Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Sintonizacion de Controladores A.Evolutivos PDF
Sintonizacion de Controladores A.Evolutivos PDF
TITULO:
SINTONIZACION DE CONTROLADORES PID UTILIZANDO ALGORITMOS
EVOLUTIVOS
AUTOR:
MARA CLAUDIA PINTO FIGUEROA
PAMPLONA COLOMBIA
MAYO 2006
UNIVERSIDAD DE PAMPLONA
FACULTAD DE INGENIERIAS Y ARQUITECTURA
DEPARTAMENTO DE INGENIERIA ELECTRONICA, ELECTRICA,
TELECOMUNICACIONES Y SISTEMAS
PROGRAMA DE INGENIERA ELECTRNICA
TTULO:
SINTONIZACION DE CONTROLADORES PID UTILIZANDO ALGORITMOS
EVOLUTIVOS
AUTOR:
MARA CLAUDIA PINTO FIGUEROA
DIRECTOR:
Ph.D. ELIEZER COLINA MORLES
PAMPLONA COLOMBIA
MAYO 2006
RESUMEN
En el desarrollo de
Luego se trabaj con sistemas en lnea, manipulando pocos individuos con una
funcin de aptitud que tiene en cuenta el sobreimpulso y el tiempo de
asentamiento, con el fin de comparar su desempeo con otras tcnicas de
sintonizacin ya existentes.
ABSTRACT
Finally, the work contemplates the controller design problem for an evaporator
system using the proposed evolutionary computational tool.
CONTENIDO
INTRODUCCION
OBJETIVOS
JUSTIFICACION
PLANTEAMIENTO DEL PROBLEMA
METODOLOGIA
ALGORITMOS GENTICOS EN LA
OPTIMIZACIN
1.7.11. CONVERGENCIA DEL ALGORITMO
1.7.12. CMO SABER SI ES POSIBLE USAR EL ALGORITMO
GENTICO?
1.7.13. DECISIONES PARA IMPLEMENTAR UN ALGORITMO GENTICO
1.7.14. VENTAJAS DE LOS AGS
1.7.15. DESVENTAJAS O LIMITACIONES QUE TIENEN LOS AG CON
RESPECTO A OTRAS TCNICAS DE BSQUEDA
1.7.16. CONSIDERACIONES AL USAR ALGORITMOS GENTICOS
1.7.17. DIFERENCIAS ENTRE LOS MTODOS TRADICIONALES Y LOS
A.G.
1.8. PROGRAMAS EVOLUTIVOS (PES)
1.8.1. PES EN OPTIMIZACIN PARAMTRICA
1.8.2. PES EN OPTIMIZACIN COMBINATORIA
1.8.3. PROGRAMAS EVOLUTIVOS Y ALGORITMOS GENTICOS
1.9. ESTRATEGIAS EVOLUTIVAS (EES)
1.9.1. EES SIMPLES
1.9.2. EES MLTIPLES
PROGRAMACIN
EVOLUTIVA
LAS
ESTRATEGIAS
EVOLUTIVAS
1.11. PROGRAMACIN GENTICA (PG)
1.11.1. FUNCIONAMIENTO DE LOS OPERADORES GENTICOS
1.11.2. MUTACIN EN PG
1.11.3. ALGORITMO GENERAL
1.12. AMBIENTES DE PROGRAMACIN
1.13. PROGRAMAS AUTOCONFIGURABLES
1.14. ROBUSTEZ DE LOS MTODOS DE OPTIMIZACIN Y BSQUEDA
TRADICIONALES
CONTROLADOR
AUTOMTICO,
ACTUADOR
SENSOR
(ELEMENTO DE MEDICIN)
2.2.3. CONTROLADORES AUTO-OPERADOS
2.2.4. ACCIN DE CONTROL DE DOS POSICIONES O ENCENDIDO Y
APAGADO (ON/OFF)
2.2.5. ACCIN DE CONTROL PROPORCIONAL
2.2.6. ACCIN DE CONTROL INTEGRAL
2.2.7. ACCIN DE CONTROL PROPORCIONAL- INTEGRAL
2.2.8. ACCIN DE CONTROL PROPORCIONAL DERIVATIVA
2.2.9. ACCIN DE CONTROL PROPORCIONAL- INTEGRAL- DERIVATIVA
2.3.
EFECTOS DE LAS
ACCIONES
DE CONTROL INTEGRAL Y
REGLAS
DE
ZIEGLER
NICHOLS
PARA
SINTONIZAR
CONTROLADORES PID
2.4.2.1. PRIMER MTODO. MTODO BASADO EN LA CURVA DE
REACCIN
2.4.2.2. SEGUNDO MTODO. MTODO DE OSCILACIN
2.4.3. MTODO DE ASIGNACIN DE POLOS
2.4.3.1. TEOREMA 1 (TEOREMA DE SYLVESTER).
2.4.3.2. LEMA 1 (ASIGNACIN DE POLOS SISO).
2.4.3.3. LEMA 2.
2.5. MODIFICACIONES DE LOS ESQUEMAS DE CONTROL PID
2.5.1. CONTROL PI-D
2.5.2. CONTROL I-PD
2.6. INTEGRAL WINDUP
SINTONIZACIN
DE
CONTROLADORES
PID
UTILIZANDO
SINTONIZACIN
DE
CONTROLADORES
PID
UTILIZANDO
INTRODUCCIN
son
empleados
tienden
desestabilizarse
debido
Para esto se propone utilizar algoritmos evolutivos, que constituyen una rama
de la llamada Computacin Blanda, con los cuales se emula la evolucin
natural de los seres vivos, utilizando la seleccin y reproduccin, para
encontrar la solucin ptima a un problema especfico, sin tener ningn
conocimiento previo de este.
los
controladores
PID.
Diferentes
acciones
de
control
OBJETIVOS
OBJETIVO GENERAL:
Desarrollar un nuevo algoritmo de sintonizacin de controladores PID
utilizando algoritmos evolutivos.
OBJETIVOS ESPECFICOS
Disear un algoritmo
JUSTIFICACIN
Teniendo en cuenta los objetivos del proyecto, sus logros aportaran soluciones
a la industria, ya que permitiran mejorar la operacin de plantas al tiempo que
robusteceran las condiciones de seguridad operacional en procesos de alto
riesgo donde el control resulta esencial.
METODOLOGA
Recoleccin de informacin:
En este primer paso se llev a cabo una consulta e investigacin
documental sobre el estado del arte de los controladores PID y los
algoritmos evolutivos. Para esto fue necesario usar la INTERNET, fuentes
bibliogrficas (artculos, libros, folletos y revistas) y colaboracin de
profesores conocedores del rea. La informacin recopilada permiti la
escogencia de la estructura del controlador y de los parmetros de diseo
del algoritmo evolutivo: codificacin, poblacin inicial, fusin objetivo,
condicin de terminacin, operadores, entre otros elementos.
