Diseno de Controlador Denavit

Universidad de Pamplona, una Universidad para una Sociedad Inteligente e Interconectada
UNIVERSIDAD DE PAMPLONA
FACULTAD DE INGENIERIAS Y ARQUITECTURA
PROGRAMA DE INGENIERA MECATRNICA
TRABAJO PRESENTADO PARA OPTAR POR EL TTULO DE

INGENIERO MECATRNICO
TITULO: DISEO DE UN CONTROLADOR DINAMICO PARA UN

ROBOT
SCARA MEDIANTE REDES NEURONALES
ARTIFICIALES
AUTOR: GERSON SOLE MEJIA AGUILAR
DIRECTOR: WALTER GASTELBONDON BARRAGAN

PAMPLONA, COLOMBIA
JUNIO / 2007
Universidad de Pamplona - Ciudad Universitaria - Pamplona (Norte de Santander - Colombia)

Tels: (7) 5685303 - 5685304 - 5685305 Fax: 5682750 - www.unipamplona.edu.co
AGRADECIMIENTOS
Primeramente quisiera agradecer a Dios que con su ayuda

incondicional siempre estuvo presente brindando su amor, sabidura
amistad y cario.
Adems quisiera agradecer a mis padres Juan de Dios Mejia y
Marina Aguilar que han sido un ejemplo de esfuerzo, lucha y
dedicacin me han apoyado.
A mi amada Liliana Charrupi Vallejo que con su amor y
comprensin me han dado ayudado fortalecerme y amar a Dios
para sacar este proyecto de grado.
A mis hermanos queridos Edilma Mejia, Aldren Mejia, Jairzhinio
Mejia, Vladimir Mejia, Milena Mejia, Chris Mejia, William Mejia y
Rolando Balanta que desde su entusiasm me han brindado apoyo
A mi director de tesis Walter Bastelbondo donde siempre me han
ayudado a guiar en mi proyecto de grado
A los profesores Oscar Gualdron
disponibilidad estuvieron presentes.
que con su atencin y
El temor de Jehov es el principio de la sabidura, y el conocimiento

del Santsimo es la inteligencia
Proverbios 9:10

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
1.1.1.3 ALGORITMO DE DENAVIT- HARTENBERG PARA LA

OBTENCIN DEL MODELO
1.1.2
CINEMTICA INVERSA.
1.1.2.1 RESOLUCIN DEL PROBLEMA CINEMATICO INVERSO

A PARTIR
DE
LA MATRIZ DE TRANSFORMACION
HOMOGENEA
1.1.3
1.2
DESACOPLO CINEMATICO
DINAMICA DE ROBOT
1.2.1 MODELO DINMICO DE LA ESTRUCTURA DE UN ROBOT RGIDO

1.2.2 MODELADO MEDIANTE LA FORMULACIN DE
LAGRANGE- EULER
1.2.3 ALGORITMO COMPUTACIONAL PARA EL MODELADO
DINMICO POR LAGRANGE-EULER.
1.3
REDES NEURONALES ARTIFICIALES

1.3.1
CARACTERISTICAS DE UNA RED NEURONAL ARTIFICIAL
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
1.4.1 CARACTERSTICAS Y CALIDAD DE UN SENSOR

1.4.1.1 CARACTERSTICAS ESTTICAS DE UN SENSOR
1.4.2 PARMETROS DE LA CURVA DE CALIBRACIN ESTTICA
1.4.2.1 RANGO DE MEDIDA
1.4.2.2 ESCALA TOTAL O SPAN
1.4.2.3 SENSIBILIDAD ESTTICA O FACTOR DE ESCALA O
GANANCIA

1.4.2.4 FACTORES DE CALIDAD ESTTICA DE UN SENSOR

1.4.2.5 CLASIFICACIN DE SENSORES Y ELEMENTOS DE
GOBIERNO
1.4.2.5.1 ELEMENTOS DE GOBIERNO
1.5 MOTORES DE CORRIENTE CONTINA
1.5.1 PRINCIPIO BSICO DE LOS MOTORES DE C.C.
1.5.2 MODELO DE MOTOR DE CONTINUA DE IMN PERMANENTE
1.5.3 RELACIN ENTRE KI Y KB
1.5.4 CURVAS DEL PAR-MOTOR
1.6 CONTROL PID
1.7 CONTROL MULTIARTICULAR
1.7.1 DESACOPLAMIENTO POR INVERSIN DEL MODELO
CAPITULO 2
2. CALCULOS Y COMPONENTES DEL SISTEMA PARA EL DISEO
2.1 MODELO DINAMICO PARA EL ROBOT SCARA MEDIANTE EL
METODO LAGRANGE EULER
2.1.1 ASIGNAR A CADA ESLABON UN SISTEMA DE REFERENCIA DE
ACUERDO A LAS NORMAS D-H
2.1.2
OBTENER LAS MATRICES DE TRANSFORMACION 0 Ai PARA

CADA ELEMENTO i
2.1.3
OBTENER LAS MATRICES U ij
2.1.4 OBTENER LAS MATRICES U ijk

2.1.5 OBTENER LAS MATRICES DE PSEUDOINERCIA Ji PARA CADA

ELEMENTO
[ ]
2.1.6 MATRIZ DE INERCIA D = d ij

2.1.7 TERMINOS hikm
2.1.8 OBTENER LA MATRIZ COLUMNA DE FUERZA DE CORIOLIS Y

CENTRIPETA H = [hi ]
2.1.9
MATRIZ COLUMNA DE FUERZA DE GRAVEDAD
2.1.10 LA ECUACIN DINMICA DEL SISTEMA

2.2. AJUSTE DE LOS CONTROLADORES POR
RETROALIMENTACIN
2.2.1 AJUSTE MEDIANTE
INTEGRACIN MNIMO
LOS
CRITERIOS
DE
ERROR
DE
2.2.2 AJUSTES DE MODELOS POMTM

2.3 DESCRIPCIN DE LAS FUNCIONES UTILIZADAS EN MATLAB
2.3.1 EL PROGRAMA MATLAB
2.3.2 RED TIPO PERCEPTRN
2.3.3 RED TIPO ADALINE
2.3.4 RED TIPO BACKPROPAGATION
2.4 CARACTERISTICAS TECNICAS TIP31
2.4.1 ENCAPSULADO DEL TIIP31
2.4.2 PARAMETROS TIP31
2.4.3 CARACTERSTICAS ELCTRICAS DEL TIP31
2.4.4 MONTAJE DEL TIP31
2.5 MOTORES DE CORRIENTE CONTINUA MAXON

2.5.1 DATA DEL MOTOR MAXON
2.5.2 ESPECIFICACIONES DEL MOTOR MAXON
2.5.3 RANGO DE OPERACIN DEL MOTOR MAXON
2.5.4 PUENTE H UTILIZANDO TIP31
2.5.4.1 FUNCIONAMIENTO DEL PUENTE H UTILIZANDO TIP31
2.6 EL SENSOR INFRARROJO GP2D12
2.6.1 CARACTERISTICAS DE VOLTAJE DISTACIA DEL SENSOR
GP2120
2.6.2 DISEO DEL SENSOR GP2120
2.7 FINALES DE CARRERA SZL
2.7.1 CARACTERSTICAS DEL SENSOR SZL
2.7.2 APICACIONES DEL SENSOR SZL
2.7.3 COMPROBACIN DEL SENSOR SZL
2.8 MODELO CINEMATICO INVERSO PARA EL ROBOT SCARA
2.8.1ASIGNAR A CADA ESLABON UN SISTEMA

REFERENCIA DE ACUERDO A LAS NORMAS D-H
DE
2.8.2 OBTENER LAS MATRICES DE TRANSFORMACION

PARA CADA ELEMENTO i
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
3.1 DISEO Y CALCULOS DE LOS MOTORES

3.1.1 CARACTERISTICAS ELECTRICAS Y MECANICAS DEL MOTOR
3.2 PARAMETROS PARA EL DISEO DEL ROBOT SCARA
3.2.1 DIMENSIN DEL ROBOT
3.2.2 REMPLAZO DE VALORES
3.2.3 REEMPLAZO DE LOS NGULOS
3.2.4 APLICACIN DE LA TRANSFORMADA DE LAPLACE
3.3 DISEO DEL CONTROL MULTIARTICULAR PARA EL ROBOT
SCARA
3.3.1 DESACOPLAMIENTO POR INVERSION DEL MODELO
3.3.2 RESULTADO FINAL DE LAS ECUACIONES
3.3.3 CONTROL PID PARA EL PAR REQUERIDO PARA CONTROLAR
LOS TRES MOTORES
3.4 DISEO DE LOS CONTROLADOR PID PARA LOS CUATRO
MOTORES
3.4.1 CALCULOS DEL CONTROLADOR PID PARA EL PRIMER
MOTOR
3.4.1.1 DETERMINAMOS LOS PARMETRO DE ZIGLER-NICOLS
PARA EL CONTROLADOR
3.4.1.2 FRMULAS DE AJUSTE DE INTEGRAL MNIMA DE ERROR
PARA ENTRADA DE PERTURBACIONES PRIMER MOTOR
3.4.2 CALCULOS DEL CONTROLADOR PID PARA EL SEGUNDO
MOTOR
PARA EL SEGUNDO MOTOR


PARA ENTRADA DE PERTURBACIONES. PARA EL SEGUNDO
MOTOR
3.4.3 CALCULOS DEL CONTROLADOR PID PARA EL TERCER
MOTOR
PARA EL TERCER MOTOR
PARA
ENTRADA DE PERTURBACIONES.
PARA EL TERCER
MOTOR
3.4.4 CALCULOS DEL CONTROLADOR PID PARA EL CUARTO
MOTOR
PARA EL CUARTO MOTOR
PARA ENTRADA DE PERTURBACIONES. PARA EL CUARTO
MOTOR
3.5 DISEO DE LA POSICION DE LOS MOTORES PARA EL ROBOT
SCARA
3.5.1 DESCRIPCION DEL PROBLEMA
3.5.2 DESCRIPCIN DE LOS SENSORES
3.5.3 DESCRIPCION DEL MOVIMIENTO DE LOS MOTORES Y LA
ACTIVACION DE LOS SENSORES
3.6 DISEO DE LA RED NEURONAL ARTIFICIAL PARA EL ROBOT
SCARA
3.6.1 FASE DE ENTRENAMIENTO
3.6.2 PROGRAMA UTILIZADO PARA LA FASE DE ENTRENAMIENTO

3.6.3 VALIDACION DE LOS RESULTADOS

3.6.3.1 PRIMERA VALIDACION DE LOS RESULTADOS OBTENIDOS
3.6.3.2 SEGUNDA VALIDACION DE LOS RESULTADOS OBTENIDOS
3.6.3.3 TERCERA VALIDACION DE LOS RESULTADOS OBTENIDOS
3.6.3.4 CUARTA VALIDACION DE LOS RESULTADOS OBTENIDOS
CONCLUSION.
BIBLIOGRAFIA.

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.
Procesamiento de imgenes y de voz

Reconocimiento de patrones
Planeamiento
Interfaces adaptivas para sistemas Hombre/mquina
Prediccin
Control y optimizacin
Filtrado de seales

11
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 RNA 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. El conocimiento de una red neuronal no se
almacena en instrucciones, el poder de la red est en su topologa y
en los valores de las conexiones (pesos) entre neuronas.

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.
En sntesis el tema principal del trabajo el diseo y control de un

robot SCARA, por lo tanto se encontrar mucha informacin
referente al tema como son sensores motores transistores, tipo de
red a utilizar, validacin de la red neuronal y otros
El desarrollo del trabajo se divide en tres partes o captulos. En el

primero capitulo se definen a nivel general los componentes del
sistema, es decir, las bases tericas necesarias para el estudio en
s del proyecto. En la segunda parte se presentan los componentes
especficos del sistema para el diseo, es decir, la ficha tcnica de
estos. Y en la ltima parte se muestra la esencia del trabajo, se
especifica el desarrollo de la ingeniera como tal, para el diseo de
la red neuronal y el diseo de los controladores PID para los
motores.

13
OBJETIVO GENERAL
Disear y simular un controlador neuronal para un robot SCARA

14
OBJETIVO ESPECIFICO
Analizar los sistemas utilizados actualmente para controlar

un robot SCARA
Obtener el modelo dinmico del par o torque de un robot
SCARA controlado por Redes Neuronales Artificiales
Obtener el modelo cinematico
Validacin de los resultados obtenidos
Disear y emular el controlador Neuronal para el robot
SCARA

15
PLANTEAMIENTO DEL PROBLEMA

En la industria la aplicacin de los robots ha ido en aumento debido
a las diferentes necesidades en las operaciones desempeadas
por el hombre en donde los robots han sido de vital importancia
para el desarrollo de la industria.
Uno de los problemas actuales en la robtica es la velocidad y
precisin cuando se aplica control cinemtica es la seleccin de
trayectorias que idealmente deber seguir el robot, teniendo en
cuenta sus limitaciones, ajustarse lo mejor posible a las
especificaciones del movimiento dadas.
En la prctica, este ajuste del movimiento del robot a las
especificaciones dadas no ser del todo posible, pues las
caractersticas dinmicas del robot (inercia, rozamiento, holguras,
etc.) muchas veces desconocidas, impiden en general una
coincidencia en la trayectoria deseada.

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:
5. Es pequeo, compacto y consume poca energa

17

18
1.1 CINEMATICA DE ROBOT
La cinemtica del robot estudia el movimiento del mismo con

respecto a un sistema de referencia. As, la cinemtica se interesa
por la descripcin analtica del movimiento espacial del robot como
una funcin del tiempo, y en particular por las relaciones entre la
posicin y la orientacin del extremo final del robot con los valores
que toman sus coordenadas articulares. Existen dos problemas
fundamentales para resolver la cinemtica del robot, el primero de
ellos se conoce como el problema cinematico directo, y consiste en
determinar cual es la posicin y orientacin del extremo final del
robot, con respecto a un sistema de coordenadas que se toma
como referencia, conocidos los valores de las articulaciones y los
parmetros geomtricos de los elementos del robot, el segundo
denominado problema cinematico inverso resuelve la configuracin
que debe adoptar el robot para una posicin y orientacin del
extremo conocidas
Denavit y Hartenberg propusieron un mtodo sistemtico para
descubrir y representar la geometra espacial de los elementos de
una cadena cinemtica, y en particular de un robot, con respecto a
un sistema de referencia fijo. Este mtodo utiliza una matriz de
transformacin homognea para descubrir la relacin espacial entre
dos elementos rgidos adyacentes, reducindose el problema
cinematico directo a encontrar una matriz de transformacin
homognea 4 X 4 que relacione la localizacin espacial del robot
con respecto al sistema de coordenadas de su base.
Por otra parte, la cinemtica del robot trata tambin de encontrar las
relaciones entre las velocidades del movimiento de las
articulaciones y las del extremo. Esta relacin viene dada por el
modelo diferencial expresado mediante la matriz Jacobina. La
Tabla 1.1 muestra el cuadro Comparativo Entre Cinemtica Directa
e Inversa

19
Tabla 1.1 Comparativo Entre Cinemtica Directa e Inversa

El movimiento relativo en las articulaciones resulta en el movimiento
de los elementos que posicionan la mano en una orientacin
deseada. En la mayora de las aplicaciones de robtica, se esta
interesado en la descripcin espacial del efector final del
manipulador con respecto a un sistema de coordenadas de
referencia fija.
La cinemtica del brazo del robot trata con el estudio analtico de la
geometra del movimiento de un robot con respecto a un sistema de
coordenadas de referencia fijo como una funcin del tiempo sin
considerar las fuerzas-momentos que originan dicho movimiento.
As pues, trata con la descripcin analtica del desplazamiento
espacial del robot como funcin del tiempo, en particular las
relaciones entre variables espaciales de tipo de articulacin y la
posicin y orientacin del efector final del robot.
1.1.1 Cinemtica Directa
1.1.1.1 El Problema Cinemtico Directo:
Se utiliza fundamentalmente el lgebra vectorial y matricial para
representar y describir la localizacin de un objeto en el espacio
tridimensional con respecto aun sistema de referencia fijo. Dado
que un robot puede considerar como una cadena cinemtica
formada por objetos rgidos o eslabones unidos entre s mediante
articulaciones, se puede establecer un sistema de referencia fijo
situado en la base del robot y describir la localizacin de cada uno
20
de los eslabones con respecto a dicho sistema de referencia. De

esta forma, el problema cinematico directo se reduce a encontrar
una matriz homognea de transformacin T que relacione la
posicin y orientacin del extremo del robot respecto del sistema de
referencia fijo situado en la base del mismo. Esta matriz T ser
funcin de las coordenadas articulares.
1.1.1.2 Resolucin Del Problema Cinematico Directo Mediante
Las Matrices De Transformacin Homognea
La resolucin del problema cinematico directo consiste en encontrar

las relaciones que permiten conocer la localizacin espacial del
extremo del robot a partir de los valores de sus coordenadas
articulares. As, si se han escogido coordenadas cartesianas y
ngulos de Euler para representar la posicin y orientacin del
extremo de un robot de seis grados de libertad, la solucin al
problema cinematico directo vendr dada por las relaciones:
x = f x (q1 , q 2 , q 3 , q 4 , q 5 , q 6 )
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
La obtencin de estas relaciones no es en general complicada,

siendo incluso en ciertos casos (robots de pocos grados de libertad)
fcil de encontrar mediante simples consideraciones geomtricas.
Por ejemplo, para el caso de un robot con 2 grados de libertad
como el que se muestra en la Fig. No. 1.1, es fcil comprobar que:
x = l1 cos q1 + l 2 cos(q1 + q 2 )
Ecu.1.7
21
y = l1 cos q1 + l 2 cos(q1 + q 2 )
Ecu.1.8
Para robots de ms grados de libertad puede plantearse un mtodo

sistemtico basado en la utilizacin de las matrices de
transformacin homognea. En general, un robot de n grados de
libertad esta formado por n eslabones unidos por n articulaciones,
de forma que cada par articulacin-eslabn constituye un grado de
libertad. A cada eslabn se le puede asociar un sistema de
referencia solidario a el y, utilizando las transformaciones
homogneas, es posible representar las rotaciones y traslaciones
relativas entre los distintos eslabones que componen el robot.
.
Fig. 1.1 Robot planar de 2 grados de libertad

Normalmente, la matriz de transformacin homognea que
representa la posicin y orientacin relativa entre los sistemas
asociados a dos eslabones consecutivos del robot se le suele
denominar i (i 1)1 . As pues, 0 Ai describe la posicin y orientacin
Ai
del sistema de referencia solidario al primer eslabn con respecto al

sistema de referencia solidario a la base, 1 A2 describe la posicin y
orientacin del segundo eslabn respecto del primero, etc. Del
mismo modo, denominando, 0 Ak a las matrices resultantes del
producto de las matrices
(i 1)
Ai con i desde 1 hasta k, se puede

22
representar de forma total o parcial la cadena cinemtica que forma

el robot. As, por ejemplo, la posicin y orientacin del sistema
solidario con el segundo eslabn del robot con respecto al sistema
de coordenadas de la base se puede expresar mediante la matriz
0
( )
A2 = 0 A1 1 A2
Ecu.1.9
De manera anloga, la matriz

sistema del tercer eslabn:
0
A3 representa la localizacin del
( )( A )
A3 = 0 A1 1 A2
Ecu.1.10
Cuando se consideran todos los grados de libertad, a la matriz 0An

se le suele denominar T. As, dado un robot de seis grados de
libertad, se tiene que la posicin y orientacin del eslabn final
vendr dada por la matriz T:
( )( A )( A )( A )( A )
T = 0 A6 = 0 A1 1 A2
Ecu.1.11
Aunque para descubrir la relacin que existe entre dos elementos

contiguos se puede hacer uso de cualquier sistema de referencia
ligado a cada elemento, la forma habitual que se suele utilizar en
robtica es la representacin de Denavit-Hartenberg.
Segn la representacin D-H, escogiendo adecuadamente los
sistemas de coordenadas asociados para cada eslabn, ser
posible pasar de uno al siguiente mediante cuatro transformaciones
bsicas que dependen exclusivamente de las caractersticas
geomtricas del eslabn. Estas transformaciones bsicas consisten
en una sucesin de rotaciones y traslaciones que permitan
relacionar el sistema de referencia del elemento i con el sistema del
elemento i-1. Las transformaciones en cuestin son las siguientes:
Rotacin alrededor del eje Zi-1 un ngulo

Traslacin a lo largo de Zi-1 una distancia di; vector di (0,
0, di).
Traslacin a lo largo de Xi una distancia ai; vector ai (0, 0,
ai).

