1
-1
2
-1
-1
-1
-1
-1
-1
-1
1
1
-1
-1
-1
1
-1
1
2
-1
-1
-1
-1
-1
-1
-1
1
-1
1
-1
-1
-1
-1
-1
2
-1
-1
-1
1
-1
-1
-1
1
-1
-1
1
-1
-1
-1
-1
2
-1
-1
-1
-1
-1
1
-1
Cripcin
M2 Der
M3 Der
M4 Der
M3 Izq
M2 Der
M4 Izq
M2 Der
201
Tabla 3.19 Para este caso los sensores S2-S3 todo el tiempo estn
activos
Caso 11
Q1
Q1
Q2
Q2
Q3
Q3
Q4
Q4
Des
1
1
1
1
1
1
1
1
2
-1
-1
-1
-1
-1
-1
-1
3
1
1
1
1
1
1
1
4
-1
-1
-1
-1
-1
-1
-1
5
1
1
-1
-1
1
1
1
6
-1
1
1
1
1
1
1
7
-1
-1
1
1
1
1
-1
8
-1
-1
-1
1
1
1
-1
9
-1
-1
-1
-1
-1
1
1
1
1
-1
-1
-1
1
-1
1
2
-1
-1
-1
-1
-1
-1
-1
1
-1
-1
-1
-1
-1
-1
-1
2
-1
-1
-1
-1
-1
-1
-1
1
-1
1
-1
-1
-1
-1
-1
2
-1
-1
-1
1
-1
-1
-1
1
-1
-1
1
-1
-1
-1
-1
2
-1
-1
-1
-1
-1
1
-1
cripcin
M1 Der
M3 Der
M4 Der
M3 Izq
M1 Der
M4 Izq
M1 Der
202
Caso 12
Q1
Q1
Q2
Q2
Q3
Q3
Q4
Q4
Des
1
-1
-1
-1
-1
-1
-1
-1
2
1
1
1
1
1
1
1
3
-1
-1
-1
-1
-1
-1
-1
4
1
1
1
1
1
1
1
5
1
1
-1
-1
1
1
1
6
-1
1
1
1
1
1
1
7
-1
-1
1
1
1
1
-1
8
-1
-1
-1
1
1
1
-1
9
-1
-1
-1
-1
-1
1
1
1
-1
-1
-1
-1
-1
-1
-1
2
1
-1
-1
-1
1
-1
1
1
-1
-1
-1
-1
-1
-1
-1
2
-1
-1
-1
-1
-1
-1
-1
1
-1
1
-1
-1
-1
-1
-1
2
-1
-1
-1
1
-1
-1
-1
1
-1
-1
1
-1
-1
-1
-1
2
-1
-1
-1
-1
-1
1
-1
cripcin
M1 Izq
M3 Der
M4 Der
M3 Izq
M1 Izq
M4 Izq
M1 Izq
203
Caso 13
Q1
Q1
Q2
Q2
Q3
Q3
Q4
Q4
Des
1
1
1
1
1
1
1
1
1
1
1
1
1
1
-1
-1
-1
-1
-1
-1
-1
1
1
1
1
1
1
1
1
1
-1
-1
1
1
1
-1
1
1
1
1
1
1
-1
-1
1
1
1
1
-1
-1
-1
-1
1
1
1
-1
-1
-1
-1
-1
-1
1
1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
1
-1
-1
-1
1
-1
1
-1
1
-1
-1
-1
-1
-1
-1
-1
-1
1
-1
-1
-1
-1
-1
1
-1
-1
-1
-1
-1
-1
-1
-1
-1
1
-1
Cripci
n
M2 Izq
M3 Der
M4 Der
M3 Izq
M2 Izq
M4 Izq
M2 Izq
204
Tabla 3.22 Para este caso los sensores S1-S2-S4 todo el tiempo
estn activos
Caso 14
Q1
Q1
Q2
Q2
Q3
Q3
Q4
Q4
Des
-1
-1
-1
-1
-1
-1
-1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
-1
-1
1
1
1
-1
1
1
1
1
1
1
-1
-1
1
1
1
1
-1
-1
-1
-1
1
1
1
-1
-1
-1
-1
-1
-1
1
1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
Cripci
n
Inactivo
Inactivo
Inactivo
Inactivo
Inactivo
Inactivo
Inactivo
Tabla 3.23 Para este caso los sensores S2-S3-S4 todo el tiempo
estn activos
205
Caso 15
Q1
Q1
Q2
Q2
Q3
Q3
Q4
Q4
Des
1
1
1
1
1
1
1
1
2
-1
-1
-1
-1
-1
-1
-1
3
1
1
1
1
1
1
1
4
1
1
1
1
1
1
1
5
1
1
-1
-1
1
1
1
6
-1
1
1
1
1
1
1
7
-1
-1
1
1
1
1
-1
8
-1
-1
-1
1
1
1
-1
9
-1
-1
-1
-1
-1
1
1
1
-1
-1
-1
-1
-1
-1
-1
2
-1
-1
-1
-1
-1
-1
-1
1
-1
-1
-1
-1
-1
-1
-1
2
-1
-1
-1
-1
-1
-1
-1
1
-1
-1
-1
-1
-1
-1
-1
2
-1
-1
-1
-1
-1
-1
-1
1
-1
-1
-1
-1
-1
-1
-1
2
-1
-1
-1
-1
-1
-1
-1
cripcin
Inactivo
Inactivo
Inactivo
Inactivo
Inactivo
Inactivo
Inactivo
Tabla 3.324 Para este caso los sensores S1-S3-S4 todo el tiempo
estn activos
Caso 16
Q1
Q1
Q2
Q2
Q3
Q3
Q4
Q4
Des
1
1
1
1
1
1
1
1
2
1
1
1
1
1
1
1
3
1
1
1
1
1
1
1
4
-1
-1
-1
-1
-1
-1
-1
5
1
1
-1
-1
1
1
1
6
-1
1
1
1
1
1
1
7
-1
-1
1
1
1
1
-1
8
-1
-1
-1
1
1
1
-1
9
-1
-1
-1
-1
-1
1
1
1
-1
-1
-1
-1
-1
-1
-1
2
-1
-1
-1
-1
-1
-1
-1
1
1
-1
-1
-1
1
-1
1
2
-1
-1
-1
-1
-1
-1
-1
1
-1
1
-1
-1
-1
-1
-1
2
-1
-1
-1
1
-1
-1
-1
1
-1
-1
1
-1
-1
-1
-1
2
-1
-1
-1
-1
-1
1
-1
cripcin
M2 Der
M3 Der
M4 Der
M3 Izq
M2 Der
M4 Izq
M2 Der
Tabla 3.24 Para este caso los sensores S1-S2-S3 todo el tiempo estn activos
Caso 17
Q1
Q1
Q2
Q2
Q3
Q3
Q4
Q4
Des