Diseo de experimentos:
Se comenz con el desarrollo de la tcnica en lnea, utilizando varios
sistemas estables a lazo cerrado, a los cuales se les realiz cambios de
las condiciones iniciales, usando como funcin de aptitud la diferencia
del error cuadrtico y empleando como operador gentico el de
mutacin basada en descenso por gradiente. Tambin se trabaj con
sistemas inestables a lazo abierto y un tipo de sistemas no lineales,
haciendo cambios en la funcin objetivo del algoritmo evolutivo y con
mutacin basada en ascenso por gradiente. Luego fue desarrollada la
tcnica fuera de lnea. Para todas estas pruebas se utiliz la ayuda del
sistema programado Simulink y las herramientas de programacin de
Matlab. Por ltimo se aplic este algoritmo a la variable de tasa de flujo,
de un proceso de evaporacin, para controlar las diferentes salidas de
este sistema. Aqu se hizo necesaria la utilizacin de diferentes tcnicas
de discretizacin de sistemas lineales para la implementacin del
algoritmo.
Obtencin de resultados:
Una vez obtenidos los comportamientos de los diferentes sistemas
considerados despus de haber utilizado el algoritmo evolutivo
diseado, fueron establecidas conclusiones y recomendaciones relativas
a los resultados y en correspondencia con los objetivos originalmente
planteados para el trabajo. As mismo se realizaron consideraciones
sobre la plataforma tecnolgica necesaria a nivel industrial para poder
hacer la implantacin fsica del mtodo de entonacin PID desarrollado.
Captulo 1
Computacin Evolutiva
1.1. INTRODUCCIN
En la naturaleza todos los seres vivos se enfrentan a problemas que deben
resolver con xito, como conseguir ms luz del sol, o cazar una mosca. La
Computacin Evolutiva interpreta la naturaleza como una inmensa mquina de
resolver problemas y trata de encontrar el origen de dicha potencialidad para
utilizarla en programas [1, 5,13].
o Diseo de circuitos
o Planificacin de tareas
1.2. ORIGENES
A principios del siglo XIX, las cuestiones relacionadas con las variaciones
evolutivas se centraban en tres aspectos: cul era la naturaleza del material
gentico transmitido a la descendencia, cmo pasaban fielmente las
caractersticas de una generacin a la siguiente, y cmo se producan
variaciones en ellas que despus se transmitan. El zologo francs Jean
Baptiste de Lamarck pensaba que la vida animal y vegetal sufra nuevas
influencia de acuerdo a los cambios climticos y reas geogrficas que
experimentaban, desencadenando nuevas necesidades y por tanto nuevas
estrucuturas. A estas nuevas estructuras Lamarck las llam caractersticas
adquiridas que pueden ser heredadas a nuevas generaciones [19].
A finales del siglo XIX, cientficos como Charles Darwin, el bilogo alemn
Ernst Haeckel, el botnico holands Hugo De Vries y el bilogo alemn
August Weismann desarrollaron teoras sobre la herencia. La razn principal
que suscit este inters fue que la teora de la seleccin natural de Darwin,
publicada por primera vez en 1859. La seleccin natural fomenta la adaptacin
de los organismos cuando ello es necesario para la supervivencia, el xito
debi alcanzar a aquellas que conseguan desarrollar una habilidad o
mecanismo especial para su autoconservacin y replicacin rpida [19].
Charles Darwin elabor su teora de la seleccin natural, que se convertira en
el fundamento de la teora de la evolucin, influenciado por las ideas del
gelogo Adam Sedgwick y el naturalista John Henslow.
1.3. ANTECEDENTES
Los primeros ejemplos de lo que hoy se podra llamar algoritmos genticos
aparecieron a finales de los 50 y principios de los 60, programados en
computadoras por bilogos evolutivos que buscaban explcitamente realizar
modelos de aspectos de la evolucin natural [28].
John Holland En los aos 50 entr en contacto con los primeros ordenadores,
donde pudo llevar a cabo algunas de sus ideas, aunque no se encontr con un
ambiente intelectual frtil para propagarlas. Fue a principios de los 60, en la
Universidad de Michigan en Ann Arbor, donde, dentro del grupo Logic of
Computers, sus ideas comenzaron a desarrollarse y a dar frutos. Y fue,
Por tanto, cuando Holland se enfrent a los algoritmos genticos, los objetivos
de su investigacin fueron dos [2]:
3.
En
las
poblaciones
en
cada
generacin
el
nmero
permanece
2. El organismo obtiene tales factores de sus padres, un factor por cada padre.
bilogos usan el trmino alelo para describir las formas alternativas de un gen
que controla la aparicin de una caracterstica dada.
prob que el
Los Algoritmos Evolutivos han emergido como una clase de bsqueda aleatoria
de varios puntos, concurrentemente, sobre un espacio de soluciones factibles;
los AEs requieren de mucho poder de cmputo y espacio de memoria lo cual
los hace interesantes para paralelizarlos. La paralelizacin del AE mejora
considerablemente tanto el desempeo del algoritmo como la calidad de las
soluciones reportadas debido a que se pueden manipular grandes espacios de
bsqueda y adems abarata los costes del hardware [7].
Los Algoritmos Evolutivos requieren que se les especifique la codificacin de
los individuos y una funcin de evaluacin que mida la aptitud de cada
individuo. La funcin de Aptitud es la gua que emplean estos algoritmos para
explorar de forma eficiente su amplio espacio de bsqueda de posibles
soluciones [7].
Los algoritmos evolutivos han sido amplia y exitosamente usados para diseos
de aplicaciones fuera de lnea. En el campo de la ingeniera de control de
sistemas, estas aplicaciones incluyen diseo de controladores, identificacin
de modelos, anlisis de estabilidad robusta, fiabilidad a de sistemas y
diagnostico de fallas [9].
porque
las
estructuras
modificables
son
complejas
su
Esta mezcla del material gentico permite que las especies evolucionen mucho
mas rpidamente de lo que lo haran si tuvieran slo la copia de los genes de
uno de sus progenitores [24].
En un algoritmo gentico, tras parametrizar el problema en una serie de
variables, (xi,...,xn) se codifican en un cromosoma. Todos los operadores
utilizados por un algoritmo gentico se aplicarn sobre estos cromosomas, o
sobre poblaciones de ellos [2].