23
Rotacin alrededor del eje Xi, un ngulo
Dado que el producto de matrices no es conmutativo, las

transformaciones se han de realizar en el orden indicado. De este
modo se tiene que:
i 1
Ai = T ( z , i )T (0,0, d i )T (a,0,0)T ( x, i )
Ecu.1.12
Y realizando el producto de matrices:

C i
S
i -1
Ai = i
0
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
Donde ( i, di, ai, i) son los parmetros D-H del eslabn i. De

este modo, basta con identificar los parmetros ( i, di, ai, i) ,
para obtener matrices A y relacionar as todos y cada uno de los
eslabones del robot.
Como se ha indicado, para que la matriz i-1Ai, relacione los
sistemas (Si) y (Si-1), es necesario que los sistemas se hayan
escogido de acuerdo a unas determinadas normas. Estas, junto con
la definicin de los 4 parmetros de Denavit-Hartenberg, conforman
el siguiente algoritmo para la resolucin del problema cinematico
directo.
1.1.1.3 Algoritmo De Denavit- Hartenberg Para La Obtencin
Del Modelo.
A continuacin se definen cada uno de los parmetros necesarios
para obtener las matrices homogneas,
DH1.Numerar los eslabones comenzando con 1 (primer

eslabn mvil d la
cadena) y acabando con n (ultimo

24
eslabn mvil). Se numerara como eslabn 0 a la base fija

del robot.
DH2.Numerar cada articulacin comenzando por 1 (la

correspondiente al primer grado de libertad y acabando en
n).
DH3.Localizar el eje de cada articulacin. Si esta es rotativa,

el eje ser su propio eje de giro. Si es prismtica, ser el eje
a lo largo del cual se produce el desplazamiento.
DH4.Para i de 0 a n-1, situar el eje Zi, sobre el eje de la

articulacin i+1.
DH5.Situar el origen del sistema de la base (S0) en cualquier

punto del eje Z0. Los ejes X0 e Y0 se situaran d modo que
formen un sistema dextrgiro con Z0.
DH6.Para i de 1 a n-1, situar el sistema (Si) (solidario al

eslabn i) en la interseccin del eje Zi con la lnea normal
comn a Zi-1 y Zi. Si ambos ejes se cortasen se situara (Si)
en el punto de corte. Si fuesen paralelos (Si) se situara en la
articulacin i+1.
DH7.Situar Xi en la lnea normal comn a Zi-1 y Zi.
DH8.Situar Yi de modo que forme un sistema dextrgiro con

Xi y Zi.
DH9.Situar el sistema (Sn) en el extremo del robot de modo

que Zn coincida con la direccin de Zn-1 y Xn sea normal a
Zn-1 y Zn.
DH10.Obtener i como el ngulo que hay que girar en torno

a Zi-1 para que Xi-1 y Xi queden paralelos.
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
DH12.Obtener Ai como la distancia medida a lo largo de Xi

(que ahora coincidira con Xi-1) que habra que desplazar el
nuevo (Si-1) para que su origen coincidiese con (Si).
DH13.Obtener ai como el ngulo que habra que girar

entorno a Xi (que ahora coincidira con Xi-1), para que el
nuevo (Si-1) coincidiese totalmente con (Si).
DH14.Obtener las matrices de transformacin i-1Ai.
DH15.Obtener la matriz de transformacin que relaciona el

sistema de la base con el del extremo del robot
T = 0Ai, 1A2... n-1An.
Ecu.1.14
DH16.La matriz T define la orientacin (submatriz de

rotacin) y posicin (submatriz de traslacin) del extremo
referido ala base en funcin de las n coordenadas articulares
Fig.1.2. Parmetros D-H Para un Eslabn Giratorio.

Los cuatro parmetros de D-H ( i, di, ai, i i) dependen nicamente
de las caractersticas geomtricas de cada eslabn y de las
articulaciones que le unen con el anterior y siguiente.
i: Es el ngulo que forman los ejes Xi-1 y Xi medido en un

plano perpendicular al eje Zi-1, utilizando la regla de la mano

26
derecha. Se trata de un parmetro variable en articulaciones

giratorias.
di: Es la distancia a lo largo del eje Zi-1 desde el origen del

sistema de coordenadas (i-1)- esimo hasta la interseccin del
eje Zi-1 con el eje Xi. Se trata de un parmetro variable en
articulaciones prismticas.
ai: Es a la distancia a lo largo del eje Xi que va desde la

interseccin del eje Zi-1 con el eje Xi hasta el origen del
sistema i-esimo, en el caso de articulaciones giratorias. En el
caso de articulaciones prismticas, se calcula como la
distancia mas corta entre los ejes Zi-1 y Zi.
i : Es el ngulo de separacin del eje Zi-1 y el eje Zi,

medido en un plano perpendicular al eje Xi, utilizando la regla
de la mano derecha.
Una vez obtenidos los parmetros D-H, el clculo de las relaciones

entre los eslabones consecutivos del robot es inmediato, ya que
vienen dadas por las matrices A, que se calcula segn la expresin
general. Las relaciones entre eslabones no consecutivos vienen
dadas por las matrices T que se obtienen como producto de un
conjunto de matrices A. Obtenida la matriz T, esta expresara la
orientacin (submatriz (3x3) de rotacin) y posicin (submatriz (3x1)
de traslacin) del extremo del robot en funcin de sus coordenadas
articulares, con lo que quedara resuelto el problema cinematico
directo.
1.1.2 Cinemtica Inversa.
El objetivo del problema cinematico inverso consiste en encontrar
los valores que deben adoptar las coordenadas articulares del robot
q= (q1, q2,..., qn) exp. T para que su extremo se posicione y oriente
segn una determinada localizacin espacial. As como es posible
abordar el problema cinematico directo de una manera sistemtica
a partir de la utilizacin de matrices de transformacin homogneas,
e independientemente de la configuracin del robot, no ocurre lo
mismo con el problema cinemtico inverso, siendo el procedimiento

27
de obtencin de las ecuaciones fuertemente dependiente de la

configuracin del robot.
Se han desarrollado algunos procedimientos genricos susceptibles
de ser programados, de modo que un computador pueda, a partir
del conocimiento de la cinemtica del robot (con sus parmetros de
DH, por ejemplo) obtener la n-upla de valores articulares que
posicionan y orientan su extremo. El inconveniente de estos
procedimientos es que se trata de mtodos numricos iterativos,
cuya velocidad de convergencia e incluso su convergencia en si no
esta siempre garantizada. A la hora de resolver el problema
cinematico inverso es mucho ms adecuado encontrar una solucin
cerrada. Esto es, encontrar una relacin matemtica explicita de la
forma:
q k = f k ( x, y , z , , , )
Ecu.1.15
k = 1...n (grados de libertad)

Este tipo de solucin presenta, entre otras, las siguientes ventajas:
En muchas aplicaciones, el problema cinematico inverso ha

de resolverse en tiempo real (por ejemplo, en el seguimiento
de una determinada trayectoria). Una solucin de tipo
iterativo no garantiza tener la solucin en el momento
adecuado.
Al contrario de lo que ocurra en el problema cinematico

directo, con cierta frecuencia la solucin del problema
cinematico inverso no es nica; existiendo diferentes n-uplas
(q1,..., qn) exp T que posicionan y orientan el extremo del
robot de mismo modo. En estos casos una solucin cerrada
permite incluir determinadas reglas o restricciones que
aseguren que la solucin obtenida sea la mas adecuada
posible.
No obstante, a pesar de las dificultades comentadas, la mayor parte

de los robots poseen cinemticas relativamente simples que
facilitan en cierta medida la resolucin de su problema cinematico
inverso. Por ejemplo si se consideran solo tres primeros grados de
28
libertad de muchos robots, estos tienen una estructura planar, esto

es, los tres primeros elementos quedan contenidos en un plano.
Esta circunstancia facilita la resolucin del problema. Asimismo, en
muchos robots se da la circunstancia de que los tres grados de
libertad ltimos, dedicados fundamentalmente a orientar el extremo
del robot, correspondan a giros sobre los ejes que se cortan en un
punto. De nuevo esta situacin facilita el calculo de la n-upla (q1,...,
qn) exp. T correspondiente a la posicin y orientacin deseadas.
Por lo tanto, para los casos citados y otros, es posible establecer
ciertas pautas generales que permitan plantear y resolver el
problema cinematico inverso de una manera sistemtica. Los
mtodos geomtricos permiten tener normalmente los valores de
las primeras variables articulares, que son las que consiguen
posicionar el robot. Para ello utilizan relaciones trigonometras y
geomtricas sobre los elementos del robot. Se suele recurrir a la
resolucin de tringulos formados por los elementos y
articulaciones del robot.
Como alternativa para resolver el mismo problema se puede recurrir
a manipular directamente las ecuaciones correspondientes al
problema cinematico directo. Es decir, puesto que este establece la
relacin:
n o a p
Tij =
0 0 0 1
Ecu. 1.16
Fig.1.3 Robot Planar

29
Donde los elementos Tij son funciones de las coordenadas

articulares (q1,..., qn) exp. T, es posible pensar que mediante
ciertas combinaciones de las ecuaciones planteadas se puedan
despejar las n variables articulares qi en funcin de las
componentes de los vectores n, o, a y p.
Por ultimo, si se consideran robots con capacidad de posicionar y
orientar su extremo en el espacio, esto es, robots con 6 grados de
libertad, el mtodo de desacoplamiento cinematico permite, para
determinados tipos de robots, resolver los primeros grados de
libertad, dedicados al posicionamiento, de una manera
independiente a la resolucin de los ltimos grados de libertad,
dedicados a la orientacin. Cada uno de estos dos problemas
simples podr ser tratado y resuelto por cualquier procedimiento.
1.1.2.1 Resolucin Del Problema Cinematico Inverso A Partir
De La Matriz De Transformacin Homognea
En principio es posible tratar de obtener el modelo cinematico
inverso de un robot a partir del conocimiento de su modelo directo.
Es decir, suponiendo conocidas las relaciones que expresan el
valor de la posicin y orientacin del extremo del robot en funcin
de sus coordenadas articulares, obtener por manipulacin de
aquellas las relaciones inversas. Sin embargo, en la prctica esta
tarea no es trivial siendo en muchas ocasiones tan compleja que
obliga a desecharla. Adems, puesto que el problema cinematico
directo, resuelto a travs de Tij contiene en el caso de un robot de 6
grados de libertad 12 ecuaciones, y se busca solo 6 relaciones (una
por cada grado de libertad), existir, necesariamente ciertas
dependencias entre las 12 expresiones de partida con lo cual la
eleccin de las ecuaciones debe hacerse con sumo cuidado. Se va
a aplicar este procedimiento al robot de 3 grados de libertad de
configuracin esfrica (2 giros y un desplazamiento) mostrado en la
figura. El robot queda siempre contenido en un plano determinado
por el ngulo q1.

30
Fig.1.4 Robot polar de 3 GDL

El primer paso a dar para resolver el problema cinematico inverso
es obtener Tij correspondiente a este robot. Es decir, obtener la
matriz T que relaciona el sistema de referencia (S0) asociado a la
base con el sistema de referencia (S3) asociado a su extremo. La
siguiente figura muestra la asignacin de sistemas de referencia
segn los criterios de DH con el robot situado en su posicin de
partida (q1 = q2 = 0), y la tabla muestra los valores de los
parmetros
de
DH.
A partir de estos es inmediato obtener las matrices A y la matriz T.
Obtenida la expresin de T en funcin de las coordenadas
articulares (q1, q2, q3), y supuesta una localizacin de destino para
el extremo del robot definida por los vectores n, o, a y p se podra
intentar manipular directamente las 12 ecuaciones resultantes de T
a fin de despejar q1, q2, y q3 en funcin de n, o, a y p.
Tabla 1.2 Parmetros D-H del robot polar de 3 GDL

31
Fig. 1.5 Asignacin de sistema de referencia del robot polar

Sin embargo, este procedimiento directo es complicado,
apareciendo ecuaciones trascendentes. En lugar de ello, suele ser
ms
adecuado
aplicar
el
siguiente
procedimiento:
Puesto que:
( )( 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
Es conocida, los miembros a la izquierda en las expresiones

anteriores, son funcin de las variables articulares (qk+1,...,qn). De
modo, que la primera de las expresiones se tendr q1 aislado del
resto de las variables articulares y tal vez ser posible obtener su
valor sin la complejidad que se tendra abordando directamente la
manipulacin de la expresin T. A su vez, una vez obtenida q1, la
segunda expresin anterior (2A3), permitir tener el valor de q2
aislado respecto de q3. Por ultimo, conocidos q1 y q2 se podr
obtener q3 de la expresin T sin excesiva dificultad.
Para poder aplicar este procedimiento, es necesario en primer lugar
obtener las inversas de las matrices, i-1Ai. Esto es sencillo si se
considera que la inversa de una matriz viene dada por:
inversa
n x
n
y
nz
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
Por lo tanto, utilizando la primera de las ecuaciones

definidas al principio del tema, se tiene que:
C1
0
1 0 A1 0T3 =1A2 2 A3 =
S1
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
De las 12 relaciones establecidas en la Ecu.1.24, interesan aquellas

que expresan q1 en funcin de constantes. As por ejemplo se
tiene:
S1 p x C1 p y = 0
Ecu.1.25
Despejamos q1 de la Ecu. 1.25 se obtiene

py
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
Las expresiones anteriores corresponden a la solucin del problema

cinematico inverso del robot considerado. A los mismos resultados
se podra haber llegado mediante consideraciones geomtricas
1.1.3 Desacoplo Cinematico:
Los procedimientos vistos en los apartados anteriores permiten
obtener los valores de las 3 primeras variables articulares del robot,
aquellas que posicionan su extremo en las coordenadas (Px, Py,
Pz) determinadas, aunque pueden ser igualmente utilizadas para la
obtencin de las 6 a costa de una mayor complejidad.
Ahora bien, como es sabido, en general no basta con posicionar el
extremo del robot en un punto del espacio, sino que casi siempre es
preciso tambin conseguir que la herramienta que aquel porta se
oriente de una manera determinada. Para ello, los robots cuentan
con otros tres grados de libertad adicionales, situados al final de la
cadena cinemtica y cuyos ejes, generalmente, se cortan en un
punto, que informalmente se denomina mueca del robot.
Si bien la variacin de estos tres ltimos grados de libertad origina
un cambio en la posicin final del extremo real del robot, su
verdadero objetivo es poder orientar la herramienta del robot
libremente en el espacio.
El mtodo de desacoplo cinematico saca partido de este hecho,
separando ambos problemas: Posicin y orientacin. Para ello,
dada una posicin y orientacin final deseadas, establece las
coordenadas del punto de corte de los 3 ltimos ejes (mueca del
robot) calculndose los valores de las tres primeras variables
articulares (q1, q2, q3) que consiguen posicionar este punto. A
continuacin, a partir de los datos de orientacin y de los ya
35
calculados (q1, q2, q3) obtiene los valores del resto de las variables
articulares.
Tabla 1.3 Parmetros D-H del robot IRB2400
Fig.1.6 Cinemtica del Robot IRB2400, cuya inversa se puede

desacoplar
En la figura1.6 se representa un robot que rene las citadas
caractersticas, con indicacin de los sistemas de coordenadas
asociados segn el procedimiento de Denavit-Hartemberg, cuyos
parmetros
se
pueden
observar
en
la
tabla.
El punto central de la mueca del robot corresponde al origen del

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
El director Z6 es el vector A correspondiente a la orientacin

deseada Z6 = (Ax, Ay, Az) (exp) T e I4 es un parmetro asociado
con el robot. Por lo tanto, las coordenadas del punto central de la
mueca (Pmx, Pmy, Pmz) son fcilmente obtenibles.
Es posible, mediante un mtodo geomtrico, por ejemplo, calcular
los valores de
(q1, q2, q3) que consiguen posicionar el robot en el Pm deseado.
Quedan ahora obtener los valores de q4, q5, y q6 que consiguen la
orientacin deseada. Para ello denominando 0R6 a la submatriz de
rotacin de 0T6 se tendr:
0
( )
R6 = (n o a )= 0 R3 3 R6
Ecu.1.32
Donde 0R6 es conocida por la orientacin deseada del extremo del

robot, y 0R3 definida por:
0
( )( A )
R3 = 0 A1 1 A2

Ecu.1.33
37
Tambin lo ser a partir de los valores ya obtenidos de q1, q2 y q3.

Por lo tanto:
3
[ ] ( A ) ( A ) = ( R ) [n
R6 = Rij =
1 0
o a]
Ecu.1.34
Tendr sus componentes numricas conocidas.

Por otra parte, 3R6 corresponde a una submatriz (3X3) de rotacin
de la matriz de transformacin homognea 3T6 que relaciona el
sistema (S3) con el (S6), por lo tanto:
3
( )( 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
Luego se tiene que,
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
Donde rij sern por la Ecu. 1.34

C 4 C 5 C 6 S 4 S 6
rij = S 4 C 5 C 6 + C 4 S 6
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
De las nueve expresiones en las Ecu. 1.40 se puede tomar las

relaciones:
r13
r23
r33
r31
r32
= 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
De las ecuaciones Ecu. 1.41 a Ecu. 1.45 se puede obtener los

parmetros articulares:
r
q 4 = arcsen 23
r33
q5 = ar cos(r33 )
Ecu. 1.46
Ecu. 1.47
r
q 6 = arctan 32
r31
Ecu.1.48
Estas expresiones y teniendo en cuenta que las posiciones de cero

son distintas, constituyen la solucin completa del problema
cinematico inverso del robot articular
1.2 DINAMICA DE ROBOT
La dinmica se ocupa de la relacin entre las fuerzas que actan
sobre un cuerpo y el movimiento que en el se origina. Por lo tanto,
el modelo dinmico de un robot tiene por objeto conocer la relacin
entre el movimiento del robot y las fuerzas implicadas en el mismo.