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
-1
Cripci
n
Inactivo
Inactivo
Inactivo
Inactivo
Inactivo
Inactivo
Inactivo
206
Parmetros de entrenamiento
net.trainParam.show = 50;
iteration (Epoch)
net.trainParam.lr = 0.05;
aprendizaje (n)
Parmetro de velocidad de
207
net.trainParam.lr_inc = 1.05;
Porcentaje que incrementa la
rata de aprendizaje cuando el errordisminuye
net.trainParam.epochs = 5000; Numero mximo de iteraciones
net.trainParam.goal = 0.000001; Error tolerado; da por concluido el
entrenamiento
Entrenamiento de la Neurona
Validacin de la neurona
a= sim (net, p)
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
CONCLUSIONES
1. El haber determinado la dinmica del robot se pudo apreciar
la relacin entre el movimiento del robot y las fuerzas
implicadas en el mismo. Obteniendo la localizacin del robot
definida por sus variables articulares o por las coordenadas
de localizacin de sus extremos, y sus derivadas: velocidad
y aceleracin, las fuerzas y pares aplicados en las
articulaciones (o en el extremo del robot) y los parmetros
dimensinales del robot, como la longitud, masas e inercia
de sus extremos.
2. Al realizar un control dinmico y no cinematico nos implicaba
que el control cinematico selecciona
trayectorias que
idealmente deber seguir el robot, teniendo encuenta sus
limitaciones y ajustarse a lo mejor a las especificaciones del
movimiento no teniendo encuenta factores internos como
externos que a la hora de hacer control cinematico no se
aprecian dando referencia a los pares y fuerzas aplicadas
que en el control dinmico se evidencian
3. El determinar realizar un control de velocidad con
controladores PID y no de posicin se debi a que un
controlador PID realizara un trabajo de velocidad apropiado
para el movimiento de los moteres y de posicin su velocidad
de respuesta seria muy lenta en la respuesta de deteccin de
un obstculo dando orden al motor dando marcha a la
derecha o izquierda, adems los sistemas de computo
tradicional procesan la informacin en forma secuencial; un
computador serial consiste por lo general de un solo
procesador que puede manipular instrucciones y datos que
se localizan en la memoria, el procesador lee, y ejecuta una
a una las instrucciones en la memoria; este sistema serial es
secuencial, todo sucede en una sola secuencia
determinstica de operaciones. Las redes neuronales
artificiales no ejecutan instrucciones, responden en paralelo
a las entradas que se les presenta. El resultado no se
almacena en una posicin de memoria, este es el estado de
la red para el cual se logra equilibrio.
225
226
REFERENCIAS BIBLIOGRFICAS
[1].Barrietos Antonio (1996).FUNDAMENTOS DE ROBOTICA. Editorial
McGraw-Hill
[2].Smith A. Carlos (1991) CONTROL AUTOMATICO DE PROCESOS.
Editorial Limusa
Direcciones de Internet:
[3]. http://www.festo.com.co.
[4]. http://www.ansinet.org/fulltext/itj/itj33296-302.pdf.
[5]. http://www.upd.edu.ph/~yamatake/old/projects/19992000/telerobot.pdf.
[6]. http://www.workspace5.com.
[7]. http://www.puj.edu.co/
[8]. www.senavirtual.edu.cowebapps/login/j
[9]. www.olmo.pntic.mec.es/jmarti50/enlaces/automatas.html
[10]. www.uclm.es/profesorado/rcarcelen_plc/
227