Aunque no se sabe an de manera completa la informacin especfica
codificada en los cromosomas de un individuo, las siguientes propiedades
generales son aceptadas por todos los especialistas en el tema [15]:
algoritmo robusto, por ser til para cualquier problema, pero a la vez dbil, pues
no est especializado en ninguno [2].
Las soluciones codificadas en un cromosoma compiten para ver cul constituye
la mejor solucin (aunque no necesariamente la mejor de todas las soluciones
posibles). El ambiente, constituido por las otras camaradas soluciones, ejercer
una presin selectiva sobre la poblacin, de forma que slo los mejor
adaptados sobrevivan o leguen su material gentico a las siguientes
generaciones, igual que en la evolucin de las especies [2].
del
problema.
Esto
puede
llevar
usar
cromosomas
Padres (criadores)
0 1
Hijos (vstagos)
Cruce de mapeamiento parcial o Cruce por orden: toma una subsecuencia del
cromosoma del padre y procura preservar el orden relativo de los genes del
resto del cromosoma lo ms parecido posible de la madre. Se puede encontrar
en la bibliografa como OX [23].
Al igual que la cruce, la mutacin se maneja como un porcentaje que indica con
qu frecuencia se efectuar, aunque se distingue de la primera por ocurrir
mucho ms espordicamente (el porcentaje de cruce normalmente es de ms
del 60%, mientras que el de mutacin normalmente nunca supera el 5%) [26].
El operador de mutacin que se acaba de describir representa la denominada
mutacin clsica. Este operador tambin puede tener algunas variantes al
operador clsico [4].
1.7.2.2.1. Mutaciones sobre genes: Cuando un gen puede tomar ms de dos
valores (llamados tambin alelos), la mutacin se realiza cambiando el valor
actual por otro ms o menos parecido [4].
Por ejemplo
Cruce
C1
C2
H1 = C1 + (C1 C2 )
(1-1)
H 2 = C2 + (C2 C1 )
(1-2)
Hu =
C1 + C2
2
(1-3)
Mutacin
C1
H1 = C1 + f
Gradiente ascendente
H1 = C1 f
Gradiente descendente
se
selecciona
el
individuo
f
si f f es derivable. Si f no e
C
mutar
otro
que
difiera
f
fC fC1
= 1
C1
C1 C1
(1-4)
tomando
dos
componentes
(genes)
del
mismo
Se tiene que tener un balance entre una funcin que haga diferencias muy
grandes (y por lo tanto una convergencia prematura) y diferencias muy
pequeas (y por lo tanto un estancamiento).
La funcin de aptitud no es ms que la funcin objetivo de nuestro problema de
optimizacin. El algoritmo gentico nicamente maximiza, pero la minimizacin
puede realizarse fcilmente utilizando el recproco de la funcin maximizante
(debe cuidarse, por supuesto, que el recproco de la funcin no genere una
divisin por cero). Una caracterstica que debe tener esta funcin es que debe
ser capaz de "castigar" a las malas soluciones, y de "premiar" a las buenas, de
forma que sean estas ltimas las que se propaguen con mayor rapidez [26].
1.7.4. El teorema del esquema
Proporciona el fundamento terico de porqu los AG pueden resolver diversos
problemas. En su anlisis se considera el proceso de seleccin y los
operadores de cruce y mutacin.
Un esquema se construye utilizando un nuevo smbolo (*) para representar un
comodn (no importa) que puede aparear ambos valores (0 o 1). El esquema
11*00* representa las cadenas: 111001, 111000, 110001, 110000.
El orden de un esquema es el nmero de elementos que no son `*'' dentro del
esquema.
La longitud que define a un esquema es la distancia entre la primera posicin
fija y la ltima posicin fija.
El teorema dice que: Los esquemas pequeos de bajo orden arriba del
promedio reciben un incremento exponencial de representantes en las
siguientes generaciones de un algoritmo gentico [Holland 92]
El teorema del esquema caracteriza la evolucin de una poblacin en un
algoritmo gentico en trminos del nmero de elementos representando cada
esquema. Sea m(s, t) el numero de elementos del esquema s al tiempo t. El
1.7.5. Evaluacin
Durante la evaluacin, se decodifica el gen, convirtindose en una serie de
parmetros de un problema, se halla la solucin del problema a partir de esos
parmetros, y se le da una puntuacin a esa solucin en funcin de lo cerca
que est de la mejor solucin. A esta puntuacin se le llama fitness [2].
El fitness determina siempre los cromosomas que se van a reproducir, y
aquellos que se van a eliminar, pero hay varias formas de considerarlo para
seleccionar la poblacin de la siguiente generacin [2].
Una vez evaluado el fitness, se tiene que crear la nueva poblacin teniendo en
cuenta que los buenos rasgos de los mejores se transmitan a esta. Para ello,
hay que seleccionar a una serie de individuos encargados de tan ardua tarea.
1.7.6. Mtodos de seleccin
El mecanismo de seleccin permite orientar la bsqueda a aquellos puntos ms
promisorios con la mayor adaptacin observada hasta el momento. La
Seleccin
generacional:
la
descendencia
de
los
individuos
una
evaluacin
de
aptitud
ms
rigurosa
i=
fi
(1-5)
fj
j =0
Donde:
n : tamao de la poblacin
f: funcin de aptitud
1.7.7. Mecanismos de Reemplazo
Reemplazo directo
Los progenitores son reemplazados directamente por sus descendientes.
Obviamente, este criterio solo puede usarse si s < n [4].
Reemplazo por similitud
Cada descendiente reemplaza aquel miembro de la poblacin que ms se le
asemeja. Al igual que en el caso directo, debe cumplirse que s < n [4].
Reemplazo por insercin (,)
Este criterio puede usarse con variacin segn la relacin entre s y n [4]:
Si s
Para ello, en primer lugar (y una vez codificados los miembros de la poblacin
Inicial), se evala su idoneidad y se seleccionan los mejores cromosomas.
Algunos de estos individuos seleccionados sufren ciertas alteraciones por la
accin de diferentes operadores genticos encargados de introducir nuevos
elementos en la poblacin. En los algoritmos genticos clsicos, dos son los
operadores genticos a destacar: el cruce y la mutacin [24].
La razn del creciente inters por los algoritmos genticos es que estos son un
mtodo global y robusto de bsqueda de las soluciones de problemas. La
principal ventaja de estas caractersticas es el equilibrio alcanzado entre la
eficiencia y eficacia para resolver diferentes y muy complejos problemas de
grandes dimensiones [24].
Dado que el algoritmo gentico opera con una poblacin en cada iteracin, se
espera que el mtodo converja de modo que al final del proceso la poblacin
sea muy similar, y en el infinito se reduzca a un slo individuo [6].