39
Esta relacin se obtiene mediante el denominado modelo dinmico,

que relaciona matemticamente:
La localizacin del robot definida por sus variables articulares

o por las coordenadas de localizacin de su extremo, y sus
derivadas: velocidad y aceleracin.
Las fuerzas pares aplicados en las articulaciones (o en el
extremo del robot).
Los parmetros dimensinales del robot, como longitud,
masa e inercias de sus elementos.
La obtencin de este modelo para mecanismos de uno o dos

grados de libertad no es excesivamente compleja, pero a medida
que el nmero de grados de libertad aumenta, el planteamiento y
obtencin del modelo se complica enormemente. Por este motivo
no siempre es posible obtener un modelo dinmico expresado de
una forma cerrada, esto es, mediante una serie de ecuaciones,
normalmente del tipo diferencial de segundo orden, cuya
integracin permita conocer que el movimiento surge al aplicar unas
fuerzas o que fuerzas hay que aplicar para obtener un movimiento
determinado.
El modelo dinmico debe ser resuelto entonces de manera iterativa
mediante la utilizacin de un procedimiento numrico. El problema
de la obtencin del modelo dinmico de un robot es, por lo tanto,
uno de los aspectos ms complejos de la robtica, lo que ha llevado
a ser obviado en numerosas ocasiones. Sin embargo, el modelo
dinmico es imprescindible para conseguir los siguientes fines:
Simulacin del movimiento del robot.

Diseo y evaluacin de la estructura mecnica del robot.
Dimensionamiento de los actuadores.
Diseo y evaluacin del control dinmico del robot.
Este ltimo fin es evidentemente de gran importancia, pues de la

calidad del control dinmico del robot depende la preescisin y
velocidad de sus movimientos. La gran complejidad ya comentada
existente en la obtencin del modelo dinmico del robot, ha
motivado que se realicen ciertas simplificaciones, de manera que
40
as pueda ser utilizado en el diseo del controlador. Es importante

hacer notar que el modelo dinmico completo de un robot debe
incluir no solo la dinmica de sus elementos (barras o eslabones)
sino tambin la propia de sus sistemas de transmisin, de los
actuadores y sus equipos electrnicos de mando.
Estos elementos incorporan al modelo dinmico nuevas inercias,
rozamientos, saturaciones de los circuitos electrnicos, etc.
aumentando aun ms su complejidad. Por ultimo, es preciso
sealar que si bien en la mayor parte de las aplicaciones reales de
robtica, las cargas e inercias manejadas no son suficientes como
para originar deformaciones en los eslabones del robot, en
determinadas ocasiones no ocurre as, siendo preciso considerar al
robot como un conjunto de eslabones no rgidos. Aplicaciones de
este tipo pueden encontrarse en la robtica espacial o en robots de
grandes dimensiones.
1.2.1 Modelo Dinmico De La Estructura De Un Robot Rgido
La obtencin del modelo dinmico de un mecanismo, y en particular
de un robot, se basa fundamentalmente en el planteamiento del
equilibrio de fuerzas establecido en la segunda ley de Newton, o su
equivalente para movimientos de rotacin, la denominada ley de
Euler:
F = mv
T = I w+ wx(Iw)
Ecu. 1.49
Ecu. 1.50
As, en el caso simple de un robot monoarticular como el

representado en la figura, el equilibrio de fuerzas-pares dara como
resultado la ecuacin:
d 2
= I 2 + MgL cos = ML2 + MgL cos
dt
Ecu. 1.51
En donde se ha supuesto que toda la masa se encuentre

concentrada en el centro de la gravedad del elemento, que no
41
existe rozamiento alguno y que no se manipula ninguna carga.

Para un par motor determinado, la integracin de la ecuacin
anterior, dara lugar a la expresin de (t ) y de sus derivadas (t )
y (t ) , con lo que seria posible conocer la evolucin de la

coordenada articular del robot y de su velocidad y aceleracin.
De forma inversa, si se pretende que (t ) evolucione segn una
determinada funcin del tiempo, sustituyendo en la ecuacin
anterior, podra obtenerse el par (t ) que seria necesario aplicar. Si
el robot tuviese que ejercer alguna fuerza en su extremo, ya sea al
manipular una carga o por ejemplo, realizar un proceso sobre
alguna pieza, bastara con incluir esta condicin en la mencionada
ecuacin y proceder del mismo modo se tiene as que del
planteamiento del equilibrio de fuerzas y pares que intervienen
sobre el robot se obtienen los denominados modelos dinmicos
directo e inverso:
Modelo dinmico directo: expresa la evolucin temporal de

las coordenadas articulares del robot en funcin de las
fuerzas y pares que intervienen.
Modelo dinmico inverso: expresa las fuerzas y pares que

intervienen en funcin de la evolucin de las coordenadas
articulares y sus derivadas.
El planteamiento del equilibrio de fuerzas en un robot real de 5 o 6

grados de libertad, es mucho ms complicado. Debe tenerse en
cuenta que junto con las fuerzas de inercia y gravedad, aparecen
fuerzas de Coriolis debidas al movimiento relativo existente entre
los diversos elementos, as como de fuerzas centrpetas que
dependen de la configuracin instantnea del manipulador.

42
Fig.1.7 Modelo de eslabn con masa concentrada

1.2.2 Modelado Mediante La Formulacin De Lagrange-Euler
Uicker en 1965, utilizo la representacin de D-H basada en las
matrices de transformacin homognea para formular el modelo
dinmico de un robot mediante la ecuacin de Lagrange. Este
planteamiento utiliza, por tanto, las matrices i-1Ai que relacionan el
sistema de coordenadas de referencia del elemento i con el
elemento i-1. Se realizan en este caso operaciones de producto y
suma innecesarias. Se trata de un procedimiento ineficiente desde
el punto de vista computacional.
Puede comprobarse que el algoritmo es de un orden de
complejidad computacional O(n), es decir, el nmero de
operaciones a realizar crece con la potencia 4 del numero de
grados de libertad. Sin embargo, conduce a unas ecuaciones
finales bien estructuradas donde aparecen de manera clara los
diversos pares y fuerzas que intervienen en el movimiento.
Se presenta a continuacin al algoritmo a seguir para obtener el
modelo dinmico del robot por el procedimiento de Lagrange-Euler
(L-E).
1.2.3 Algoritmo Computacional Para el Modelado Dinmico Por

Lagrange-Euler.
1. Asignar a cada eslabn un sistema de referencia de acuerdo a
las normas de D-H
2. Obtener las matrices de transformacin 0Ai para cada elemento i.

43
3. Obtener las matrices Uij definidas por:
0 Ai
U ij =
q j
Ecu.1.52
4. Obtener las matrices Uijk definidas por:
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
Donde las integrales estn extendidas al elemento i considerando, y

(Xi Yi Zi) son las coordenadas del diferencial de masa dm respecto
al sistema de coordenadas del elemento.
6. Obtener la matriz de inercias D = (dij) cuyos elementos vienen
definidos por:
d ij =
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
7. Obtener los trminos hikm definidos por:

n
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
9. Obtener la matriz de fuerzas de gravedad C = ci cuyos elementos

estn definidos
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,
: es el vector de fuerzas y pares motores efectivos aplicados

sobre cada coordenada qi
.

45
1.3 REDES NEURONALES ARTIFICIALES

Resulta irnico pensar que mquinas de computo capaces de
realizar 100 millones de operaciones en coma flotante por segundo,
no sean capaces de entender el significado de las formas visuales o
de distinguir entre distintas clases de objetos. 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.
Esta dificultad de los sistemas de computo que trabajan bajo la
filosofa de los sistemas secuenciales, desarrollados por Von
Neuman, ha hecho que un gran nmero de investigadores centre su
atencin en 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:
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. Procesamiento de imgenes y de voz
2. Reconocimiento de patrones
3. Planeamiento

46
4.
5.
6.
7.
Interfaces adaptivas para sistemas Hombre/mquina

Prediccin
Control y optimizacin
Filtrado de seales
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 RNA 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. El conocimiento de una red neuronal no se
almacena en instrucciones, el poder de la red est en su topologa y
en los valores de las conexiones (pesos) entre neuronas.
1.3.1 Caractersticas De Una Red Neuronal Artificial
El modelo de una neurona artificial es una imitacin del proceso de
una neurona biolgica, puede tambin asemejarse a un sumador
hecho con un amplificador operacional tal como se ve en la fig. 1.8
Fig. 1.8 Neurona Artificial

47
Existen varias formas de nombrar una neurona artificial, es

conocida como nodo, neuronodo, celda, unidad o elemento de
procesamiento (PE); En la fig. 1.9 se observa un PE en forma
general y su similitud con una neurona biolgica
Fig. 1.9 De la neurona biolgica a la neurona artificial

De la observacin detallada del proceso biolgico se han hallado
los siguientes anlogos con el sistema artificial:
Las entradas Xi representan las seales que provienen de

otras neuronas y que son capturadas por las dendritas.
Los pesos Wi son la intensidad de la sinpsis que conecta
dos neuronas; tanto Xi como Wi son valores reales.
es la funcin umbral que la neurona debe sobrepasar para
activarse; este proceso ocurre biolgicamente en el cuerpo
de la clula.
Las seales de entrada a una neurona artificial X1, X2,.., Xn son

variables continuas en lugar de pulsos discretos, como se
presentan en una neurona biolgica. Cada seal de entrada pasa a
travs de una ganancia o peso, llamado peso sinptico o fortaleza
de la conexin cuya funcin es anloga a la de la funcin sinptica
48
de la neurona biolgica. Los pesos pueden ser positivos

(excitatorios), o negativos (inhibitorios), el nodo sumatorio acumula
todas las seales de entradas multiplicadas por los pesos o
ponderadas y las pasa a la salida a travs de una funcin umbral o
funcin de transferencia. La entrada neta a cada unidad puede
escribirse de la siguiente manera
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.
Fig. 1.10 Proceso de una red neuronal

Una vez que se ha calculado la activacin del nodo, el valor de
salida equivale a
Ecu. 1.60
Donde representa la funcin de activacin para esa unidad, que
corresponde a la funcin escogida para transformar la entrada netai

49
en el valor de salida
especficas de cada red.
y que depende de las caractersticas
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:
Valores escalares: se representarn por medio de letra

minscula itlica
Vectores: se representarn con letra itlica minscula en
negrilla.
Matrices: se representarn con letra mayscula itlica en
negrilla.
Para redes multicapa, los parmetros adoptaran la siguiente forma:

Ecu. 1.62
Donde c, es el nmero de la capa a la que corresponde dicho peso,
y s representa las neuronas que participan en proceso.
As
representa el peso de la segunda capa que comunica la
primera neurona de dicha capa con la primera neurona de la
primera capa. De igual manera el peso que representa la conexin
desde la ltima neurona de la capa dos a la ltima neurona de la
capa uno estar representado por:
Ecu.1.63
Esta convencin es adoptada para todos los parmetros de la red.

50
1.3.3 Funciones De Transferencia

Un modelo ms acadmico que facilita el estudio de una neurona,
puede visualizarse en la fig. 1.10
Fig. 1.10 Neurona de una sola entrada

Las entradas a la red sern ahora presentadas en el vector p, que
para el caso de una sola neurona contiene solo un elemento, w
sigue representando los pesos y la nueva entrada b es una
ganancia que refuerza la salida del sumador n, la cual es la salida
neta de la red; la salida total est determinada por la funcin de
transferencia , la cual puede ser una funcin lineal o no lineal de n,
y que es escogida dependiendo de las especificaciones del
problema que la neurona tenga que resolver; aunque las RNA se
inspiren en modelos biolgicos no existe ninguna limitacin para
realizar modificaciones en las funciones de salida, as que se
encontrarn modelos artificiales que nada tienen que ver con las
caractersticas del sistema biolgico.
1.3.3.1 Limitador Fuerte (Hardlim)
La fig. 1.12, muestra como esta funcin de transferencia acerca la
salida de la red a cero, si el argumento de la funcin es menor que
cero y la lleva a uno si este argumento es mayor que uno. Esta
funcin crea neuronas que clasifican las entradas en dos categoras

51
diferentes, caracterstica que le permite ser empleada en la red tipo

Perceptrn
Ecu.1.64
Figura 1.12 Funcin de transferencia Hardlim

El icono para la funcin Hardlim reemplazara a la letra f en la
expresin general, cuando se utilice la funcin Hardlim.
Una modificacin de esta funcin puede verse en la fig. 1.13, la que
representa la funcin de transferencia Hardlims que restringe el
espacio de salida a valores entre 1 y 1.
Ecu.1.65

52
Fig. 1.13 Funcin de transferencia Hardlims

1.3.3.2 Funcin De Transferencia Lineal (Purelin)
La salida de una funcin de transferencia lineal es igual a su
entrada,
Ecu.1.66
Fig. 1.14 Funcin de transferencia lineal

En la grfica del lado derecho de la fig. 1.14, puede verse la
caracterstica de la salida a de la red, comparada con la entrada p,
ms un valor de ganancia b, neuronas que emplean esta funcin de
transferencia son utilizadas en la red tipo Adaline.
53
1.3.3.3 Funcin De Transferencia Sigmoidal (Logsig)

Esta funcin toma los valores de entrada, los cuales pueden oscilar
entre ms y menos infinito, y restringe la salida a valores entre cero
y uno, de acuerdo a la expresin
Ecu.1.67
Esta funcin es comnmente usada en redes multicapa, como la
Backpropagation, en parte porque la funcin logsig es diferenciable.
Fig. 1.15 Funcin de transferencia sigmoidal

La tabla 1.5 hace una relacin de las principales funciones de
transferencia empleadas en el entrenamiento de redes neuronales.
Relacin
Nombre
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
Tabla 1.5 Funciones de Transferencia
1.3.3.4 Topologa De Una Red

Tpicamente una neurona tiene ms de una entrada; en la fig. 1.16
se observa una neurona con R entradas; las entradas individuales
p1,p2,...,pR son multiplicadas por los pesos correspondientes w1,1,
w1,2,...w1,R pertenecientes a la matriz de pesos W.

55
Fig. 1.16 Neurona con mltiples entradas

La neurona tiene una ganancia b, la cual llega al mismo sumador al
que llegan las entradas multiplicadas por los pesos, para formar la
salida n,
Ecu.1.68
Esta expresin puede ser escrita en forma matricial
Ecu.1.69
Los subndices de la matriz de pesos representan los trminos
involucrados en la conexin, el primer subndice representa la
neurona destino y el segundo, representa la fuente de la seal que
alimenta a la neurona. Por ejemplo, los ndices de w1,2 indican que
este peso es la conexin desde la segunda entrada a la primera
neurona. Esta convencin se hace ms til cuando hay ms de una
neurona, o cuando se tiene una neurona con demasiados
parmetros; en este caso la notacin de la fig. 1.16, puede resultar
inapropiada y se prefiere emplear la notacin abreviada
representada en la fig. 1.17

56
Fig. 1.17 Neurona con mltiples entradas, notacin abreviada

El vector de entrada p es representado por la barra slida vertical a
la izquierda. Las dimensiones de p son mostradas en la parte
inferior de la variable como Rx1, indicando que el vector de entrada
es un vector fila de R elementos. Las entradas van a la matriz de
pesos W, la cual tiene R columnas y solo una fila para el caso de
una sola neurona. Una constante 1 entra a la neurona multiplicada
por la ganancia escalar b. La salida de la red a, es en este caso un
escalar, si la red tuviera ms de una neurona a sera un vector.
Dentro de una red neuronal, los elementos de procesamiento se
encuentran agrupados por capas, una capa es una coleccin de
neuronas; de acuerdo a la ubicacin de la capa en la RNA, esta
recibe diferentes nombres
Capa de entrada: Recibe las seales de la entrada de la red,

algunos autores no consideran el vector de entrada como
una capa pues all no se lleva a cabo ningn proceso.
Capas ocultas: Estas capas son aquellas que no tienen
contacto con el medio exterior, sus elementos pueden tener
diferentes conexiones y son estas las que determinan las
diferentes topologas de la red
Capa de salida: Recibe la informacin de la capa oculta y
transmite la respuesta al medio externo.
Una red de una sola capa con un nmero S de neuronas, se

observa en la fig.1.18 en la cual, cada una de las R entradas es

57
conectada a cada una de las neuronas, la matriz de pesos tiene

ahora S filas.
Fig. 1.18 Capa de S neuronas

La capa incluye la matriz de pesos, los sumadores, el vector de
ganancias, la funcin de transferencia y el vector de salida. Esta
misma capa se observa en notacin abreviada en la fig. 1.19
Figura 1.19 Capa de S neuronas con notacin abreviada

58
En la fig. 1.19 se han dispuesto los smbolos de las variables de tal

manera que describan las caractersticas de cada una de ellas, por
ejemplo la entrada a la red es el vector p cuya longitud R aparece
en su parte inferior, W es la matriz de pesos con dimensiones SxR
expresadas debajo del smbolo que la representa dentro de la red, a
y b son vectores de longitud S el cual, como se ha dicho
anteriormente representa el nmero de neuronas de la red.
Ahora, si se considera una red con varias capas, o red multicapa,
cada capa tendr su propia matriz de peso W, su propio vector de
ganancias b, un vector de entradas netas n, y un vector de salida a.
La versin completa y la versin en notacin abreviada de una red
de tres capas, pueden ser visualizadas en las figuras 1.20 y 1.21,
respectivamente.
Figura 1.20 Red de tres capas

Para esta red se tienen R entradas, S1 neuronas en la primera
capa, S2 neuronas en la segunda capa, las cuales pueden ser
diferentes; las salidas de las capas 1 y 2 son las entradas a las
capas 2 y 3 respectivamente, as la capa 2 puede ser vista como
59
una red de una capa con R=S1 entradas, S1=S2 neuronas y una
matriz de pesos W2 de dimensiones S1xS2
Fig. 1.21 Red de tres capas con notacin abreviada

Las redes multicapa son ms poderosas que las redes de una sola
capa, por ejemplo, una red de dos capas que tenga una funcin
sigmoidal en la primera capa y una funcin lineal en la segunda,
puede ser entrenada para aproximar muchas funciones de forma
aceptable, una red de una sola capa no podra hacer esto como se
ver en captulos posteriores.
Un tipo de redes, un poco diferente a las que se han estudiado
hasta el momento, son las redes recurrentes, estas contienen una
realimentacin hacia atrs o retroalimentacin, es decir algunas de
sus salidas son conectadas a sus entradas. Un tipo de red
recurrente de tiempo discreto es mostrado en la fig. 1.22

60
Fig. 1.22 Redes Recurrentes

Para este tipo particular de red el vector p suple las condiciones
iniciales (a(0)= p), y la salida est determinada por:
Ecu. 1.69
Donde a(1) y a(2), corresponden a la salida de la red para el primer
y segundo intervalo de tiempo, respectivamente. La red alcanzar
su estado estable cuando la salida para un instante de tiempo sea
la misma salida del instante de tiempo anterior.
Las redes recurrentes son potencialmente ms poderosas que las
redes con realimentacin hacia delante. En este tipo de redes se
introducen tambin dos nuevos conceptos, el bloque de retardo de
la fig. 1.23 y el bloque integrador de la fig. 1.24
Retardo
Fig. 1.23 Bloque de 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
Figura 1.24 Bloque integrador

La salida del integrador es calculada de acuerdo a la expresin
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
Fig. 1.25 Clasificacin de las Redes Neuronales

1.3.3.5 Perceptrn
1.3.3.5.1 Antecedentes
El primer modelo de Perceptrn fue desarrollado en un ambiente
biolgico imitando el funcionamiento del ojo humano, el
fotoperceptrn como se le llamo era un dispositivo que responda a
seales pticas; como se muestra en el fig.1.26 la luz incide en los
puntos sensibles (S) de la estructura de la retina, cada punto S
responde en forma todo-nada a la luz entrante, los impulsos
generados por los puntos S se transmiten a las unidades de
asociacin (A) de la capa de asociacin; cada unidad A est
conectada a un conjunto aleatorio de puntos S, denominados
conjunto fuente de la unidad A, y las conexiones pueden ser tanto
excitatorias como inhibitorias. Las conexiones tienen los valores
posibles +1, -1 y 0, cuando aparece un conjunto de estmulos en la
retina, una unidad A se activa si la suma de sus entradas sobrepasa
algn valor umbral; si la unidad esta activada, A produce una salida
que se enva a la siguiente capa de unidades.

63
Fig.1.26 Modelo del Fotoperceptrn de Rosenblatt

De forma similar, las unidades A estn conectadas a unidades de
respuesta (R) dentro de la capa de respuesta y la conectividad
vuelve a ser aleatorio entre capas, pero se aaden conexiones
inhibitorias de realimentacin procedentes de la capa de respuesta
y que llegan a la capa de asociacin, tambin hay conexiones
inhibitorias entre las unidades R. Todo el esquema de conexiones
se describe en forma general en un diagrama de Venn, para un
Perceptrn sencillo con dos unidades de respuesta como el de la
fig.1.27
Fig.1.27 Esquema de conexiones de un Perceptrn sencillo

64
.En 1969 Marvin Minsky y Seymour Papert publicaron su libro:

"Perceptrons: An introduction to Computational Geometry", el cual
para muchos signific el final de las redes neuronales. En el se
presentaba un anlisis detallado del Perceptrn, en trminos de sus
capacidades y limitaciones, en especial en cuanto a las
restricciones que existen para los problemas que una red tipo
Perceptrn puede resolver; la mayor desventaja de este tipo de
redes es su incapacidad para solucionar problemas que no sean
linealmente separables.
Minsky y Papert se apartaban de la aproximacin probabilstica de
Rosenblatt y volvan a las ideas de clculo de predicados en el
anlisis del Perceptrn. Su idea de Perceptrn aparece en la
fig.1.28
Fig.1.28 Perceptrn segn Minsky y Papert

La estructura de un Perceptrn sencillo es similar a la del elemento
general de procesamiento que se muestra en la fig.1.28; en la que
se observa la adicin de una condicin umbral en la salida. Si la
entrada neta, a esta condicin es mayor que el valor umbral, la
salida de la red es 1, en caso contrario es 0.
La funcin de salida de la red en la fig.1.28 es llamada funcin
umbral o funcin de transferencia

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
de las entradas por el vector de pesos, ocasiona que estos no se

actualicen y que el aprendizaje sea ms lento.
Una tcnica utilizada para analizar el comportamiento de redes
como el Perceptrn es presentar en un mapa las regiones de
decisin creadas en el espacio multidimensional de entradas de la
red, en estas regiones se visualiza qu patrones pertenecen a una
clase y cules a otra, el Perceptrn separa las regiones por un
hiperplano cuya ecuacin queda determinada por los pesos de las
conexiones y el valor umbral de la funcin de activacin de la
neurona, en este caso los valores de los pesos pueden fijarse o
adaptarse empleando diferentes algoritmos de entrenamiento.
Para ilustrar el proceso computacional del Perceptrn consideremos
la matriz de pesos en forma general.
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
El Perceptrn, al constar de una sola capa de entrada y otra de

salida con una nica neurona, tiene una capacidad de
representacin bastante limitada, este modelo slo es capaz de
discriminar patrones muy sencillos, patrones linealmente
separables, el caso ms conocido es la imposibilidad del Perceptrn
de representar la funcin OR EXCLUSIVA.
1.3.3.5.3 Regla De Aprendizaje
El Perceptrn es un tipo de red de aprendizaje supervisado, es
decir necesita conocer los valores esperados para cada una de las
entradas presentadas; su comportamiento est definido por pares
de esta forma:
Ecu. 1.76
Cuando p es aplicado a la red, la salida de la red es comparada con
el valor esperado t, y la salida de la red esta determinada por:
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
Fig.1.31 Perceptrn aplicado a la funcin OR

Se aplicar este mtodo para resolver tambin el problema de la
funcin AND, el cual se describe en la siguiente figura
Fig.1.32 Espacio de salida de una compuerta AND

Analizando el comportamiento de la AND se llega a la conclusin de
que es imposible que una recta que pase por el origen, separe los
valores 00,01 y 10 del valor 11, por lo que se hace necesario
introducir un trmino independiente para realizar esta tarea, a este
trmino se le da el nombre de ganancia y se representa por la letra
b, al cual por lo general se le asigna un valor inicial de 1 y se ajusta

70
durante la etapa de aprendizaje de la red; este nuevo trmino

permite desplazar la recta del origen de coordenadas dando una
solucin para el caso de la funcin AND y ampliando el nmero de
soluciones de la funcin OR
Ahora la salida de la neurona esta dada por
Ecu.1.79
Las soluciones obtenidas para las funciones AND y OR se observan
en la fig.1.33
Fig.1.33 Solucin para una funcin AND y una OR

En el proceso de entrenamiento el Perceptrn se expone a un
conjunto de patrones de entrada y los pesos de la red son ajustados
de forma que al final de entrenamiento se obtengan las salidas
esperadas para cada unos de esos patrones de entrada.
El algoritmo de entrenamiento del Perceptrn puede resumirse en
los siguientes pasos:
1. Se inicializa la matriz de pesos y el valor de la ganancia, por
lo general se asignan valores aleatorios a cada uno de los
pesos wi y al valor b

71
2. Se presenta el primer patrn a la red, junto con la salida

esperada en forma de pares entrada/salida
3. Se calcula la salida de la red por medio de
Ecu.1.80
Donde f puede ser la funcin hardlim o hardlims
4. Cuando la red no retorna la salida correcta, es necesario
alterar el valor de los pesos, tratando de llevarlo hasta p y as
aumentar las posibilidades de que la clasificacin sea
correcta, una posibilidad es adicionar p a w haciendo que el
vector w apunte en la direccin de p, y de esta forma
despus de repetidas presentaciones de p a la red, w se
aproximar asintoticamente a p; este es el procedimiento
adoptado para la regla de aprendizaje del Perceptrn.
El proceso de aprendizaje del Perceptrn puede definirse en tres
reglas, las cuales cubren la totalidad de combinaciones de salidas y
sus correspondientes valores esperados. Estas reglas utilizando la
funcin de transferencia hardlim, se expresan como sigue:
Ecu.1.81
Ecu.1.82
Ecu.1.83
Las tres condiciones anteriores pueden ser escritas en forma
compacta y generalizarse para la utilizacin de las funciones de
transferencia hardlim o hardlims, generalizacin que es posible
introduciendo el error en las reglas de aprendizaje del Perceptrn:
Ecu.1.84
Por lo tanto:

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
Fig.1.34 Compuerta XOR

Se pretende que para los valores de entrada 00 y 11 se devuelva la
clase 0 y para los patrones 01 y 10 la clase 1. Como puede verse
de la fig1.35 el problema radica en que no existe ninguna lnea
recta que separe los patrones de una clase de los de la otra
Fig.1.35 Plano formado por el problema de la XOR

Los cuatro puntos en la figura son las posibles entradas de la red; la
lnea divide el plano en dos regiones, por lo que se podra clasificar
los puntos de una regin como pertenecientes a la clase que posee
salida 1 (puntos azules) y los de la otra regin como pertenecientes
a la clase que posee salida 0 (puntos rojos), sin embargo no hay
ninguna forma de posicionar la lnea para que los puntos correctos
para cada clase se encuentren en la misma regin. El problema de
la compuerta XOR no es linealmente separable y una red tipo
Perceptrn no esta en capacidad de clasificar correctamente los
patrones de esta funcin, debido a esta limitacin del Perceptrn y

74
a su amplia publicacin en el libro de Minsky y Papert, el estudio de

las redes neuronales se estanco durante casi 20 aos.
El proceso para determinar si un problema es linealmente separable
o no, se realiza grficamente sin problema, cuando los patrones de
entrada generan un espacio de dos dimensiones, como en el caso
de las funciones AND, OR o de la XOR; sin embargo, esta
visualizacin se dificulta cuando el conjunto de patrones de entrada
es de tres dimensiones, y resulta imposible de observar
grficamente cuando los patrones de entrada son de dimensiones
superiores; en este caso se requiere plantear condiciones de
desigualdad que permitan comprobar la separabilidad lineal de los
patrones, esto se realiza con base en la ecuacin de salida del
Perceptrn
, para aquellos patrones cuya salida deseada sea 1
, para aquellos patrones cuya salida deseada sea 0
En el caso de la XOR, teniendo en cuenta los valores de la tabla al
lado derecho de la fig.1.35, estas desigualdades se expresan as:
(p1)
(p2)
(p3)
(p4)
Si no hay contradiccin en las desigualdades anteriores, el

problema es linealmente separable. Como se observa de las
,
y que
desigualdades 2, 3 y 4, es imposible que
su suma sea menor que cero, esta es una forma alternativa de
comprobar que el problema de la XOR no es linealmente separable.
El aporte de esta tcnica se aprecia mejor para problemas cuyo
espacio de entrada sea de dimensiones mayores.
La solucin al problema de clasificacin de patrones de la funcin
XOR se encontrara fcilmente si se descompone el espacio en tres
75
regiones: una regin pertenecera a una de las clases de salida y

las otras dos pertenecen a la segunda clase, as que si en lugar de
utilizar nicamente una neurona de salida se utilizaran dos, se
obtendran dos rectas por lo que podran delimitarse tres zonas;
para poder elegir entre una zona u otra de las tres, es necesario
utilizar otra capa con una neurona cuyas entradas sern las salidas
de las neuronas anteriores; las dos zonas o regiones que contienen
los puntos (0,0) y (1,1) se asocian a una salida nula de la red y la
zona central se asocia a la salida con valor 1, de esta forma es
posible encontrar una solucin al problema de la funcin XOR, por
tanto se ha de utilizar una red de tres neuronas, distribuidas en dos
capas para solucionar este problema.
En la fig.1.36 se observa un esquema de lo que sera una red
Perceptrn multicapa, con los valores de pesos y ganancias que
clasifican correctamente los patrones de la compuerta XOR
Fig.1.36 Perceptrn multicapa para la XOR

Los valores de la matriz de pesos y del vector de ganancias son:
w11=1w12=1
w21=1w22=1
w31=1w32=-1.5
b1=0.5 b2=1.5 b3=0.5

76
1.3.3.5.5 Perceptrn Multicapa

En el problema de la funcin XOR se explic como un Perceptrn
multicapa haba sido implementado para hallar una solucin, el
esquema general de un Perceptrn multicapa puede encontrarse
generalizando a una red con mltiples entradas y que incluya una
entrada adicional representada por la ganancia b, este esquema
general se ve en la fig.1.37 en donde se notan las conexiones entre
sus nodos de entrada y las neuronas de salida.
Fig.1.37 Conexiones del Perceptrn

Un Perceptrn multicapa es una red con alimentacin hacia delante,
compuesta de varias capas de neuronas entre la entrada y la salida
de la misma, esta red permite establecer regiones de decisin
mucho ms complejas que las de dos semiplanos, como lo hace el
Perceptrn de un solo nivel.
Un esquema simplificado del modelo del Perceptrn de la fig.1.37
se observa en la fig.1.38

77
Fig.1.38 Notacin compacta para la red tipo Perceptrn

La salida de la red est dada por:
Ecu.1.91
Donde
W: Matriz de pesos asignada a cada una de las entradas de la red
de dimensiones SxR, con S igual al nmero de neuronas, y R la
dimensin del vector de entrada
p: Vector de entradas a la red de dimensiones Rx1
b: Vector de ganancias de la red de dimensiones Sx1

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
79
anterior. La regin de decisin resultante de la interseccin ser

una regin convexa con un nmero de lados a lo sumo igual al
nmero de neuronas de la segunda capa.
A partir de este anlisis surge el interrogante respecto a los criterios
de seleccin para las neuronas de las capas ocultas de una red
multicapa, este nmero en general debe ser lo suficientemente
grande como para que se forme una regin compleja que pueda
resolver el problema, sin embargo no debe ser muy grande pues la
estimacin de los pesos puede ser no confiable para el conjunto de
los patrones de entrada disponibles. Hasta el momento no hay un
criterio establecido para determinar la configuracin de la red y esto
depende ms bien de la experiencia del diseador.
La regla de aprendizaje del Perceptrn para una red multicapa es
una generalizacin
Ecu.1.92
Ecu. 1.93
1.4 SENSORES
1.4.1 Caractersticas y Calidad De Un Sensor
Los sensores no son perfectos, y tienen varias caractersticas que
afectan a la calidad de la medida.
Para la mayora de medidas, tendremos 2 grupos principales de
caractersticas: Estticas y dinmicas.
Las caractersticas estticas son aquellas que son

consecuencia directa de la medida y no de su variabilidad.
Las caractersticas dinmicas son perturbaciones de la
medida como consecuencia de que sta vara continuamente
de valor, creando artefactos adicionales en los sensores.

80
1.4.1.1 Caractersticas Estticas De Un Sensor

Decimos que un sistema funciona en rgimen esttico cuando la
seal no vara o vara con una frecuencia inferior a 1 o 2 Hz. En
estos casos, las caractersticas dinmicas del sensor pueden
obviarse y nos podremos centrar en las caractersticas estticas.
Las caractersticas estticas del sensor consisten bsicamente en
las transformaciones que realiza el sensor para pasar de la
magnitud fsica al voltaje elctrico.
El sensor convierte una magnitud fsica m en un voltaje q de la
forma q=f(m).
Si representamos esta ecuacin obtenemos la curva de calibracin
esttica:
Fig.1.39 Curva de calibracin esttica del sensor

1.4.2 Parmetros De La Curva De Calibracin Esttica
1.4.2.1 Rango De Medida
Intervalo en el que puede emplearse un sensor. Rango de Entrada
si lo indicamos en trminos de "m" y Rango de Salida si lo
indicamos en trminos de "q".

81
1.4.2.2 Escala Total o Span

Es el ancho del intervalo donde puede operar el sensor (mmax-mmin
o qmax-qmin).
1.4.2.3 Sensibilidad Esttica o Factor de Escala o Ganancia
Esta definido por la pendiente entre la salida y la entrada.
Si el sensor es lineal, S = cte

Su inversa es el factor de deflexin.
1.4.2.4 Factores De Calidad Esttica De Un sensor
Determinacin de la curva de calibracin.
Los factores de calidad determinarn en mayor o menor medida la
exactitud de las mediciones y, por tanto, la calidad de las mismas.
Ciertos factores de calidad pueden ser corregidos a posteriori, pero
otros no. A veces, la correccin de un factor de calidad va en
perjuicio de otros factores.
Existen muchsimos factores de
centraremos en los ms sencillos.
calidad,
pero
ahora
nos
Linealidad
Recordemos que S (Factor de Escala) est definido por:

82
S(Factor de Escala) representa la primera derivada de la salida con

respecto la entrada.
Dicho valor debera ser constante lo que producira una linea recta
de la forma:
Q=Sm+Z
Donde Z = Deriva del Cero (Zero Offset).
La mayora de sensores pueden anular Z, pero corregir la linealidad
no ha sido histricamente fcil.
Se llama linealidad a la mxima desviacin entre la curva de
calibracin y la recta ideal.
Resolucin
La resolucin es el incremento mnimo necesario para obtener un

cambio en la salida.
Umbral
Es un caso particular de resolucin cuando se parte de cero.

La resolucin y el umbral suelen estar comprometidos en el
conversor analgico a digital, no propiamente en el sensor.
Ambos factores de calidad suelen ser los primeros que se pasan
por alto al realizar medidas ya que no suelen tenerse en cuenta. En
una balanza electrnica, por ejemplo, el umbral es la pesada
mnima que el sistema admite. La resolucin es la mnima cifra
decimal que el sistema dice proporcionar (aunque esto no implica
que sea con seguridad el dato real y exacto, pues adems de la
resolucin puede haber ms incertidumbres en dicha medida, por
ejemplo, ruido).

83
Fig. 1.40 Resolucin y umbral

La resolucin y el umbral suele mejorar con la sensibilidad del
sensor.
Cuando el propio sensor tiene problemas de resolucin y umbral
aparece un fenmeno denominado "juego".
El "juego" representa una inercia o una holgura que evita cambios
pequeos en el sensor, haciendo que los cambios se presenten "a
saltos".
El juego suele
consecuencias.
presentarse
en
el
umbral
sin
mayores
Cuando el juego se presenta en toda la medicin suele indicar un

problema grave de medida llamado "histresis" ya que la holgura
del sensor tergiversa la medida en funcin del sentido de variacin
de la misma.
(En los aparatos de medida mecnicos, el juego era producto de la
imprecisin del ajuste entre los piones de los engranajes que lo
formaban. La holgura entre los piones de los engranajes haca que
durante un instante se moviera un engranaje sin que moviera el
siguiente en uno de los sentidos. Luego los dos engranajes se
movan solidariamente hasta que cambiaba el sentido de variacin
84
de la medida y volva a pasar en sentido contrario, produciendo una

pequea histresis en la medida y una insensibilidad manifiesta
ante pequeos cambios de la medida).
Ruido
El ruido es la inconsistencia continua de la medida a lo largo del

tiempo. El ruido se presenta como una variacin sistemtica de un
mismo valor medido. La amplitud del ruido implica una
indeterminacin de la magnitud que estamos midiendo. Dicha
indeterminacin no suele ser corregible a posteriori y debe ser
conocida y tenida en consideracin.
El aumento del muestreo, o sobremuestreo de la seal nos
permitir determinar el porcentaje de ruido presente y su
perturbacin sobre la medida.
La ausencia de sobremuestreo incorporar todo el ruido a la medida
ya que no ser posible conseguir una estimacin del valor medido
en base a la media y varianza de las muestras repetitivas.
1.41 Determinacin de la consistencia de una medida del ruido

Como hemos visto, los factores que afectan a la calidad de la
medida se traducen en un grado de indeterminacin de la misma.

85
Dicha indeterminacin la podremos evaluar y resumir en 3 factores

de inconsistencia, que deben adjuntarse junto con la curva de
calibracin.
(Curiosamente, esto que parece bsico es algo que raramente
vemos indicado en las obras cientficas que incluyen alguna
medicin)
Repetitividad
Capacidad de dar el mismo valor de medida al repetir la misma

medida varias veces. Su valor proporcionar una estimacin del
fenmeno "ruido".
Histresis
Es la diferencia de la salida para una misma entrada cuando se ha

alcanzado un valor en orden ascendente o descendente. La curva
de histresis determina el umbral y resolucin continua.
Estabilidad
Es la capacidad de un transductor de mantener su curva de

calibracin a lo largo del tiempo o en presencia de agentes
externos. (Como cambios de temperatura, humedad, campos
electromagnticos, etc).
La determinacin de estos 3 factores permite predecir de antemano
la calidad de la medida y la indeterminacin de la misma.