Funcin de adaptacin.
Operadores genticos.
Criterios de reemplazo.
los AGs no saben nada de los problemas que deben resolver [28].
puede
alterarse
el
desarrollo
de
esquemas
0/
0/
1/
1/
A
1/
Figura 1.4. Maquina de estados finitos de tres estados (A,B,C), dos Smbolos de entrada
(0,1) y tres smbolos de salida
una
ms
subrutinas
que
pueden
referenciarse
la
prctica,
tanto
las
funciones
como
los
smbolos
pueden
+
I
F
3
>
TIME
10
0.23
X
(a)
*
0.78
(b)
0.31
4
0.23
0.78
(a)
(b)
Z
0.31
F
3
>
TIME
10
de este tipo de sistemas son: Evolver (Axcelis, Inc.) y XpertRule GenAsys (Attar
Software).
2) Sistemas Orientados a los algoritmos: Soportan algoritmos genticos
especficos, y suelen subdividirse en:
Sistemas de uso especfico
Bibliotecas
En estos sistemas se proporciona el cdigo fuente para que el usuario
(normalmente un programador) pueda incluir el algoritmo gentico en sus
propias aplicaciones.
3)
Cajas
de
Herramientas:
Proporcionan
muchas
herramientas
de
Tipo gen
Los aspectos de tipo gen sern aquellos que, como los genes, son
diferentes dentro de un mismo individuo.
Tipo individuo
Tipo isla
Los aspectos de tipo isla son aquellos que son iguales para un subconjunto
de individuos; de ms de uno, pero sin llegar al total.
Tipo poblacin
Los aspectos de tipo poblacin son los que deben ser iguales para toda la
poblacin.
1.14. Robustez de los Mtodos de Optimizacin y Bsqueda Tradicionales
Captulo 2
Controladores PID
2.1. Introduccin
Hoy en da, a pesar de la abundancia de sofisticadas herramientas y mtodos
avanzados de control, el controlador PID es an el ms ampliamente utilizado
en la industria moderna, controlando ms del 95% de los procesos industriales
en lazo cerrado.
Para analizar las acciones bsicas de control que utilizan los controladores
analgicos industriales primero se har una clasificacin de los controladores
analgicos industriales [32].
4. proporcionales- integrales
5. proporcionales- derivativos
6. proporcionales- integrales-derivativos
Controlador automtico
Detector de errores
Entrada
De referencia
Salida
+
amplificador
Punto
De ajuste
Actuador
Planta
Seal
De error
Sensor
(2-1)
(2-2)
Las figuras 2.2(a) y 2.2(b) muestran los diagramas de bloques para dos
controladores de dos posiciones. El rango en que debe moverse la seal de
error antes de que ocurra la conmutacin se denomina brecha diferencial. En la
figura 2.2(b) puede observar una brecha diferencial. Tal brecha provoca que la
salida del controlador u(t) conserve su valor presente hasta que la seal de
error se halla desplazado ligeramente mas all de cero. En algunos casos, la
brecha diferencial es el resultado de una friccin no intencionada y de un
movimiento perdido; sin embargo, con frecuencia se provoca de manera
intencional para evitar una operacin demasiado frecuente del mecanismo de
encendido y apagado [32].
e
+
U1
U2
Brecha
e
+
U1
U2
U(t)= Kpe(t)
(2-3)
U ( s)
= Kp
E ( s)
(2-4)
E(s)
))
U(s)
))
Kp
du (t )
= K i e(t )
dt
(2-5)
O bien
u (t ) = k i e(t )dt
(2-6)
U ( s ) ki
=
E (s) s
(2-7)
Si se duplica el valor de e(t), el valor de u(t) varia dos veces mas rpido. Para
un error de cero, el valor de u(t) permanece estacionario. En ocasiones, la
accin de control integral se denomina control de reajuste (reset). En la figura
2.4 se muestra un diagrama en bloques de este controlador [32].
E(s)
))
+
Ki
s
U(s)
u (t ) = k p e(t ) +
kp
Ti
e(t )dt
(2-8)
U ( s)
1
= k p 1 +
E ( s)
Ti s
(2-9)
E(s)
))
+
K p (1 + Ti s )
U(s)
Ti s
Escaln
E(t)
))))
Accin de
Control PD
u(t)
)
(Solo proporcional)
K
0
u (t ) = k p e(t ) + k p Td
de(t )
dt
(2-10)
Y la funcin de transferencia es
U ( s)
= k p (1 + Td s )
E (s)
(2-11)
E(s)
U(s)
K p (1 + Td s )
))
)))
Rampa
E(t)
)
0
Figura 2.9. Entrada rampa unitaria
Accin de
Control PD
u(t)
(Solo proporcional)
0
u (t ) = k p e(t ) +
kp
Ti
e(t )dt + k
Td
de(t )
dt
(2-12)
O la funcin de transferencia es
U ( s)
1
= k p 1 +
+ Td s
E ( s)
Td s
(2-13)
E(s)
))
+
K p 1 + Ti s + TiTd s
U(s)
))
Ti s
Con un control proporcional, es necesario que exista error para tener una
accin de control distinta de cero. Con accin integral, un error pequeo
positivo siempre dar una accin de control creciente, y si fuera negativo la
seal de control ser decreciente. Este razonamiento sencillo muestra que el
error en rgimen permanente ser siempre cero.
E(t)
))
u(t)
Figura 2.12. Graficas de las curvas e(t) y u(t) que muestran una seal de control
Diferente de cero cuando la seal de error es cero (control integral)
E(t)
U(t)
Figura 2.13. Graficas de las curvas e(t) y u(t) que muestran una seal de control
De cero cuando la seal de error es cero (control proporcional).
2.4.1. Control PID de plantas: la figura 2.14 muestra el control PID de una
planta. Si se puede obtener un modelo matemtico de la planta, es posible
aplicar diversas tcnicas de diseo con el fin de determinar los parmetros del
controlador que cumpla las especificaciones en estado transitorio y en estado
estable del sistema en lazo cerrado. Sin embargo, si la planta es tan
complicada que no es fcil obtener su modelo matemtico, tampoco es posible
un enfoque analtico para el diseo de un controlador PID. En este caso se
debe recurrir a los enfoques experimentales para la sintonizacin de los
controladores PID [32].
1
k p 1 +
+ Td s
Ti s
Planta
El proceso de seleccionar los parmetros del controlador que cumplan con las
especificaciones de desempeo se conoce como sintonizacin del controlador.
Ziegler y Nichols sugirieron mas reglas para sintonizar los controladores PID.
(Lo cual significa establecer valores Kp, Ti Y Td) con base en las respuestas
escaln experimentales o basadas en el valor de Kp que se produce en la
estabilidad marginal cuando solo se usa la accin de control proporcional [32].
1
planta
aA
u(t)
e(t)
C(t)
K
Lnea tangente el
Punto de inflexin
t
L
Tipo de
controlador
Kp
Ti
Td
T
L
PI
PID
0.9
T
L
L
0.3
1. 2
T
L
2L
0.5 L
R(t)
U(t)
+-
Planta
C(t)
c(t)
Pc
Tipo de
Kp
Ti
Td
controlador
0
0.5 K cr
PI
0.45 K cr
1
Pcr
1. 2
PIDS
0.6 K cr
0.5 Pcr
0.125 Pcr
c( s ) =
p( s )
L( s )
G0 (s) =
B0 ( s)
A0 ( s)
(2-14)
U(s)
)
R(s)
)
PID
Y(s)
G(s)
Ejemplo:
Sea el modelo nominal de una planta dada y un controlador de la forma:
G0 (s ) =
1
s + 3s + 2
c( s ) =
(2-15)
P( s)
L(s )
Se puede ver que Alc = A0(s)L(s) + B0(s)P(s) = (s2 + 3s + 2)(l1s + l0) + (p1s +
p0). Si se igualan los coeficientes se obtiene
el siguiente sistema de
ecuaciones:
1
3
0
1
3
2
0
0
2
0
0
0
0
l0 1
l 3
1 =
p0 3
p1 1
(2-16)
nica: l1 = 1, l0 = 0, p1 = 1 y p0 = 1. As el polinomio
s +1
s
(2-17)
(2-18)
(2-19)
(2-20)
Se dice que A(s) y B(s) son coprimos, es decir que no tienen factores en
comn o races, si y solo si det(Me)
0 [31].
(2-21)
ki
s
(2-22)
C PID ( s) = k p +
ki
k s
+ d
s Ds + 1
(2-23)
(2-24)
kp =
n1d1 + n0d 2
d12
(2-25)
ki =
n0
d1
(2-26)
n2d12 n1d1d 2 + n0 d 22
kd =
d13
D =
d2
d1
(2-27)
(2-28)
Td
1 + Td s
donde el valor de
(2-29)
Perturbacin
D(s)
Salida
(s)
Entrada de
Referencia R(s)
Controlador
PID
+
+
Planta
Gp(s)
Ruido
N(s)
+
+
D(s)
1
R(s)
E(s)
+
1
Ti s
Kp
U(s)
Y(s)
Gp(s)
B(s)
Td
+
+
Figura23.21. Diagrama en bloques equivalente.
2.5.1. Control PI-D para evitar el fenmeno de reaccin del punto de ajuste,
se pretende operar la accin derivativa solo en la trayectoria de realimentacin,
a fin de que la diferenciacin ocurra nicamente la seal de realimentacin y no
en la seal de referencia. El esquema de control ordenado de esta forma se
denomina PI-D. La figura 2.22 muestra un sistema con un control PI-D.
D(s)
1
R(s)
E(s)
1
Ti s
+
-
Kp
U(s)
Y(s)
Gp(s)
B(s)
Td
B(s)
N(s)
D(s)
R(s)
U(s)
1
Ti s
Kp
Y(s)
Gp(s)
B(s)
Tds
B(s)
N(s)
1
0
0.1
0
-0.1
1
0.
0
0
Figura 2.24. Ilustracin de integral windup.
Captulo 3
Discretizacin de sistemas y linealizacin de
sistemas no lineales
3.1. Linealizacin de sistemas no lineales
ultimo solo esta definido estrictamente para sistemas lineales invariantes con
el tiempo. Como ejemplo, considere las siguientes ecuaciones no lineales [33]:
dx1 (t )
= x1 (t ) + x22 (t )
dt
(3-1)
dx2 (t )
= x1 (t ) + r (t )
dt
(3-2)
(3-3)
f i ( x, r )
x j
j =1
En donde i = 1,2,, n
f i ( x, r )
rj
j =1
p
x&i (t ) = fi ( x0 , r0 ) +
( x j x0 j ) +
x 0 , r0
(rj r0 j )
x 0 , r0
(3-4)
Sea:
xi = xi xoi
(3-5)
y
rj = r j r0 j
(3-6)
Entonces
x&i = x&i x&0i
(3-7)
Ya que
x&0i = f i ( x0 , r0 )
(3-8)
f i ( x, r )
x j
j =1
f i ( x, r )
rj
j =1
p
x&i =
x& j +
x 0 , r0
r j
(3-9)
x 0 , r0
(3-10)
En donde:
f1
x
1
f 2
A* = x
1
.
f
n
x1
f1
x2
f 2
x2
.
f n
x2
f1
xn
f 2
...
xn
... .
f n
...
xn
...
(3-11)
f1
r
1
f 2
B* = r
1
.
f
n
r1
f1
r2
f 2
r2
.
f n
r2
f1
rn
f 2
...
rn
... .
f n
...
rn
...
(3-12)
Existen tres tcnicas fundamentales, cada una de ellas con distintos mtodos o
variantes.
(I)
transformaciones s = f (Z )
Propiedades y comentarios
G (Z )
Ki
s
(3-13)
df (t )
1
= ( f (kT ) f [(k 1)T ])
dt t = kT T
(3-14)
F (Z )
TZ
dt t = kT T
(3-15)
Z 1
TZ
(3-16)
T
{ f (kT ) + f [(k 1)T ]}
2
(3-17)
Donde el rea bajo f (t ) para (k 1)T t < kT se aproxima mediante el rea del
trapezoide en el intervalo. Tomando la transformada Z en ambos miembros de
la ecuacin 3-17, se tiene la funcin de transferencia del integrador digital como
[33]:
Gi ( z ) = K i
U ( z ) K iT ( Z + 1)
=
f ( z)
2(Z 1)
(3-18)
(K
Gc( z ) =
+ TK i / 2 + K D / T )Z 2 + (TK I / 2 K p 2 K D / T )Z + K D / T
Z ( Z 1)
(3-19)
(3-20)
Gi ( z ) = K i
Gc( z ) =
U ( z)
K TZ
= i
f ( z ) (Z 1)
(3-21)
(K P + K D / T + TK I )Z 2 (K p + 2 K D / T )Z + K D / T
Z ( Z 1)
(3-22)
(3-23)
Gi ( z ) = K i
Gc( z ) =
U ( z)
K iT
=
f ( z ) (Z 1)
(K
(3-24)
+ K D / T )Z 2 + (TK I K p 2 K D / T )Z + K D / T
(3-25)
Z (Z 1)
Gc( z ) =
(K
+ K D / T )Z K D / T
Z
(3-26)
dependiendo
de la
naturaleza
del
ndice
de
desempeo
al seleccionar el ndice de
se origine
2.