86
Fig.1.42 Repetitividad, histresis, inestabilidad

Estos 3 factores no se mantienen constantes a lo largo de toda la
curva de calibracin. Normalmente se escoger la zona de la curva
donde estos 3 factores permiten una medida dentro de los rangos
de calidad exigidos.
La linealidad sola ser tambin un factor clave, pero actualmente se
puede corregirse en base a circuitos o software adicional de
correccin.
Con respecto a la estabilidad, es frecuente obtener errores difciles
de detectar por la no recalibracin de los instrumentos de medidas
de un experimento al siguiente.
1.4.2.5 Clarificacin De Sensores y Elementos De Gobierno
Son elementos mecnicos cuya funcin es la de actuar como
interruptores o pulsadores para arrancar, parar y determinar
posiciones en procesos industriales
Clasificacin: Atendiendo a la forma y su funcin podemos
clasificarlos como Microruptores, interruptores y finales de carrera.

87
Tabla 1.7 Clasificacin de los elementos de gobierno

Otra forma de clasificacin seria atendiendo a las caractersticas
elctricas de cada elemento, es decir, tensin mxima, intensidad
mxima de ruptura etc.
Tabla 1.8 clasificacin segn las caractersticas elctricas de cada

elemento
88
1.5 MOTORES DE CORRIENTE CONTINA

Estos sistemas electromecnicos son ampliamente utilizados en la
industria. La mayora de las aplicaciones basadas en
posicionamiento de una herramienta o un objeto, emplean
accionamientos basados en motores de corriente continua. No se
suelen emplear los motores de corriente alterna para estas tareas.
Los motores de corriente alterna son ms robustos y con menor
volumen con relacin al par desarrollado, pero son ms difciles de
gobernar, especialmente en posicin. Por otro, el desarrollo
tecnolgico de los motores de imanes permanentes basados en
tierras-raras, ha alcanzado una alta relacin par-volumen.
1.5.1 Principio Bsico De Los Motores De c.c.
Los motores elctricos convierten la energa elctrica en energa
mecnica. Esta transformacin se fundamenta en baar con un
flujo magntico, en direccin perpendicular, una corriente elctrica
que circula sobre un cuerpo mvil (rotor). Segn la ley de Ampere,
se produce una fuerza como consecuencia del producto vectorial
entre el flujo magntico, B, y la corriente que circula por el rotor, ir.
Esa fuerza al realizarse sobre la superficie exterior del rotor
producir un par mecnico. El par total desarrollado ser el
sumatorio de las fuerzas parciales producidas por cada circulacin
de corriente de los conductores alojados en el rotor por su radio. Al
ser el radio un parmetro constructivo, el par dado en el rotor, TM,
ser proporcional al flujo magntico y a la corriente que circule por
el rotor:
Fig. 1.43 Fundamentos de los motores c.c

89
TM = Fi r = k M ir
Ecu.1.94
Fi = Bxir
Ecu.1.95
Las espiras del rotor al estar circunvaladas de un flujo magntico

generan una fuerza contraelectromotriz, eb, que se opone al
desplazamiento angular del eje del motor. Efecto ste que luego se
mostrar como positivo al hacer estable su dinmica, pues evita
que el motor se embale y se pierda su control:
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.
Fig.1.44 Diagrama del motor dc

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
Donde ki es la constante de par, [Nm/A], y kb es la constante de la

fuerza contraelectromotriz, [V s/rad]. Tomando transformada de
Laplace a ambos lados de la Igualdad y considerando condiciones
iniciales nulas, el conjunto de ecuaciones algebro diferenciales
quedar definidas por las siguientes FDTs:
u e (s ) = (Ra + sLa )ia (s ) + eb (s )
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
El diagrama de bloques del motor quedara como:
Fig. 1.48 Diagrama de bloques del motor dc

91
Del esquema se desprende que existe una realimentacin interna

en el motor que tiende a garantizar la estabilidad del
funcionamiento. Su causa es que la f.c.e.m. se opone con mayor
fuerza a medida de que aumente la velocidad angular del rotor.
1.5.3 Relacin Entre ki y kb
La mayor parte de la potencia elctrica dada al motor es convertida
en potencia mecnica. La potencia til ser la corriente de la
armadura por la f.c.e.m... sta ser convertida en par mecnico por
velocidad angular. Las constantes del motor son idnticas, aunque
a veces, los fabricantes suelen dar el valor de kb invertido y en rpm:
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
1.5.4 Curvas Del Par-Motor

Una de las curvas tpicas de los motores, con independencia de la
tecnologa, es la relacin entre la velocidad angular y el par motor.
Las grficas muestran curvas de comportamiento en el rgimen
permanente. Para el caso de los motores de c.c. de imanes
permanente, la corriente continua de frecuencia nula por la
armadura es:
Ia =
VE k b wm
Ra
Ecu. 1.108
V k b wm
Tm = k i I a = k i E
Ecu. 1.109
La familia de curvas estar parametrizada a partir de la tensin

dada al motor. Para un nivel de tensin determinada, la curva ser
una recta de pendiente negativa. A medida de que aumente la
92
velocidad del motor disminuir el par mecnico. La tangente de

cada curva es idntica, mostrando una familia de rectas paralelas:
Fig. 1.49 curva del par-velocidad

1.6 CONTROL PID
El control del robot puede ser tratado como el control de n ejes
independientes, incluyendo en el par perturbador p el efecto de los

parmetros n constantes de la diagonal de la matriz D , as como
los sus elementos no diagonales y los pares no generados por la
gravedad y movimientos relativos ( matrices C y H). En estos casos
y suponiendo el accionamiento de tipo elctrico, que el
correspondiente diagrama de bloques de cada eje seria mostrado
en la Fig.1.50 Por claridad se prescinde de aqu en adelante el
factor de reduccin aplicado en el eje.

93
Fig.1.50 Diagrama de bloques de un accionamiento elctrico

Los trminos J y B son, respectivamente, inercia y rozamiento
viscoso vistos por el actuador, e incluyen tanto los efectos del
eslabn y la articulacin como los del motor y la transmisin.
En la prctica, la calidad de los sistemas de accionamiento es tal
que se consigue una relacin lineal entre la tensin de mando y el
par proporcionado por el accionamiento, de modo que:
Ecu.1.108
Con lo que al ser:
Ecu.1.109
Resulta que:
Ecu.1.111
Suponiendo p inexistente y perfectamente conocidos k, J, y B,

podra plantearse obtener por inversin del modelo la tensin de
mando u (t ) que resultara en una trayectoria q (t ) preestablecida.
94
Sin embargo, en la prctica ninguna de las dos premisas

planteadas es cierta, por lo que es habitual utilizar un esquema de
control realimentado como el indicado en la Fig.1.51
En este esquema, R(s ) representa un regulador tipo PID de funcin
de transferencia:
Ecu.1.112
Fig.1.51 Control PID con una sola articulacin

1
El trmino k se ha introducido al objeto de que la salida del
regulador R(s ) sea directamente el par de entrada a la
articulacin. La seal de mando u (ley de control) en los
accionamientos ser entonces:
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
Se establece el comportamiento dinmico de la articulacin, se

tendr:
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
El control PID permite anular el efecto de una posible perturbacin

en escaln en rgimen permanente, as como asegurar que
q
finalmente q y d coinciden, sin embargo, no consigue que q siga
la evolucin de que q d a lo largo del tiempo.
1.7 CONTROL MULTIARTICULAR
La consideracin de que cada articulacin no se ve afectada mas
que por sus propias caractersticas dinmicas, siendo el efecto de
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.
1.7.1 Desacoplamiento Por Inversin Del Modelo

Considerando una vez mas el modelo dinmico del robot,
incluyendo esta vez un posible par exterior e
= 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
Resultado que en el esquema de la fig.1.52a es equivalente a la

fig.1.52 b en el que se observa que en su ausencia de par externo
e la relacin entre y q es desacoplada y lineal.
Una vez desacoplada el sistema, es sencillo calcular el par

necesario para seguir la trayectoria deseada q d . Bastara para ello
2
con que = q d = s Iq d , con lo que:
Fig.1.52 Desacoplamiento por inversin del modelo
q d = q + D 1 (q ) e
Ecu.1.122

98
Como se observa, en ausencia de par exterior e si = q d , la

trayectoria deseada q d y la real coinciden. Por lo tanto, la ley de
control correspondiente al mtodo de desacoplamiento del modelo
supone que la tensin de mando a proporcionar a los
accionamientos sea Fig.1.53

u = k 1 D(q )s 2 Iq d + N q, q
Ecu.1.123
Fig. 1.53 Esquema de algoritmo de control basado en

desacoplamiento por inversin del modelo

99

100
2.1 MODELO DINMICO PARA EL ROBOT SCARA MEDIANTE

EL MTODO LAGRANGE - EULER
Fig. 2.1 Robot SCARA para clculos de la dinmica por el mtodo

Lagrange-Euler
2.1.1 Asignar a Cada Eslabn Un Sistema de Referencia De
Acuerdo a Las Normas D-H
1
2
3
0
0
K1
K2
0
0
0
0
Tabla 2.1 Parmetros D-H del Robot SCARA

101
= 2 +
Ecu. 2.1
= 3
Ecu. 2.2
= 1
Ecu. 2.3
2.1.2 Obtener Las Matrices de Transformacin 0 Ai Para Cada

Elemento i
Matriz para el primer eslabn
cos( ) sin( )
sin( ) cos( )
0
A1 =
0
0
0
0
Ecu. 2.4
Matriz para el segundo eslabn
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
Matriz para el tercer eslabn
1
0
2
A3 =
0
0
1
0
0
0
0
1
0
0
0
0

Ecu. 2.6
102
cos cossin sin cos sinsin cos

sin cos+cos sin sin sin+cos cos
0
A2 =
0
0
0
0
0 cos *k2cossin *k2sin+k1cos

0 sin *k2cos+cos *k2sin+k1sin
1
0
0
1
Ecu. 2.7
Matriz total de Transformacin
cos cossin sin cos sinsin cos

sin cos+cos sin sin sin+cos cos
0
A3 =
0
0
0
0
2.1.2
0 cos*k2cossin*k2sin+k1cos
0 sin*k2cos+cos*k2sin+k1sin Ecu. 2.8
0
1
Obtener Las Matrices U ij
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
sin coscos sin sin sincos cos
0 A2 cos cossin sin cos sinsin cos

=
U21 =
0
0

0
0
0 sin*k2coscos*k2sink1sin
0 cos*k2cossin*k2sin+k1cos Ecu.2.12
0
0
0
0
Matriz U 22
cos sinsin cos cos cos+sin sin
0 A2 sin sin+cos cos sin coscos sin

U22 =
=
0
0

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
sin coscossin sinsincos cos
A cos cossinsin cossinsin cos

U31 = 3 =
0
0

0
0
0 cos*k2sinsin*k2cos
0 sin*k2sin+cos*k2cosEcu.2.13
0
0
0
0
0 cos*k2cossin*k2sin+k1cos Ecu.2.15
0
0
0
0
Matriz U 32

104
A sin sin+cos cos sin coscos sin

U32 = 3 =
0
0

0
0
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
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
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
sin sincos cos sin cos+cos sin

U
U221= 22 =
0
0

0
0
Matriz U 222
cos cos+sin sin cos sin+sin cos
U sin coscos sin sin sincos cos

U222= 22 =
0
0

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 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

U311= 31 =
0
0

0
0
Ecu.2.35
0 cos*k2cos+sin*k2sink1cos
0 sin*k2coscos*k2sink1sinEcu.2.36
0
0
0
0
Matriz U 312
sin sincos cos sin cos+cos sin
U cos sinsin cos cos cos+sin sin

U312 = 31 =
0
0

0
0
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
sin sincos cos sin cos+cossin
U32 cos sinsin cos cos cos+sinsin

=
U321=
0
0

0
0
Matriz U 322

U322= 32 =
0
0

0
0
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
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
0
0
J3 =
0
0
0 0 0
0 0 0
0 0 m3
0 0
Ecu. 2.47
[ ]
2.16 Matriz de inercia D = d ij

n
traza(U
d ij =
k = max( i , j )
d11 =
kj
J k U kiT )
Matriz de inercia d11

3
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 =

3
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 =

3
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
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
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 =
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 =
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 =
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
Matriz de inercia total
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
2.1.7 Termino hikm

hikm =
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
h112 = sin k 4m2k1 + k 2 sin m2k1

Termino h221
h221 =
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
h121 = sin k 4m2k1 k 2 sin m2k1
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
h211 = k1k 4m2 sin + k1k 2m2 sin
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
h122 = sin k 4m2k1 sin k 2m2k1
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
2.1.8 Obtener La Matriz Columna De Fuerza De Coriolis y

Centrpeta H = [hi ]
n
hi = hikm q k q m
k =1 m =1
Matriz columna de fuerza de coriolis y centrpeta h1
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
h3 = h3kmqk qm = h311+h331+h313+h333 +h323 +h332+h322

k=1 m=1
Ecu.2.81
h2 = 0

(
)
+
m
k
k
k
2
1
4
2
H = m2k1(k 4 + k 2 )
Ecu.2.82
2.1.9 Matriz Columna De Fuerzaas de Gravedad
ci =
( m
n
j =1
gU
j
ji
rj
g= Es el vector de gravedad expresado en el sistema de

base [S 0 ] viene expresado por (g x 0 , g y 0, g z 0 )
j
r j = Es el vector de coordenadas homogneas del centro de
masas del elemento j expresado en el sistema de referencia del

elemento i
g = [0 0 g
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
Matriz columna de fuerza de gravedad c1
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
Matriz columna de fuerza de gravedad c 2
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
Matriz columna de fuerza de gravedad c3
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
Vector columna de fuerza de gravedad
0
C i = 0
m3 g

Ecu.2.90
119
2.1.10 LA ECUACIN DINMICA DEL SISTEMA
= 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
Torque que se genera en el primer motor
2k22 m3+ k12 m3+ 2k42 m2 + 4k2k4m2

2k42 m2 + 4k2k4m2
2
2
2
T1 = + 2k2 m2 + k1 m2 + k3 m1+ 2k1k3m1 +

+ 2m2k1(k4 + k2)
2
2
2
k
2
m
2
+

+ k1 m1
Ecu.2.91
Fuerza que se genera en el segundo motor
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
Torque que se genera en el tercer motor
T3 = m3 + m3 g

Ecu.2.93
120
2.2 AJUSTE DE LOS CONTROLADORES POR

RETROALIMENTACIN
2.2.1 Ajuste Mediante Los Criterios De Error De Integracin
Mnimo
Puesto que los parmetros de ajuste de la razn de asentamiento
de un cuarto no son nicos, en la Universidad del Estado de
Louisiana se realiz un proyecto substancial de investigacin bajo la
direccin de los profesores Pal W. Murrill y Cecil L. Smith, para
Fig. 2.2 Entrada de perturbacin
Fig. 2.3 Cambio del punto de control
desarrollar relaciones de ajuste nicas. A fin de caracterizar el

proceso se utilizaron parmetros de modelos de primer orden ms
tiempo muerto (POMTM), la especificacin de la respuesta, en

121
circuito cerrado es un error o desviacin mnima de la variable

controlada.
Respecto al punto de control. Debido a que el error esta en funcin
del tiempo que dura la respuesta, la suma del error en cada instante
se debe minimizar; dicha suma es, por definicin, la integral del
error en tiempo y se representa mediante el rea sombreada en la
fig.2.4. Puesto que la integral del error se trata de minimizar
mediante la utilizacin de las relaciones de ajuste, stas se conocen
como ajuste del error de integracin mnimo; sin embargo, la
integral de error no se puede minimizar de manera directa, ya que
un error negativo muy grande se volvera mnimo. Para evitar los
valores negativos en la funcin de desempeo, se propone el
siguiente planteamiento de la integral:
Integral del valor absoluto del error (IAE)
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
La diferencia entre el criterio IAE y el ICE, consiste en que con el

ICE se tiene ms
Ponderacin para errores grandes, los cuales se presentan
generalmente al inicio de la respuesta, y menor ponderacin para
errores pequeos, los cuales ocurren hacia el final de la respuesta.
Para tratar de reducir el error inicial, el criterio de ICE mnima da por
resultado una alta ganancia del controlador y respuestas muy
oscilatorias (es decir, una razn de asentamiento alta), en las
cuales el error oscila alrededor del cero por un tiempo relativamente
largo. De este fenmeno se deduce que en tal criterio de
desempeo debe existir una compensacin para el tiempo que
transcurre desde el inicio de la respuesta. En las siguientes
integrales de error se incluye dicha compensacin mediante la
ponderacin del tiempo transcurrido.
Integral del valor absoluto del error ponderado en tiempo
(IAET)
Ecu.2.96
Integral del cuadrado del error ponderado en tiempo (ICET)
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.
123
Cuando el punto de control, como entrada, es lo ms importante, el

propsito del controlador es hacer que la variable controlada siga la
seal del punto de control ya dicho controlador se le conoce como
servorregulador. Cuando el objeto del controlador es mantener a
la variable controlada en un punto de control constante, en
presencia de las entradas de perturbaciones, se dice que el
controlador es un regulador. En trminos de la integral mnima de
error, los parmetros de ajuste ptimos son diferentes para cada
caso. La mayora de los controladores de proceso se consideran
como reguladores, a excepcin de los controladores esclavos en las
estructuras de control en cascada, los cuales son servorreguladores
Cuando se ajusta el controlador para la respuesta ptima a una
entrada de perturbacin, se debe hacer una decisin adicional
respecto a la funcin de transferencia del proceso para esa
perturbacin en particular. Esto es complicado, debido a que la
respuesta del controlador no puede ser ptima para cada
perturbacin, si es, que existe ms de una perturbacin que entre
en el circuito. Puesto que la funcin de transferencia del proceso es
diferente para cada perturbacin y la seal de salida del
controlador, los parmetros ptimos de ajuste dependen de la
velocidad relativa de respuesta de la variable controlada a la
perturbacin; mientras ms lenta sea la respuesta a la perturbacin,
con ms rigor Se puede, ajustar. el controlador y su ganancia puede
ser ms alta; en el otro extremo, si la variable controlada responde
instantneamente a la perturbacin, el ajuste del controlador ser lo
menos riguroso posible, lo cual equivale al ajuste para cambios en
el punto de control
Diagrama de bloques para respuesta instantnea a la entrada de
una perturbacin.

124
Fig. 2.5 Entrada de perturbacin
Fig. 2.6 Cambio en el punto de control

Lo anterior es evidente cuando se examina el diagrama de bloques
para el caso en que la respuesta a la entrada de la perturbacin es
instantnea. Lo anterior se muestra en la fig.2.6; como se puede
ver, la perturbacin entra en el mismo punto del circuito que el
punto de control, lo cual hace que las respuestas a cambios escaln
en la perturbacin y en el punto de control sean idnticas, excepto
por el signo; (Lpez y asociados) desarrollaron formulas de ajuste
para el criterio de integral mnima de error con base en la
suposicin de que la funcin de transferencia del proceso para las
entradas de perturbaciones es idntica a la funcin de transferencia
para la seal de salida del controlador.