3.
restricciones en el problema
4.
ndice de desempeo
5.
1.
2.
3.
4.
Las cuestiones que tienen que ver con la existencia de un vector de control
ptimo son importantes, ya que sirven para informar al diseador si un control
ptimo es posible o no para un sistema determinado y dado un conjunto de
restricciones. Dos de las ecuaciones ms importantes son aquellas acerca de
la controlabilidad y observabilidad.
3.2.2.3. Notas acerca de los sistemas de control ptimo.
Captulo 4
Estado del arte de los algoritmos evolutivos y su
uso para controladores PID
4.1. Aplicaciones de la programacin gentica.
Si las
Aplico
y reportando algunos
de
olor
artificial.
La
actuacin
de
su
habilidad
del
reconocimiento [30].
para
del
cerebro
para
resolver
problemas
matemticamente
saturacin,
En general, hay dos enfoques para lograr el control de alta precisin de la tabla
X-Y. Primero, nosotros podemos disear y podemos hacer una tabla X-Y ms
precisa que no tiene la no linealidad anteriormente expresada. Por ejemplo,
nosotros podemos reemplazar los rumbos de la pelota usados en la tabla X-Y
con los rumbos areos quitar las condiciones de friccin. Este acercamiento,
sin embargo, puede llevar a un costo alto para el Sistema global. El otro
acercamiento es disear una ley de control ms compleja que puede lograr los
objetivos de control de alta precisin. Recientemente, las mejoras rpidas en el
microprocesador le han hecho posible para comprenderla ley del
control
propuso un esquema de
Por otro lado, los mtodos de control basados en fuzzy son tiles cuando las
formulaciones matemticas precisas no son factibles. Sin embargo, los
incierta.
Sin
embargo,
la
entrada
de
retroalimentacin
por
Anteriormente los AEs eran utilizados como una alternativa para sintonizar
controladores proporciona-integral derivativo (PID). Oliveira uso un AG
estndar para determinar las estimaciones iniciales para los valores de los
parmetros de los PID. Ellos aplicaron su metodologa para una variedad de
clases de sistemas lineales invariantes en el tiempo (LTI), abarcando fase
mnima, fase no mnima y sistemas inestables.
En una investigacin
Las aplicaciones en lnea presentan un particular desafo para los AE. Las
aplicaciones exitosas en este campo han sido algo limitadas para la fecha. Es
importante que una seal de control apropiada se provea a cada instante de
muestreo. Las acciones del mejor individuo actual del AE pueden infligir
consecuencias severas en el proceso. Esto en inaceptable en la mayora de las
aplicaciones, sobre todo en el caso de una seguridad o misin critica del
sistema.
Dado que esto no sea posible para aplicar los valores representados por
cualquier individuo en una poblacin para el sistema, est claro que la
evaluacin de la completa, evolucin, la poblacin no puede desempearse en
el proceso real. La poblacin puede ser evaluada usando un modelo del
proceso, asumiendo que existe un modelo semejante, o el desempeo puede
ser inferido de la respuesta del sistema para una seal de entrada actual. La
inferencia tambin puede usarse como un mecanismo para reducir los
requisitos del proceso haciendo un nmero grande de evaluaciones y entonces
computando las estimaciones para el resto de la poblacin basada en estos
resultados. En aplicaciones en tiempo real hay un lmite importante de tiempo
para el cual una optimizacin puede ser ejecutada entre puntos de decisin.
Los AEs pueden oponerse con vistas de tiempo variable, pero una reciente
tendencia de los AEs puede ser requerida. En esta instancia, la poblacin
inicial puede ser difundida con previas soluciones buenas. Note que esto no
garantiza la convergencia rpida e incluso puede llevar a la convergencia
prematura.
Hay tres amplias aproximaciones para el uso de AEs para control en lnea:
4.4.1. Estabilidad
especfico. Tambin debe notarse que los parmetros del AG (el tamao de la
poblacin, la probabilidad de la mutacin, y etc.) requieran sintonizacin para
los beneficios extendidos de los algoritmos a ser realizado.
incorporarse si as se desea.
El potencial del AG slo est empezando a ser efectuado en esta arena. Los
AGs tambin son capaces de soportar mltiplos, contrastando, soluciones a un
problema simultneamente. Esto le proporciona un grado mayor de opcin y
flexibilidad al diseador.
Hay tambin la
pregunta cmo se evaluarn los individuos si ningn modelo del proceso est
disponible (como puede ser bien el caso). Alguna teora de apoyo existe para
los algoritmos genticos, pero es improbable demostrar suficiente para ganar la
aprobacin de agencias de las normas. Mucho cuidado habra, claramente, se
necesite para el sistema crtico.
Captulo 5
Sintonizacin de controladores PID utilizando
algoritmos evolutivos
5.1. Sistema mecnico: masa resorte
m&y& + by& + ky = u
x& = Ax + Bu
(5-1)
(5-2)
De la ecuacin 5-1
m&y& = by& ky + u
b
k
1
&y& = y& y + u (1)
m
m
m
(5-3)
La ecuacin de salida es
x1
y = (1 0)
x2
(5-4)
x&1 = x2
x&2 =
(5-5)
b
k
1
x2 x1 + u
m
m
m
(5-6)
x&1 0
k
=
&
x
2 m
1 x 0
b 1 + 1 u
x2
m m
(5-7)
(5-8)
1
b
m
(5-9)
0
B = 1
m
(5-10)
C = [1 0]
(5-11)
D=0
(5-12)
0
s
m
1 s
b = k
m m
1
b
s+
m
(5-13)
1
s +
m
s
adjA m
1
(SI A) =
=
b
k
A
s2 + s +
m
m
(5-14)
Sustituyendo en 5-8
b
s+
1 0
1
m
1
G ( s ) = (1 0)
k
b
k
s m
s 2 + s +
m
m m
(5-15)
G( s) =
b
1
01
s
+
1
b
k
m
s2 + s +
m
m
m
G( s) =
1
1
m s2 + b s + k
m
m
(5-16)
(5-17)
1
ms + bs + k
(5-18)
(5-19)
0
AB = k
1 0
b 1
m m
(5-20)
0
Det s =
1
m = 1
b
m2
2
m
(5-21)
C = (1 0 )
0
CA = (1 0) k
(5-23)
1
b = (0 1)
m
(5-24)
1 0
= 1
Det v =
0 1
(5-25)
El sistema es observable
Tomando m =2
b =4
k =5
Reemplazando en la ecuacin
G( s) =
(5-18)
Y ( s)
0.5
=
s + 2 s + 2.5 U (s)
(5-26)
(5-27)
(5-28)
T
T
(5-29)
(5-31)
Tomando
(5-32)
(5-33)
Despejando y (k )
(5-34)
(5-35)
Al expresar en funcin de Z
y (Z ) = 0.00408U ( Z ) + 1.796 yZ 1Y ( Z ) 0.816Z 2Y ( Z )
(5-36)
(5-37)
Y (Z )
0.00408
=
U ( Z ) 1 1.79 Z 1 + 0.816Z 2
(5-38)
Y (Z )
0.00408Z 2
=
U ( Z ) Z 2 1.79 Z + 0.816
(5-39)
Gs =
CP
1 + CP
(5-40)
K e( s ) TD e( s )
U (s ) = K P e(s ) + I
+
TI s
s + 1
(5-41)
KI
+ Kd s
s
(5-42)
C ( s) = K P +
KDs2 + KP s + KI
C (s ) =
s
(5-43)
s
s + 2 s + 2. 5
Gs =
K s 2 + K P s + K I
0.5
2
1 + D
s + 2s + 2.5
0.5 K D s 2 + K P s + K I
2
2
2
.