125
Diagrama de bloques para que la respuesta del proceso a la

variable manipulada sea idntica a la respuesta a una perturbacin.
En estas frmulas se aprecia la misma tendencia que en las de

razn de asentamiento de un cuarto, con la excepcin de que el
tiempo de integracin, depende, hasta cierto punto, de la constante
de tiempo efectiva del proceso, y menos del tiempo muerto del
proceso.
Se debe tener en mente que estas f6rmulas son empricas y no se
deben hacer extrapolaciones ms all de un rango entre 0.1 y 1
(Dicho rango de valores es el que utiliz Lpez en sus
correlaciones.) Como en el caso de las frmulas de ajuste para
Modelo del proceso
ke t 0 s
G (s ) =
s + 1
Ecu. 2.98
Tabla 2.2 Controlador proporcional (P): Gc (s ) = k c

126
Tabla 2.3 Controlador proporcional-integral (PI)
Tabla 2.4 Controlador proporcional-integral-derivativo (PID)

la razn de asentamiento de un cuarto, con estas frmulas se
predice que, tanto la accin proporcional como la de integracin,
tienden, a infinito conforme el proceso se acerca a un proceso de
primer orden sin tiempo muerto y este comportamiento es tpico de:
las frmulas de ajuste para entrada de disturbios.
2.2.2 Ajustes De Modelos POMTM
Al determinar
con los dos mtodos anteriores, el paso de
menor precisin es el trazo de la tangente en el punto de razn
mxima de cambio de la curva de reaccin del proceso. Aun en el

127
mtodo 2, donde el valor de
es independiente de la
tangente, los valores que se estiman para

lnea. Para eliminar esa dependencia,
dependen de la
Fig. 2.7 Parmetros del modelo POMTM
el doctor Cecil L. Smith propone que los valores de

se
seleccionen de tal manera que la respuesta del modelo y la real
coincidan en la regin de alta tasa de cambio. Los dos puntos que
y para localizar dichos
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
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
Con la experiencia se demostr que los resultados obtenidos con

este mtodo son ms fciles de reproducir que los que se obtienen
mediante los otros dos y, por lo tanto, se recomienda este mtodo
a partir de la curva de reaccin
para hacer la estimacin de
del proceso. Sin embargo, se debe tener en cuenta que algunas
correlaciones para los parmetros de ajuste del controlador se
basan en diferentes ajustes de modelos POMTM.
Puesto que las formulas de ajuste del controlador que se presentan
a continuacin se basan en parmetros de modelos POMTM, se
pueden encontrar algunas situaciones donde existen parmetros de
un modelo de orden superior y se necesita estimar el equivalente a
modelos de primer orden; a pesar de que no existe un
procedimiento general para hacer esto, con la siguiente regla
prctica se puede obtener una estimacin somera para una primera
aproximacin:
Si una de las constantes de tiempo del modelo de orden superior es
mucho ms grande que las otras, es posible estimar que la
constante de tiempo efectiva del modelo de primer orden es igual a
la constante de tiempo mayor. Entonces, se puede aproximar el
tiempo muerto efectivo del modelo de primer orden mediante la
suma de todas las constantes de tiempo menores ms el tiempo
muerto del modelo de orden superior.

129
2.3 DESCRIPCIN DE LAS FUNCIONES UTILIZADAS EN

MATLAB
2.3.1 El Programa MATLAB
MATLAB es el nombre abreviado de MATrix LABoratory. MATLAB
es un programa para realizar clculos numricos con vectores y
matrices. Como caso particular puede tambin trabajar con
nmeros escalares .tanto reales como complejos., con cadenas de
caracteres y con otras estructuras de informacin ms complejas.
Una de las capacidades ms atractivas es la de realizar una amplia
variedad de grficos en dos y tres dimensiones. MATLAB tiene
tambin un lenguaje de programacin propio.
MATLAB es un gran programa de clculo tcnico y cientfico. Para
ciertas operaciones es muy rpido, cuando puede ejecutar sus
funciones en cdigo nativo con los tamaos ms adecuados para
aprovechar sus capacidades de vectorizacin. En otras aplicaciones
resulta bastante ms lento que el cdigo equivalente desarrollado
en C/C++ o Fortran. En la versin 6.5, MATLAB incorpor un
acelerador JIT (Just In Time), que mejoraba significativamente la
velocidad de ejecucin de los ficheros *.m en ciertas circunstancias,
por ejemplo cuando no se hacen llamadas a otros ficheros *.m, no
se utilizan estructuras y clases, etc. Aunque limitado en ese
momento, cuando era aplicable mejoraba sensiblemente la
velocidad, haciendo innecesarias ciertas tcnicas utilizadas en
versiones anteriores como la vectorizacin de los algoritmos. En
cualquier caso, el lenguaje de programacin de MATLAB siempre
es una magnfica herramienta de alto nivel para desarrollar
aplicaciones tcnicas, fcil de utilizar y que, como ya se ha dicho,
aumenta significativamente la productividad de los programadores
respecto a otros entornos de desarrollo. MATLAB dispone de un
cdigo bsico y de varias libreras especializadas (toolboxes). En
estos apuntes se har referencia exclusiva al cdigo bsico.
MATLAB se puede arrancar como cualquier otra aplicacin de
Windows, clicando dos veces en el icono correspondiente en el
escritorio o por medio del men Inicio). Al arrancar MATLAB se abre
una ventana similar a la mostrada en la Fig.2.8. sta es la vista que
se obtiene eligiendo la opcin Desktop Layout/Default, en el men

130
View. Como esta configuracin puede ser cambiada fcilmente por

el usuario, es posible que en muchos casos concretos lo que
aparezca sea muy diferente. En cualquier caso, una vista similar se
puede conseguir con el citado comando View/Desktop
Layout/Default. Esta ventana inicial requiere unas primeras
explicaciones.
Fig.2.8. Ventana inicial de MATLAB

En la parte superior izquierda de la pantalla aparecen dos ventanas
tambin muy tiles: en la parte superior aparece la ventana Current
Directory, que se puede alternar con Workspace clicando en la
pestaa correspondiente. La ventana Current Directory muestra los
ficheros del directorio activo o actual. El directorio activo se puede
cambiar desde la Command Window, o desde la propia ventana
(o desde la barra de herramientas, debajo de la barra de mens)
con los mtodos de navegacin de directorios propios de Windows.
Clicando dos veces sobre alguno de los ficheros *.m del directorio
activo se abre el editor de ficheros de MATLAB, herramienta
fundamental para la programacin sobre la que se volver en las
prximas pginas. El Workspace contiene informacin sobre todas
las variables que se hayan definido en esta sesin y permite ver y
modificar las matrices con las que se est trabajando.

131
En la parte inferior derecha aparece la ventana Command History

que muestra los ltimos comandos ejecutados en la Command
Window. Estos comandos se pueden volver a ejecutar haciendo
doble clic sobre ellos. Clicando sobre un comando con el botn
derecho del ratn se muestra un men contextual con las
posibilidades disponibles en ese momento. Para editar uno de estos
comandos hay que copiarlo antes a la Command Window.
La parte ms importante de la ventana inicial es la Command
Window, que aparece en la parte derecha. En esta sub-ventana es
donde se ejecutan los comandos de MATLAB, a continuacin del
prompt (aviso) caracterstico (>>), que indica que el programa est
preparado para recibir instrucciones. En la pantalla mostrada en la
Fig. 2.8 se ha ejecutado el comando A=magic (6), mostrndose a
continuacin el resultado proporcionado por MATLAB. Fig. 2.8 .
Ventana inicial de MATLAB
2.3.2 Red Tipo Perceptrn
Las siguientes son las herramientas de redes neuronales del
Matlab utilizadas en el entrenamiento de las redes neuronales
newp: Crea una red tipo Perceptrn, que requiere las

siguientes entradas:
NET = NEWP (PR, S, TF, LF)

PR: Rx2 matriz de valores mx. y mn. para los R elementos
de entrada
S : Nmero de neuronas.
TF: Funcin de Transferencia, en este caso 'hardlims'.
LF: Funcin de aprendizaje, para este caso 'learnp'.

132
Fig. 2.9 Creacin del perceptron con la funcin newp simulado en

matlab -simulink
rands: Funcin simtrica que inicializa aleatoriamente los

valores de pesos y ganancias de una red con valores entre 1 y 1; requiere de la estructura
rands(S, PR), generando una matriz de dimensiones S x PR.
adapt: Permite a una red neuronal adaptarse a los patrones

de entrada, esta funcin tiene la siguiente sintaxis:
[net,Y,E,Pf,Af] = adapt(NET,P,T,Pi,Ai)
net : Red que va a crearse

133
P: Entradas a la red; deben aparecer en forma de un arreglo

de matrices.
T: Salidas esperadas de la red, si no se especifican son
ceros por defecto.
Pi: Condiciones de retardo para la entrada inicial, por defecto
son ceros.
Ai: Condiciones de retardo para la capa inicial, por defecto
ceros
net.adaptParam.passes: Nmero de iteraciones que utiliza el

programa.
Sim= se encarga de simular la red
Fig. 2.10 Simulacin del perceptron con la funcin sim simulado en

matlab -simulink
2.3.3 Red Tipo Adaline
newlin: Funcin para crea una red tipo Adaline, que requiere
las siguientes entradas:
NEWLIN (PR,S,ID,LR)

134
R: Matriz de Rx2 que contiene los valores mximos y

mnimos de cada
uno de los R elementos de entrada .
S: Nmero de neuronas
ID: Arreglo que contiene los valores de los retardos, por
defecto todos sus Valores son cero.
LR : Rata de aprendizaje, por defecto = 0.01
net.inputWeights{1,1}.delays: Especifica los retardos iniciales
net.adaptParam.passes: Nmero mximo de iteraciones
[net,y,E,pf,af]=adapt(net,p,T,pi): Comando de entrenamiento

de la red; requiere como entradas la red creada
anteriormente, los patrones de entrada, las salidas
esperadas y los retardos iniciales, retorna el estado final de
la red, los valores obtenidos para cada patrn de entrada con
sus correspondientes errores as como los valores finales de
los retardos.
2.3.4 Red Tipo Backpropagation

La red neuronal Backpropagation presenta una gran variedad de
opciones de configuracin, dependiendo de la necesidad de
aprendizaje y de la aplicacin que se este desarrollando.
newff: Crea una red tipo Backpropagation, requiere que le

sean especificados los siguientes parmetros

135
Fig. 2.11 Creacin del perceptron con la funcin newff

simulado en matlab -simulink
Newff: (PR,[S1 S2...SNl],{TF1 TF2...TFNl},BTF,BLF,PF) a
PR: Rx2 Matriz de valores mximos y mnimos de cada uno
de las R neuronas de entrada.
Si: Nmero de neuronas para cada una de las capas.
TFi: Funcin de transferencia a utilizar en cada una de las
capas, por defecto utiliza tansig
BTF: Algoritmo de entrenamiento a utilizar, por defecto utiliza
trainlm
BLF: Funcin de actualizacin de los pesos, por defecto
utiliza learngdm.
PF: Funcin para evaluar el desempeo de la red, por
defecto utiliza mse.
Traingd
Algoritmo de pasos descendientes, que actualiza pesos y

ganancias varindolos en la direccin negativa del gradiente de la

136
funcin del error. Es un algoritmo de aprendizaje muy lento, que

requiere de la siguiente sintaxis:
net.trainParam.epochs: Mximo nmero de iteraciones para

obtener convergencia
net.trainParam.goal: Error mximo permitido
net.trainParam.lr: Rata de aprendizaje
net.trainParam.max_fail: Mximo nmero de fallas
net.trainParam.min_grad: Mnimo rendimiento del gradiente
net.trainParam.show: Intervalo de visualizacin de los
resultados
net.trainParam.time: Mximo tiempo de entrenamiento en
segundos
Con este algoritmo el aprendizaje de la red se detendr si el

nmero de iteraciones excede el comando net.trainParam.epochs,
si se alcanz el valor del error propuesto como meta, si la magnitud
del gradiente es menor que net.trainParam.min_grad, o si el tiempo
d entrenamiento supera el valor de net.trainParam.time.
Traingdm
Programa para la actualizacin de pesos y ganancias de la red

137
Equivale al algoritmo tradicional, ms un nuevo coeficiente de

momentum, que interviene en el proceso de actualizacin de los
pesos. Si el error de la red en una iteracin dada, excede el valor
del error en la iteracin anterior, en un valor mayor al definido por
un radio de cobertura dado el que puede determinarse por medio de
la funcin max_perf_inc y que est tpicamente alrededor de 1.04,
los nuevos pesos y ganancias son descartados y el coeficiente de
momentum mc es fijado en cero.
La sintaxis de este algoritmo es igual a la utilizada para el algoritmo
traingd, ms un nuevo comando que permite modificar el coeficiente
de momentum
net.trainParam.mc: Valor fijado para el coeficiente de momentum
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:
net.trainParam.epochs: Mximo nmero de iteraciones para

obtener convergencia
net.trainParam.goal: Error mximo permitido
net.trainParam.lr: Rata de aprendizaje inicial
net.trainParam.lr_inc: Porcentaje que incrementa la rata de
aprendizaje cuando el error disminuye

138
net.trainParam.lr_dec: Porcentaje en que es decrementada la

rata de aprendizaje cuando el error aumenta
net.trainParam.max_perf_inc: Mximo incremento del
rendimiento
net.trainParam.show: Los resultados son visualizados
siempre que transcurre este nmero de iteraciones.
segundos
Trainrp
Las redes multicapa, utilizan tpicamente una funcin de

transferencia sigmoidal en las capas ocultas, estas funciones
comprimen un infinito rango de entradas, dentro de un finito rango
de salidas, adems se caracterizan porque su pendiente tendera
cada vez ms a cero, mientras ms grande sea la entrada que se le
presenta a la red, esto ocasiona problemas cuando se usa un
algoritmo de entrenamiento de pasos descendientes, porque el
gradiente empieza a tomar valores muy pequeos y por lo tanto no
habrn cambios representativos en los pesos y las ganancias, as
se encuentren bastante lejos de sus valores ptimos. El propsito
del algoritmo Backpropagation Resileint (RPROP) es eliminar este
efecto en la magnitud de las derivadas parciales. En este algoritmo
solamente el signo de la derivada es utilizado para determinar la
direccin de actualizacin de los parmetros, la magnitud de las
derivadas no tiene efecto en la actualizacin. La magnitud en el
cambio de cada peso es determinada por separado; el valor del
incremento de pesos y ganancias es determinado por el factor
delt_inc, as la derivada parcial del error con respecto a los pesos
tenga el mismo signo durante dos iteraciones sucesivas; el valor de
decremento est determinado por el factor delt_dec as la derivada
del error con respecto a los pesos haya cambiado de signo con
respecto a la anterior iteracin; si la derivada es cero, entonces el
valor actualizado se conserva; si los pesos continan cambiando en
la misma direccin durante varias iteraciones, la magnitud de
cambios de los pesos se decremento.

139
La sintaxis de este algoritmo se resume a continuacin:
net.trainParam.epochs: Mximo nmero de iteraciones del

entrenamiento
resultados
net.trainParam.goal: Error deseado
net.trainParam.time=inf: Mximo tiempo de entrenamiento en
segundos
net.trainParam.delt_inc: Incremento en la actualizacin de
pesos
net.trainParam.delt_dec: Decremento en la actualizacin de
pesos
net.trainParam.delta0: Incremento inicial en la actualizacin
de pesos
net.trainParam.deltamax: Mximo cambio en los pesos
Trainbfg
Algoritmo alternativo que emplea la tcnica del gradiente

conjugado, su expresin matemtica se deriva del mtodo de
Newton, con la ventaja de que no es necesario computar las
segundas derivadas; este algoritmo requiere mas capacidad de
almacenamiento que el algoritmo tradional, pero generalmente
converge en menos iteraciones. Requiere de un clculo aproximado
de la matriz Hessiana, la cual es de dimensiones n2 x n2, donde n la
cantidad de pesos y ganancias de la red; para redes que involucren
una gran cantidad de parmetros es preferible emplear el algoritmo
trainrp.

entrenamiento
net.trainParam.show: Nmero de iteraciones entre las cuales
se muestran resultados

140
net.trainParam.time=inf: Mximo tiempo de entrenamiento en

segundos
net.trainParam.max_fail=5: Mximo nmero de fallas
net.trainParam.searchFcn 'srchcha' Nombre de la rutina de
bsqueda lineal a utilizar.
net.trainParam.scal_tol: Se divide entre el valor de Delta para
determinar la tolerancia para la bsqueda lineal.
net.trainParam.alpha: Factor de escala que determina una
reduccin suficiente en el desempeo.
net.trainParam.beta: Factor de escala que determina un
tamao de paso suficientemente grande.
net.trainParam.delta: Tamao de paso inicial en el intervalo
de localizacin de paso.
net.trainParam.gama: Parmetro para evitar pequeas
reducciones en el desempeo.
net.trainParam.low_lim: Lmite inferior en el cambio del
tamao del paso.
net.trainParam.up_lim: Lmite superior en el cambio del
tamao del paso.
net.trainParam.maxstep: Mximo longitud de paso.
net.trainParam.minstep: Mnima longitud de paso; por
defecto es 1.0e-6
net.trainParam.bmax: Mximo tamao de paso.
Trainlm

141
Fig. 2.12 Ejemplo de la funcin trainlm simulado en matlab -simulink
Algoritmo que actualiza los pesos y las ganancias de acuerdo a la

optimizacin de Levenberg-Marquardt. Es el algoritmo ms rpido
para redes Backpropagation; tiene la desventaja de requerir de un
set de entrenamiento lo ms estndar posible, pues de otra forma
solo aproximar correctamente valores que se encuentren dentro
de los patrones de aprendizaje. Si el set de entrenamiento es muy
extenso, se recomienda reducir el Jacobiano.
La sintaxis de este algoritmo es la siguiente:

entrenamiento

142
net.trainParam.max_fail: Mximo nmero de veces que falla

el valor de Mu
net.trainParam.mem_reducFactor de fraccionamiento de
Jacobiano para ahorrar memoria
resultados.
segundos
tr.mu: Valor del Mu adaptivo
2.4 CARACTERISTICAS TECNICAS TIP31
2.4.1 Encapsulado Del TIP31

En la Fig.2.8 se muestra el encapsulado del TIP31 referencia TO220
Fig.2.8 TIP31
2.4.2 Parmetros Del TIP31
En la Tabla 2.5 se muestra las caractersticas de voltaje del TIP31

143
Tabla 2.5 Caractersticas de voltaje del TIP31
2.4.3 Caractersticas Elctricas Del TIP31

En la Tabla 2.6 se muestra las caracterstica de Corriente del TIP31
Tabla 2.6 Caracterstica de Corriente del TIP31

144
2.4.4 Montaje del TIP31

En la Fig. 2.9 se muestra Montaje del encapsulado del TIP31 junto
con sus dimensiones
Fig. 2.9 Montaje del encapsulado del TIP31

2.5 MOTORES DE CORRIENTE CONTINUA MAXON
2.5.1 DATA DEL MOTOR MAXON
En la Tabla 2.7 se muestran las caractersticas principales del motor
MAXON que es el motor elegido para el diseo
:
Tabla 2.7 Caractersticas principales del motor MAXON

145
2.5.2 Especificaciones Del Motor MAXON

En la Tabla 2.8 se muestra especificaciones generales del motor
MAXON
Tabla 2.8 Especificaciones generales del motor MAXON

2.5.3 Rango De Operacin Del Motor MAXON
En la Fig. 2.10 se muestra el rango de operabilidad del motor
MAXON
Fig. 2.10 Operabilidad del motor MAXON

146
2.5.4 Puente H Utilizando TIP31

En la Fig.2.11se muestra el montaje del TIP31 simulado en Proteus
para el diseo
Fig.2.11 Montaje del TIP31 simulado en Proteus

2.5.4.1 Funcionamiento Del Puente H Utilizando TIP31
Bien, de esta forma si activamos los transistores Q1 y Q4 (1 lgico)
el motor girar en un sentido y si activamos Q2 y Q3, la corriente
circular en sentido opuesto y por tanto el motor tambin. As,
vamos a analizar los cuatro casos posibles, con los pares
Q1Q4/Q2Q3:
00 Los motores no reciben alimentacin, quedan libres.
01 El motor gira en un sentido.
10 El motor gira en sentido contrario al anterior.
11 Frenado dinmico: Convine no hacer.

147
Vamos a diferenciar los casos extremos: si el motor no se alimenta

y tiene una velocidad dada por algn valor anterior, est solo
frenar por rozamiento y la inercia del robot. Si en cambio
utilizamos el ltimo caso, le ordenamos al motor girar en los dos
sentidos a la vez. Como consecuencia de esto, el motor se para de
forma inmediata y eficaz, pero parece claro que consumir mucha
ms corriente, existiendo la posibilidad de quemar el circuito o el
propio motor en casos extremos. Adems, dado el aumento de
consumo, reducir notablemente la duracin de las bateras.
2.6 EL SENSOR INFRARROJO GP2D12
Fig. 2.12 sensor infrarrojo GP2120

Es un sensor analgico de infrarrojos de larga distancia de SHARP.
Su rango de deteccin es entre 10cm y 80cm, aunque se pueden
encontrar otros sensores de la misma familia que cubren otros
rangos, como por ejemplo el GP2120, que tiene un rango entre 4cm
y 30cm. Los datos de fuera del rango no son fiables, esto lo
podemos ver en la siguiente grfica, que muestra la relacin entre
distancia y voltaje
2.6.1 Caractersticas De Voltaje-Distancia Del Sensor Infrarrojo
GP2120
En la Fig. 2.13 se muestra el grafica de voltaje vs distancia del
sensor infrarrojo GP212

148
Fig.. 2.13 Grafica de voltaje vs distancia del sensor infrarrojo

GP2120
Lleva toda la electrnica necesaria incorporada, y de l salen tres
cables para alimentacin y la seal que va al micro (Vo).
2.6.2 Diseo Del Sensor GP2120
En la Fig. 2.14se muestra el montaje del encapsulado del sensor
infrarrojo GP2120
Fig 2.14 Montaje del encapsulado del sensor infrarrojo GP2120

149
NOTA: Consumen bastante, es recomendable poner una

alimentacin adicional para ellos, pero acordndose de que se
alimentan a 5 V. Las masas deben estar unidas a las del resto del
circuito aunque la alimentacin sea distinta
2.7 FINALES DE CARRERA SZL
Son elementos actuadores de conmutacin, generalmente provistos
de muelles y utilizados en procesos automticos donde la deteccin
debe ser ms robusta. En la Fig. 2.14 se muestra los diferentes
estados del sensor final de carrera SZL
Fig. 2.14 Diferentes estados del sensor final de carrera SZL

A continuacin se muestra en la Fig. 2.15 el Sensor final de carrera
SZL

150
Fig. 2.15 Sensor final de carrera SZL

2.7.1 CARACTERSTICAS DEL SENSOR FINAL DE CARRERA
SZL
En laTabla 2.9 se muestran las caractersticas ms importantes del
sensor final de carrera SZL
Tabla 2.9 Las caractersticas ms importantes del sensor final de

carrera SZL
2.7.2 Aplicaciones Del Sensor SZL
En cualquier proceso automticos en el que debamos detectar
posiciones o estados de este proceso y donde la presin sobre el
actuador sea bastante grande (gr)
151
2.7.3 Comprobacin Del Sensor Final De Carrera SZL

La comprobacin se realiza de la misma forma que en los
microrruptores, es decir midiendo la continuidad en un tester en
cada una de las posiciones del final de carrera.
2.8 MODELO CINEMATICO INVERSO PARA EL ROBOT SCARA
Fig. 2.16 Robot SCARA para clculos de la cinemtica inversa

2.8.1 Asignar a Cada Eslabn Un Sistema DE Referencia De
Acuerdo a Las Normas D-H
1
2
3
d
k
0
a
K1
K2
0
0
0
0
Tabla 2.10 Parmetros D-H del Robot SCARA

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
Matriz para el tercer eslabn
1
0
2
A3 =
0
Ecu. 2.110
Matriz para el segundo eslabn
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
Matriz total de transformacin

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
2.8.3 Obtener Las Matrices Inversas De Transformacin

Para Cada Elemento i
nx
n
y
nz
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
Matriz inversa para el primer eslabn
cos( ) sin( )
sin( ) cos( )
1
A0 =
0
0
0
0
ny
0 k1
0 0
1 k
0 1
Ecu. 2.115
Matriz inversa para el segundo eslabn
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
Reemplazamos las ecuaciones correspondientes se

obtiene
( 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
De las 12 relaciones establecidas en la ecuacin interesan aquellas

que expresan en funcin de constantes tomamos los elementos
(3,4) y se obtiene q3
q3 = p z + k
Ecu. 2.119
Se selecciona los elementos (2,4) para encontrar
sin * p x + cos * p y = k 2 sin
Ecu. 2.120

155
(cos * p
sin * p x ) = (k 2 sin )
2
cos 2 * p 2 y 2 cos * p y * sin * p x + sin 2 * p 2 x = (k 2 sin )
(1 sin )* p
2
+ 1 cos 2 * p 2 x = (k 2 sin ) + 2 cos * p y * sin * p x

2
p 2 y sin 2 * p 2 y + p 2 x cos 2 * p 2 x = (k 2 sin ) + 2 cos * p y * sin * p x

2
sin 2 * p 2 y cos 2 * p 2 x 2 cos * p y * sin * p x = (k 2 sin ) p 2 y p 2 x

2
sin 2 * p 2 y + cos 2 * p 2 x + 2 cos * p y * sin * p x = (k 2 sin ) + p 2 y + p 2 x

2
(sin * p
+ cos * p x ) = (k 2 sin ) + p 2 y + p 2 x
2
sin * p y + cos * p x = (k 2 sin ) + p 2 y + p 2 x

2
Ecu. 2.121
Se selecciona los elementos (1,4)

cos * p x + sin * p y k1 = k 2 cos
cos * p x + sin * p y = k 2 cos + k1
Ecu. 2.122
Reemplazamos la ecuacin 2.121
(k 2 sin ) + p 2 y + p 2 x = k 2 cos + k1
2
(k 2 sin ) + p 2 y + p 2 x = (k 2 cos + k1)

2
(k 2 sin ) + p 2 y + p 2 x = k 2 2 cos 2 + 2k 2 cos k1 + k12

2
(k 2 sin ) k 2 2 cos 2 = 2k 2 cos k1 + k12

2
k 2 2 k12 = 2k 2 cos k1
cos =
k 2 2 k12
2k 2k1
Dando como resultado

156
k 2 2 k12
= cos 1
2k 2k1
Ecu. 2.123
Utilizando ahora la segunda de las ecuacin 2.118
(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
Tomamos el elemento (1,4)
cos( ) p x + sin ( ) p y k 2 = k1cos( )
Ecu. 2.126
Simplificamos cos( ) y despejamos ( )
k 2 2 k12
p x + sin ( ) p y k 2
( ) = cos 1 2k 2k1
k1
Ecu. 2.127
Dando como resultado los ngulos

q3 = p z + k

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
2.9 SENSORES DE VELOCIDAD

Estos sensores pueden detectar la velocidad de un objeto tanto sea
lineal como angular, pero la aplicacin ms conocida de este tipo de
sensores es la medicin de la velocidad angular de los motores que
mueven las distintas partes del robot. La forma ms popular de
conocer la velocidad del giro de un motor, es utilizar para ello una
dinamo tacomtrica acoplada al eje del que queremos saber su
velocidad angular, ya que este dispositivo nos genera un nivel
determinado de tensin continua en funcin de la velocidad de giro
de su eje, pues si conocemos a que valor de tensin corresponde
una determinada velocidad, podremos averiguar de forma muy
fiable a qu velocidad gira un motor. De todas maneras, este tipo de
sensores al ser mecnicos se deterioran, y pueden generar errores
en
las
medidas.
Existen tambin otros tipos de sensores para controlar la velocidad,
basados en el corte de un haz luminoso a travs de un disco
perforado sujetado al eje del motor, dependiendo de la frecuencia
con la que el disco corte el haz luminoso indicar la velocidad del
motor.

158
Fig.2.17 Encapsulado del sensor de Velocidad

Los sensores de efecto Hall se utilizan en los automviles para
medir velocidades de rotacin o detectar la posicin de un
determinado elemento. Su principal ventaja es que pueden ofrecer
datos fiables a cualquier velocidad de rotacin. Y sus
inconvenientes son la mayor complejidad y precio con respecto a un
sensor inductivo
2.9.1Funcionamiento del Sensor de Velocidad

El sensor de efecto Hall se basa en la tensin transversal de un
conductor que est sometido a un campo magntico. Colocando un
voltmetro entre dos puntos transversales de un cable se puede
medir esa tensin. Para ello hay que hacer circular por el cable una
intensidad fija y acercar un imn. Los electrones que pasan por el
cable se vern desplazados hacia un lado. Entonces aparece una
diferencia de tensin entre los dos puntos transversales del cable.
Al separar el imn del cable, la tensin transversal desaparece.

159
Para poder utilizar la tensin transversal es necesario amplificarla,

porque su valor es muy reducido.
Un sensor de efecto Hall utilizado en automocin se compone de:
Un generador magntico que suele ser un imn fijo.
Un pequeo mdulo electrnico donde se encuentran los
componentes que miden la tensin transversal.
Una corona metlica con ventanas para interrumpir el campo
magntico.
La corona metlica se intercala entre el imn fijo y el mdulo
electrnico y est unida a un eje con giro. Segn la posicin de la
corona, el campo magntico del imn llega hasta el mdulo
electrnico. La tensin obtenida a la salida del mdulo electrnico,
una vez tratada y amplificada corresponde con un valor alto (de 5 a
12 voltios) cuando la corona tapa el campo magntico, y un nivel
bajo (de 0 a 0,5 voltios) cuando la corona descubre el imn.
Los sensores de efecto Hall se suelen utilizar para detectar la
posicin de los rboles de levas, la velocidad del vehculo y en
algunos distribuidores para determinar el momento de encendido.
Tambin pueden emplearse para determinar la posicin del
cigeal.
El sensor de efecto Hall se conecta mediante tres cables elctricos.
Uno de ellos corresponde con el valor negativo (masa del vehculo),
otro cable corresponde con la alimentacin, que suele ser de 5 de
12 voltios. El tercer cable corresponde con la seal de salida que
vara segn la posicin de la corona metlica.
Para comprobar el funcionamiento de un sensor Hall basta verificar
el valor de la tensin de alimentacin y la variacin de la tensin en
la seal de salida cuando alguna ventana de la corona permite el
flujo del campo magntico.

160
A continuacin en la Fig. 2.18 se muestra el sensor de Velocidad

P/N: HD360-400 y en la Fig. 2.18 se muestra las dimensiones del
Sensor de Velocidad P/N: HD360-400
Fig 2.18 Sensor de Velocidad P/N: HD360-400
Fig 2.18 Dimensiones del Sensor de Velocidad P/N: HD360-400

En la Tabla 2.11se muestra los parmetros del sensor de Velocidad
P/N: HD360-400 y en laTabla 2.12 se muestra las especificaciones
elctricas del sensor de Velocidad P/N: HD360-400

161
Tabla 2.11 Parmetros del sensor de Velocidad P/N: HD360-400
Tabla 2.12 Especificaciones elctricas del sensor de Velocidad

P/N: HD360-400

162

163
3.1 DISEO Y CALCULOS DE LOS MOTORES

Para nuestro diseo utilizaremos motor MAXON de baja inercia. Al
eje del motor se le ha acoplado un tren de engranajes con una
relacin 1:197, al que se considera de comportamiento ideal.
Para el diseo los cuatro motores van a ser los mismos
3.1.1 Caractersticas Elctricas y Mecnicas Del Motor
Resistencia de armadura = 7.94 .
Inductancia equivalente del flujo disperso = 1.54 Mh
Constante del par motor = 39.3 mNm/A.
Constante de la fuerza contraelectromotriz = 243 rpm/V.
Momento de inercia del rotor= 26.6 gr cm2
Experimentalmente se ha obtenido el equivalente de la carga, vista

desde la salida del tren de engranajes:
Momento de inercia de la carga = 48.5 10-3 kg m2.
Rozamiento viscoso = 660 10-3 N.m.s/rad.
Considrese ideal el tren de engranajes. Obtener su FDT total,

entre la Velocidad del motor y su nivel de tensin aplicada.

164
Fig.3.1 Esquema del motor de dc
Los valores equivalentes de momento de inercia y de friccin

que se caracterizan desde el eje del motor ser igual a:
J T = 3.9 x106
BT = 17 x106
Ecu.3.1
Ecu.3.2
Fig.3.2 El diagrama a bloques y su equivalente

3.2 PARAMETROS PARA EL DISEO DEL ROBOT SCARA
Como vimos en el capitulo 2 se determino los torques y la fuerza
que se generan en los tres motores, esto nos ayuda a realizar con
mayor precisin un control dinmico mas eficiente ya que se

165
determinaron todos los factores tanto internos como externos que

influyen en la velocidad de cada uno de los motores
Fig.3.3 Robot SCARA
3.2.1 Dimensin Del Robot

K
1m
K1
0.5m
K2
0.3m
K3
0.25m
K4
0.15m
m1
0.5kg
M2
0.3kg
m3
0.2kg
Tabla 3.1 Parmetros de dimensiones del Robot SCARA
Tabla 3.2 Parmetros para los ngulos del Robot SCARA

166
Ecu.3.3
Ecu.3.4
Ecu.3.5
3.2.2 Reemplazo De Valores
2k22 m3+ k12 m3+ 2k42 m2 + 4k2k4m2

2k42 m2 + 4k2k4m2
2
2
2
T1 = + 2k2 m2 + k1 m2 + k3 m1+ 2k1k3m1 +
+ 2m2k1(k4 + k2)
2
2
+ 2k2 m2
+ k1 m1
T1 = 0.713 + 0.1215+ 0.135
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
F2 = 0.11 + 0.12 + 0.0675
Ecu.3.6
Ecu.3.8
Ecu.3.9
T3 = m3 + m3 g
T3 = 0.2 + 2

Ecu.3.10
Ecu.3.11
167
3.2.3 Reemplazo de Los Angulos

Estos ngulos son las vienen definidos de las ecuaciones 3.3, 3.4 y
3.5 respectivamente
= 2 +
= 3
= 1
T1 = 0.713 + 0.1215+ 0.135
T1 = 0.7131 + 0.1215( 2 + )+ 0.135( 2 + ) 1
T1 = 0.7131 + 0.1215( 2 )+ 0.135( 2 ) 1
Ecu.3.12
Ecu.3.13
Ecu.3.14
F2 = 0.11 + 0.12 + 0.0675
F2 = 0.11 1 + 0.12 ( 2 + )+ 0.0675 1
F2 = 0.11 1 + 0.12 ( 2 )+ 0.0675 1

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
3.2.4 APLICACIN DE LA TRANSFORMADA DE LAPLACE
T1 = 0.7131 + 0.1215( 2 )+ 0.135( 2 ) 1
Ecu.3.20
2
2
2
T1 = 0.713s 1 + 0.1215s ( 2 )+ 0.135s ( 2 ) 1
F2 = 0.11 1 + 0.12 ( 2 )+ 0.0675 1
F2 = 0.11 s 2 1 + 0.12s 2 ( 2 )+ 0.0675s 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
3.3 DISEO DEL CONTROL MULTIARTICULAR PARA EL

ROBOT SCARA
3.3.1 Desacoplamiento Por Inversin Del Modelo

En el capitulo 1 se demostr como la tensin de mando de los
actuadores u se obtiene a partir de la seal y de las mismas

matrices D(q ) y N q, q
= D(q) q+ H q, q + C(q) + Fv q+ e = D(q) q+ N q, q + e
= 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
Y la vez se dijo que
= q d = s 2 Iq d ,
Ecu.3.30
Dando como resultado el siguiente diagrama de bloques

170
Fig. 3.4 Diagrama de bloques generalizado del control multiarticular

por el mtodo de inversin del modelo
El control de posicin se realizara mediante la tcnica de
regulacin PID
Segn lo planteado por el mtodo de inversin del modelo,
pero para nuestra aplicacin la posicin se controlara
mediante la red neuronal y con el mtodo de inversin del
modelo controlaremos la velocidad de esta manera se le dar
una velocidad adecuada para recoger las cajas y una mayor
posicin con la red neuronal

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
3.3.2 RESULTADO FINAL DE LAS ECUACIONES
T1 = 0.713s 1 + 0.1215s ( 2 )+ 0.135s ( 2 ) 1
F2 = 0 .11 s 1 + 0 .12 s ( 2 )+ 0 .0675 s 1
Ecu. 3.33
Ecu. 3.34
T3 = 0.2 s 3 + 2
Ecu. 3.35
3.3.3 Control PID Para El Par Requerido Para Controlar Los

Tres Motores
Es importante decir que la velocidad para los tres motores es la
misma por lo tanto y el motor de la pinza se le hizo una variacin
1 = 2 = 3 Ecu. 3.36
3.4 DISEO DE LOS CONTROLADOR PID PARA LOS CUATRO

MOTORES
3.4.1 Calculo De los Controladores PID Para El Primer Motor
Ecuacin dinmica del primer motor

172
Ecu. 3.37
T1 = 0.713s 1 + 0.1215s ( 2 )+ 0.135s ( 2 ) 1
Para mayor facilidad factorizamos s y lo aplicamos a la salida del

accionamiento
= 0.713 1 + 0.1215( 2 )+ 0.135( 2 ) 1

s
Ecu. 3.38
Diagrama de bloques del primer motor simulado en

Matlab-simulink
Fig. 3.5 Diagrama de bloques de la velocidad primer motor

3.4.1.1 Determinamos Los parmetro de Zigler-Nicols Para el
Controlador
Respuesta a la salida del primer motor simulado en