5
s
s
s
+
+
Gs = 3
s + 2 s 2 + 2.5s + 0.5 K D s 2 + 0.5 K P s + 0.5K I
s s 2 + 2 s + 2.5
(5-44)
(5-45)
(5-46)
(5-47)
Donde es el amortiguamiento
wn Frecuencia natural no amortiguada.
Para esto
1 = wn
(5-48)
= 0.5
(5-49)
Despejando wn
wn =
wd =
(s
1
=2
0.5
(5-50)
( 1 )w
2
= 0.866
(5-51)
+ 2s + 4 (s + 1) = s 3 + 2 s 2 + 4 s + s 2 + 2 s + 4
s 3 + 3s 2 + 6 s + 4
(5-52)
(5-53)
2 + KD = 3
(5-54)
despejando
KD = 1
2.5 + 0.5K P = 6
(5-55)
KP = 7
0.5 K I = 4
(5-56)
KI = 8
de integracin
(K
Gc( z ) =
+ TK i / 2 + K D / T )Z 2 + (TK I / 2 K p 2 K D / T )Z + K D / T
Z ( Z 1)
(5-57)
Gc( z ) =
Al realizar lo clculos
Gc( z ) =
(Z
17.4 Z 2 26.6 Z + 10 U ( Z )
=
Z ( Z 1)
e( Z )
(5-59)
Z U (Z ) = 17.4 Z 2 26.6Z + 10 e( Z )
(5-60)
Despejando U (Z )
(1 Z )U (Z ) = (17.4 26.6Z
1
+ 10Z 2 e(Z )
(5-61)
(5-62)
Expresando en funcin de K
(5-63)
(5-64)
y1, y 2, ek , ek1, ek 2, u1, t , alfa, tol , sp , a, b, k Son los valores de entrada del algoritmo
kd1, kp1, ki1 Son las constantes del controlador para el sistema masa- resorte
m Es un vector para crear las segundas constantes del sistema
h Es la variable que contabiliza el tiempo
Para validar el algoritmo se incluir las cuantificaciones del sistema masaresorte ya descrito. Primero se simulara con todos los valores iguales a cero
por lo que el sistema se estabiliza en cero como se puede ver en la figura 5.4.
Ahora las condiciones iniciales permanecen excepto el set point que se cambia
a 1, por lo que se espera que el sistema estabilice en este valor como se
observa en la figura 5.5.
El circuito de la figura 5.12 esta formado por una inductancia L (henry), una
resistencia R (ohm), y una capacitancia C (farad). Aplicando la ley de voltaje
de Kirchhoff al sistema, se obtiene las ecuaciones:
di
1
+ Ri + idt = ei
dt
C
1
idt = e0
C
(5-65)
(5-66)
e0 ( s)
1
=
2
ei (s) LCs + RCs + 1
(5-67)
G( s) =
C =2
1
2s + 8s + 1
2
L =1
(5-68)
(5-69)
(5-70)
K P = 11
KI = 9
K D = 4
Entonces el controlador en forma discreta resulta
G(Z ) =
28.55Z 2 + 69.45Z 40
Z2 Z
(5-71)
(5-72)
Li = Ri + v(t )
(5-73)
Ci 2
m&x& = mg fm = mg
x
(5-74)
x&1
x& = g
2 X
x&3
0
1
0
0
0
mXg
2C
C
mX
R
x1 0
x + 0
2 1
x3
L
x
c = [0 1 0] x2
x3
(5-75)
(5-76)
4Cg
mXL3
(5-77)
V =
mgX
C
2
mX L
2CRg
(5-78)
Entonces
G( s) =
1
R
g
Rg
s + s2 s
L
X
LX
3
mgX
C
mXL
2Cs
(5-79)
g = 90
C = 40
m = 30
X =5
L = 25
R = 50
0.691918s
s + 2s 2 18s 81.81
(5-80)
Discretizando la planta
G( Z ) =
0.003919 Z 3 Z 2
0.93819 Z 3 3.22 Z 2 + 3.2 Z 1
(5-81)
y(k) = 0.004177
U(k) + 0.004177
U(k 1) + 3.4321y(k 1) 3.4108y(k 2) +1.0658y(k 3) (5-82)
K D = 10.2062
K I = 300.598
K P = 109.7167
G(Z ) =
(5-83)
(5-84)
Los nombres de las variables, descripciones, los valores del estado estable
estndar, y las unidades manejadas se muestran en la tabla 5-1. El solvente es
el agua y el soluto es el no voltil.
Variable
Descripcin
Valor
Unidad
F1
Flujo de alimentacin
10.0
Kg/min
F2
2.0
Kg/min
F3
Flujo de recirculacin
510.0
Kg/min
F4
Flujo de vapor
8.0
Kg/min
F5
Flujo de condensacin
8.0
Kg/min
X1
Composicin de alimentacin
5.0
Porcentaje
X2
25.0
Porcentaje
T1
Temperatura de alimentacin
40.0
Grados C
T2
84.6
Grados C
T3
Temperatura de vapor
80.6
Kg/min
L2
1.