Matlab-simulink

173
Fig.3.6 Grafica del primer motor sin controlador

3.4.1.2 Frmulas De Ajuste De Integral Mnima De Error Para
entrada De Perturbaciones Primer Motor
Tabla 3.3 Parmetros del controlador proporcional-integralderivativo (PID)

174
De acuerdo en el capitulo 2 determinamos
0.63C = 1.35
0.28C = 0.5
t 2 = 0.08
t1 = 0.04
Ecu. 3.39
Ecu. 3.40
= 1.5(t 2 t1) = 1.5(0.08 0.04) = 0.06
Ecu. 3.41
t0 = t 2 = 0.08 0.06 = 0.02
Ecu. 3.42
De acuerdo a la tabla reemplazamos los valores

correspondientes
t t
K p = 0 0
b1
0.02 0.020.945
=
0.06 0.06 = 224
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
Ecuacin del controlador PID

175
GC = KP 1 + + D = 2241 +
+ 0.01
0.81
Ecu. 3.46
Diagrama de bloques del primer motor con controlador

(mtodo inversin del modelo) simulado en Matlabsimulink
Fig. 3.7 Diagrama de bloques de la velocidad primer motor con

controlador

176
Verificacin del controlador para el primer motor mtodo

inversin del modelo
Fig.3.8 Grafica del primer motor con controlador

3.4.2 Clculos Del Motor Control PID Para EL Segundo Motor
Ecuacin dinmica del segundo motor
F2 = 0 .11 s 1 + 0 .12 s ( 2 )+ 0 .0675 s 1
Ecu. 3.47

accionamiento
F2
= 0 .11 1 + 0 .12 ( 2 )+ 0 .0675 1
S
Ecu. 3.48

177
Diagrama de bloques del segundo motor simulado en

Matlab-simulink
Fig. 3.9 Diagrama de bloques de la velocidad segundo motor

3.4.2.1
Determinamos Los Parmetro De Zigler-Nicols

Para El Segundo Motor
Respuesta a la salida del segundo motor simulado en

Matlab-simulink
Fig.3.10 Grafica del segundo motor sin controlador

178

Entrada De Perturbaciones Para El Segundo Motor
0.63C = 0.441
0.28C = 0.196
t 2 = 0.07
t1 = 0.035
Ecu.3.49
Ecu.3.50
= 1.5(t 2 t1) = 1.5(0.07 0.035) = 0.0525
Ecu.3.51
t0 = t 2 = 0.07 0.0525= 0.0175
Ecu.3.52

correspondientes
t t
K p = 0 0
b1
0.0175 0.01750.945
=
0.0525 0.0525 = 290

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
Diagrama de bloques del segundo motor con controlador

Fig. 3.11 Diagrama de bloques de la velocidad segundo motor con

controlador

180
Verificacin del controlador para el segundo motor

mtodo inversin del modelo
Fig.3.12 Grafica del segundo motor con controlador

3.4.3 Clculos Del Control PID Para El Tercer Motor
Ecuacin dinmica del tercer motor
T3 = 0.2 s 3 + 2
Ecu. 3.57
accionamiento
T3
2 Ecu. 3.58
= 0. 2 3 +
s
s

181
Diagrama de bloques del tercer motor simulado en

Matlab-simulink
Fig.3.13 Diagrama de bloques del tercer motor sin controlador

3.4.3.1 Determinamos Los Parmetro De Zigler-Nicols Para el
Tercer Motor
Respuesta a la salida del tercer motor simulado en

Matlab-simulink
Fig. 3.14 Grafica del tercer motor sin controlador

182

Entrada De Perturbaciones Para El Tercer Motor
0.63C = 2.646
0.28C = 1.176
t 2 = 0.07
t1 = 0.035
Ecu.3.59
Ecu.3.60
= 1.5(t 2 t1) = 1.5(0.07 0.035) = 0.0525
Ecu.3.61
t0 = t 2 = 0.07 0.0525= 0.0175
Ecu.3.62

correspondientes
t t
K p = 0 0
b1
0.0175 0.01750.945
=
0.0525 0.0525 = 290

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
Diagrama de bloques del tercer motor con controlador

Fig. 3.14 Diagrama de bloques del tercer motor con controlador

184
Verificacin del controlador para el tercer motor mtodo

inversin del modelo
Fig.3.15 Respuesta a la salida del tercer motor con controlador

3.4.3 Clculos Del Control PID Para El Cuarto Motor
Ecuacin de transferencia del cuarto motor
ue
65434.56
=
wn (s + 5105)(s + 54.77)

Ecu.3.67
185
Diagrama de bloques del cuarto motor simulado en

Matlab-simulink
Fig.3.16 Diagrama de bloques del cuarto motor

3.4.4.1 Determinamos Los Parmetro De Zigler-Nicols Par El
Cuarto Motor
Respuesta a la salida del cuarto motor simulado en

Matlab-simulink
FIG.3.17 Respuesta a la salida del cuarto motor sin controlador

186
3.4.4.2 Frmulas De Ajuste De Integral Mnima de Error Para

Entrada De Perturbaciones Para El Cuarto Motor
0.63C = 0.1467
0.28C = 0.065
t 2 = 0.018
t1 = 0.009
Ecu.3.68
Ecu.3.69
= 1.5(t 2 t1) = 1.5(0.018 0.009) = 0.0135
Ecu.3.70
t0 = t 2 = 0.018 0.0135= 0.00045
Ecu.3.71

correspondientes

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
Diagrama de bloques del cuarto motor con controlador

Fig.3.18 Diagrama de bloques del cuarto motor con controlador

188
Verificacin del controlador para el cuarto motor

mtodo inversin del modelo
Fig.3.19 Respuesta a la salida del cuarto motor con controlador

3.5 DISEO DE LA POSICION DE LOS MOTORES PARA EL
ROBOT SCARA
3.5.1 Descripcin Del Problema
En este caso el controlador basado en Neuronas Artificiales se
entrenara para recoger objetos ubicados en diferentes lugares para
dar una aplicacin prctica. La ubicacin de los sensores y los
motores se muestran del robot SCARA se muestra en la fig.3.20
El robot SCARA cuenta con siete sensores de proximidad y dos
sensores finales de carrera en distintas ubicaciones que
permanentemente detectan si hay objetos que se encuentren a una
distancia superior o inferior a la preestablecida, con base en esto se
189
decide si dar marcha en sentido manecilla de reloj (1 -1) o derecha

y sentido contrario a las manecillas de reloj (-1 1) o izquierda.
Fig.3.20 Ubicacin de los sensores y motores del robot SCARA
DIAGRAMA DE BLOQUES
Fig.3.21 Diagrama de bloques de las entradas y salidas de la red

neuronal
3.5.2 Descripcin De Los Sensores

190
Descripcin de las entradas al proceso
NOMBRE
DESCRIPCION
SENSOR DE PROXIMIDAD
NOMBR
E
S6
S1
DESCRIPCION
S2
S7
S3
S8
SENSOR DE FINAL DE CARRERA
S4
S9
S5
SENSOR DE FINAL DE
CARRERA
Tabla 3.7 Caractersticas de los sensores
Condiciones iniciales de las salidas al proceso
NOMBRE
DESCRIPCION
NOMBRE
DESCRIPCION
Q11
SALIDA POSITIVA DEL MOTOR 1
Q31
Q12
SALIDA NEGATIVA DEL MOTOR

1
Q32
SALIDA NEGATIVA DEL MOTOR 3
Q41
Q42
SALIDA NEGATIVA DEL MOTOR 4
Q21
Q22
SALIDA NEGATIVA DEL MOTOR

2
Tabla 3.9 Parmetros de las salidas de la red neuronal

El comportamiento del robot lo describe la tablas cuando los
sensores detecten un objeto que se encuentra a una distancia
inferior a la predeterminada se dir que el objeto se encuentra cerca
y esto se representa por medio de un 1 y cuando se detecte un
objeto que se encuentra a una distancia mayor que la
predeterminada se dir que el objeto esta lejos lo cual se indica con
un 1; dependiendo de estas lecturas los motores podrn girar a los
parmetros preestablecidos
3.5.3 Descripcin Del Movimiento De Los Motores y La
activacin De Los Sensores
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
Tabla 3.10 En este caso no estn activos los sensores S1-S2-S3S4
Fig.3.20 Descripcin del movimiento del caso 1

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
Tabla 3.15 En este caso S2 esta activo todo el tiempo

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
Tabla 3.20 En este caso S1-S3 estn activos todo el tiempo

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
Tabla 3.21 En este caso S2-S4 estn activos todo el tiempo
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
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
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
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
Tabla 3.25 Los sensores S1-S2-S3-S4-S5-S6-S7-S8-S9

206
3.6 DISEO DE LA RED NEURONAL ARTIFICIAL PARA EL

ROBOT SCARA
3.6.1 Fase De Entrenamiento
Para nuestra implementacin se creo una red perceptronica
multicapa donde se tuvieron los siguientes comandos
Comando NEWFF: Crea red

Comando Train: Entrena la red
Comando SIM: simula la red
3.6.2 Programa Utilizado Para La Fase De Entrenamiento
A continuacin se crea la red

Net =newff (minmax (p),[200,8],{'tansig','purelin'},'traingda');
-1 : Valor mnimo del vector de entrada

1:
Valor mximo del vector de entrada
200: Numero de neuronas de la primera capa (Capa de
entrada)
8 : Numero de neuronas en la segunda capa (capa de
salida)
La funcin de activacin de la primera capa es de tipo 'tansig'
La funcin de activacin de la segunda capa es de tipo
'purelin'
El algoritmo de entrenamiento usado es el de gradient
method 'traingda'
Parmetros de entrenamiento
net.trainParam.show = 50;
iteration (Epoch)
El resultado se muestra cada 50th
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
[net,tr]=train (net, p, t);
Iterates gradient type of loop
Validacin de la neurona
a= sim (net, p)
Representacin grafica de los resultados
Plot (t, a,'o'); grid;
Programa para el diseo de la red neuronal simulado en

matlab

208

209
3.6.3 Entrenamiento Y Validacin De Los Resultados

3.6.3.1 Primer Entrenamiento Y Validacin De Los Resultados
Para esta primera validacin se utilizo:
1. la capa oculta 50
2. net.trainParam.epochs = 20000; Numero mximo de
iteraciones
3. net.trainParam.goal = 0.001; Error tolerado; da por
concluido el
Entrenamiento
Resultados obtenidos despus de 9952

iteraciones con una tasa de error de
0.000999492 al concluir las epochs

210
Fig. 3.34 Respuesta ala salida de red perceptronica multicapa de la

primera validacin
Segn la tabla 3.26 el comportamiento de la respuesta a la salida
con la primera validacin de la red perceptronica multicapa, segn
la tabla 3.26 el comportamiento de utilizar dos capas es el esperado
segn las formas de regiones ms generales, esta es una forma de
sealar que el comportamiento de la red es el esperado
Tabla 3.26 Representacin de la respuesta a la salida de la red

perceptronica

211
Data esperada t y data obtenidas a segn la

primera validacin en el entrenamiento de la
red perceptronica multicapa
Esta es otra forma de validar los resultado como se puede apreciar

los data de entrada t es muy similar a la data obtenida aqu se
muestran los 22 primeros valores

212
Tabla 3.27 Resultados esperados t y obtenidos a

segn primera validacin
La mejor forma de saber si la primera

validacin de resultados es la correcta es
graficando los valores esperados t y los
valores obtenidos a
Como se puede observar los anillos representan el vector a se

puede apreciar que se acercan a -1 y 1 salidas esperadas por los
motores
Fig.3.35 Resultados esperados de la primera validacin

213
3.6.3.2 Segundo Entrenamiento Y Validacin De Los

Resultados
Para esta segunda validacin se utilizo:
iteraciones
3. net.trainParam.goal = 0.000001;Error tolerado; da por
concluido el Entrenamiento

iteraciones con una tasa de error de 9.96147e007 al concluir las epochs

segunda validacin
con la segunda validacin de la red perceptronica multicapa,
214
segn la tabla 3.26 el comportamiento de utilizar dos capas es el

esperado segn las formas de regiones ms generales, esta es una
forma de sealar que el comportamiento de la red es el esperado
Data esperada t y data obtenida a segn la

segunda validacin en el entrenamiento de la

los data de entrada t es muy similar a la data obtenida aqu se

215

segn segunda validacin
La mejor forma de saber si la segunda

valores obtenidos a

motores

216
Fig.3.37 Resultados esperados de la segunda validacin

3.6.3.3 Tercer Entrenamiento Y Validacin De Los Resultados
Para esta tercera validacin se utilizo:
iteraciones


217

tercera validacin
con la tercera validacin de la red perceptronica multicapa, segn

tercera validacin en el entrenamiento de la

los data de entrada t es muy similar a la data obtenidas aqu se

218
Tabla 3.28 Resultados esperados t y obtenidos a segn tercera

validacin
La mejor forma de saber si la tercera


219

valores obtenidos a
motores
Fig.3.39 Resultados esperados de la tercera validacin

3.6.3.4 Cuarto Entrenamiento Y Validacin De Los Resultados
Para esta cuarta validacin se utilizo:
iteraciones


220

cuarta validacin
con la cuarta validacin de la red perceptronica multicapa, segn
cuarta validacin en el entrenamiento de la red
perceptronica multicapa
los data de entrada t es muy similar a la data obtenidas aqu se

221

222

segn cuarta validacin
La mejor forma de saber si la cuarta validacin

de resultados es la correcta es graficando los
valores esperados t y los valores obtenidos a

motores

223
Fig.3.41 Resultados esperados de la cuarta validacin

Diagrama de bloques del diseo del montaje de la
red multicapa
Fig.3.42 Diseo del montaje de la red perceptronica multicapa

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
4. Al escoger como red neuronal artificial una perceptron

multicapa con cincuenta capas ocultas brindo los datos de
salida (a) mas acercados a los de la data de entrada (t) como
se pudo apreciar son suficientes para que reconozca los
patrones de entrada en su entrenamiento

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

Diseno de Controlador Denavit

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Diseno de Controlador Denavit

Cargado por

Copyright:

Formatos disponibles

Universidad de Pamplona, una Universidad para una Sociedad Inteligente e Interconectada

TRABAJO PRESENTADO PARA OPTAR POR EL TTULO DE

TITULO: DISEO DE UN CONTROLADOR DINAMICO PARA UN

AUTOR: GERSON SOLE MEJIA AGUILAR

DIRECTOR: WALTER GASTELBONDON BARRAGAN

Universidad de Pamplona - Ciudad Universitaria - Pamplona (Norte de Santander - Colombia)

Universidad de Pamplona, una Universidad para una Sociedad Inteligente e Interconectada

Primeramente quisiera agradecer a Dios que con su ayuda

que con su atencin y

El temor de Jehov es el principio de la sabidura, y el conocimiento

Universidad de Pamplona - Ciudad Universitaria - Pamplona (Norte de Santander - Colombia)

Universidad de Pamplona, una Universidad para una Sociedad Inteligente e Interconectada

1.1.1.3 ALGORITMO DE DENAVIT- HARTENBERG PARA LA

1.1.2.1 RESOLUCIN DEL PROBLEMA CINEMATICO INVERSO

1.2.1 MODELO DINMICO DE LA ESTRUCTURA DE UN ROBOT RGIDO

REDES NEURONALES ARTIFICIALES

Universidad de Pamplona - Ciudad Universitaria - Pamplona (Norte de Santander - Colombia)

Universidad de Pamplona, una Universidad para una Sociedad Inteligente e Interconectada

CARACTERISTICAS DE UNA RED NEURONAL ARTIFICIAL

1.4.1 CARACTERSTICAS Y CALIDAD DE UN SENSOR

Universidad de Pamplona - Ciudad Universitaria - Pamplona (Norte de Santander - Colombia)

Universidad de Pamplona, una Universidad para una Sociedad Inteligente e Interconectada

1.4.2.4 FACTORES DE CALIDAD ESTTICA DE UN SENSOR

OBTENER LAS MATRICES DE TRANSFORMACION 0 Ai PARA

OBTENER LAS MATRICES U ij

2.1.4 OBTENER LAS MATRICES U ijk

Universidad de Pamplona - Ciudad Universitaria - Pamplona (Norte de Santander - Colombia)

Universidad de Pamplona, una Universidad para una Sociedad Inteligente e Interconectada

2.1.5 OBTENER LAS MATRICES DE PSEUDOINERCIA Ji PARA CADA

2.1.6 MATRIZ DE INERCIA D = d ij

2.1.8 OBTENER LA MATRIZ COLUMNA DE FUERZA DE CORIOLIS Y

MATRIZ COLUMNA DE FUERZA DE GRAVEDAD

2.1.10 LA ECUACIN DINMICA DEL SISTEMA

2.2.2 AJUSTES DE MODELOS POMTM

Universidad de Pamplona, una Universidad para una Sociedad Inteligente e Interconectada

2.5 MOTORES DE CORRIENTE CONTINUA MAXON

2.8.1ASIGNAR A CADA ESLABON UN SISTEMA

2.8.2 OBTENER LAS MATRICES DE TRANSFORMACION

Universidad de Pamplona, una Universidad para una Sociedad Inteligente e Interconectada

3.1 DISEO Y CALCULOS DE LOS MOTORES

Universidad de Pamplona - Ciudad Universitaria - Pamplona (Norte de Santander - Colombia)

Universidad de Pamplona, una Universidad para una Sociedad Inteligente e Interconectada

3.4.2.2 FRMULAS DE AJUSTE DE INTEGRAL MNIMA DE ERROR

Universidad de Pamplona - Ciudad Universitaria - Pamplona (Norte de Santander - Colombia)

Universidad de Pamplona, una Universidad para una Sociedad Inteligente e Interconectada

3.6.3 VALIDACION DE LOS RESULTADOS

Universidad de Pamplona - Ciudad Universitaria - Pamplona (Norte de Santander - Colombia)

Universidad de Pamplona, una Universidad para una Sociedad Inteligente e Interconectada

Procesamiento de imgenes y de voz

Universidad de Pamplona - Ciudad Universitaria - Pamplona (Norte de Santander - Colombia)

Universidad de Pamplona, una Universidad para una Sociedad Inteligente e Interconectada

Los sistemas de computo tradicional procesan la informacin en

Universidad de Pamplona - Ciudad Universitaria - Pamplona (Norte de Santander - Colombia)

Universidad de Pamplona, una Universidad para una Sociedad Inteligente e Interconectada

En sntesis el tema principal del trabajo el diseo y control de un

El desarrollo del trabajo se divide en tres partes o captulos. En el

Universidad de Pamplona - Ciudad Universitaria - Pamplona (Norte de Santander - Colombia)

Universidad de Pamplona, una Universidad para una Sociedad Inteligente e Interconectada

Disear y simular un controlador neuronal para un robot SCARA

Universidad de Pamplona - Ciudad Universitaria - Pamplona (Norte de Santander - Colombia)

Universidad de Pamplona, una Universidad para una Sociedad Inteligente e Interconectada

Analizar los sistemas utilizados actualmente para controlar

Universidad de Pamplona - Ciudad Universitaria - Pamplona (Norte de Santander - Colombia)

Universidad de Pamplona, una Universidad para una Sociedad Inteligente e Interconectada