Metros
P2
Presin de operacin
50.5
kPa
F100
Flujo de vapor
5.3
Kg/min
T100
Temperatura de vapor
119.9
Kg/min
P100
Presin de vapor
194.7
kPa
Q100
Ciclo de calentamiento
539.0
kW
F200
208.0
Kg/min
T200
Temperatura de agua de
25.0
Grados C
46.1
Grados C
enfriamiento
T201
Q200
Ciclo de condensacin
307.9
kW
AdL 2 / dt = F1 F 4 F 2
(5-85)
(5-86)
(5-87)
El lquido del proceso se asume para existir en este punto de ebullicin y ser
mezclado perfectamente (asistido por la tasa alta de circulacin).
(5-88)
(5-89)
La dinmica del balance de energa es asumida para ser muy rpida as que:
F 4 = (Q100 F1C p (T 2 T 1)) /
(5-90)
(5-91)
(5-92)
UA1 = 0.16( F1 + F 3)
(5-93)
(5-94)
La dinmica dentro de la envoltura del vapor ha sido asumida para ser muy
rpida.
5.4.7. Condensador
(5-95)
(5-96)
Estas dos ecuaciones pueden ser combinadas para eliminar T 201 para dar
explcitamente:
Q 200 =
UA2(T 3 T 200)
1 + UA2 /(2C p F 200)
(5-97)
Sigue que:
T 201 = T 200 + Q 200 /( F 200C p )
(5-98)
F 5 = Q 200 /
(5-99)
La dinmica dentro del condensador ha sido asumida para ser muy rpida.
(5-100)
(5-101)
( SI A) x = Bu + Dd
(5-102)
Despejando x
x = (SI A) [Bu + Dd ]
1
(5-103)
Despejando y
y = C (SI A) [Bu + Dd ]
1
(5-104)
y = C (SI A) Bu + C (SI A) Dd
1
(5-105)
A = 0
0. 1
0
(5-106)
0.37266
0
0. 1
B = .01
0
0
0
0.36914 101 0.75272 10 2
(5-107)
1 0 0
C = 0 1 0
0 0 1
(5-108)
0.36676
0.38605
D=
0
0.1
0.36302 0.32268 10 2
0.3636 10 1
0.1
0
0 0.35972 10 2
0
(5-109)
1
0.17785 10
0
s 0 0 0
0. 1
SI A = 0 s 0 0
0
(5-110)
SI A = 0
s + 0.1
0 0.10340 101
1
s + 0.54738 10
0.37935
(5-111)
(SI A)1 =
Adj (SAI A)
SI A
(5-112)
SI A = s
1
0.10340 10
)(
(5-114)
A11 =
s + 0.1
0.10340 10
0
= (s + 0.1) s + 0.54738 10 1
s + 0.54738 101
(5-115)
(5-116)
A12 =
0
0
=0
0 s + 0.54738 10 1
(5-117)
A13 =
s + 0.1
0
=0
0 s + 0.10340 101
(5-118)
A21 =
0.10445
0.10340 10
0.37935
1
s + 0.54738 10
(
(
1
( 0.37935) 0.10340 10
0.37935
s
= s 2 + 0.54738 101 s
1
0 s + 0.054738 10
A23 =
A31 =
(5-122)
0.10445 0.37935
= [(s + 0.1)( 0.37935)] = 0.37935s + 0.037935(5-123)
s + 0.1
0
A32 =
A33 =
0.10445
s
= 0.10340 101 s
0 0.10340 1014
(5-121)
s 0.37935
=0
0
0
s 0.10445
= s (s + 0.1) = s 2 + 0.1s
0
s + 0.1
(5-124)
(5-125)
Matriz de cofactores
s 2 + 0.154738s + 0.0054738
0
0
2
1
1
Mc = 0.10445s + 0.0017949051 s + 0.54738 10 s 0.10340 10 s (5-126)
0.37935s 0.037935
0
s 2 + 0.1s
Transponiendo la matriz
s 2 + 0.154738 s 0.0054738
Adj ( SI A) =
0
0.10445 s + 0 .0017949051
1
s + 0.54738 10 s
0 .10340 10 1 s
2
0.37935 s + 0 .037935
(5-127)
0
s 2 + 0.1s
C ( SI A) 1 =
0
s 2 + 0.54738 101 s
0
2
1
0
0
.
10340
10
s
s
0
.
1
s
s3 + 0.154738s 2 + 0.0054738s
(5-128)
C ( SI A) 1 B =
0
.
1
s
0
.
0054
s
0
0
0.001034 s
0.36914 101 s 2 + 0.0036s 0.752 10 2 s 2 0.00075 (5-129)
s 3 + 0.154738s 2 + 0.0054738s
(5-130)
Simplificando
p2 (s )
s (0.36914 101 s + 0.0036914)
=
p100 (s ) s ( s 2 + 0.154738s + 0.0054738)
(5-131)
Y en forma discreta es
y( Z )
0.00365Z 2 0.006914Z
=
U ( Z ) 1.015528Z 2 2.01547 Z 1
(5-132)
s 2 + 0.154738s + 0.0054738
s1 = 0.1
s2 = 0.0054738
(5-134)
K P = 1.4828
K I = 0.008125
K D = 0.674
G(Z ) =
(5-135)
(5-136)
2
2
s
s
s
s
0
0
.
1
0
.
0054
0
.
1
0
.
0054
0
0
+
+
2
2
2
2
2
1
2
0.36302s + 0.03630s
0.322 10 s 0.00071s
0.359 10 s + 0.000359 s
0.17 10 s + 0.0017 s
0.00103s
s 3 + 0.154738s 2 + 0.0054738s
Tomando la perturbacin
p2 ( s )
0.36302s 2 + 0.036302s
=
F 3( s ) s 3 + 0.154738s 2 + 0.0054378s
(5-137)
Discretizando la funcin
p2 ( Z ) 0.03593Z 2 0.0036302 Z
=
F 3(Z ) 1.01552Z 2 2.0154 Z + 1
(5-138)
Para el trabajo del algoritmo fuera de lnea se hace con pocos individuos y se
comienza con una poblacin aleatoria, donde la funcin objetivo tambin es
minimizar el error y el criterio de para es el tiempo. Ahora el mejor individuo no
es cambiado en cada generacin, sino que los datos van siendo almacenados
y luego de terminadas las iteraciones a los dos mejores individuos se le aplican
los operadores de mutacin y cruce para obtener el nuevo para ser
reemplazado por el peor. En este caso tambin se prueba con los sistemas ya
descritos.
5.5.1. Sistema mecnico: masa resorte
KD = 1
KI = 8
KP = 7
K D1 = 1.0889
K I 1 = 8.1584
K P1 = 7.1231
K P = 11
KI = 9
K D = 4
K P1 = 11.0406
K I 1 = 9.0397
K D1 = 3.9722
K D = 10.2062
K I = 300.598
K P = 109.7167
K D1 = 10.2031
K I 1 = 300.5090
K P1 = 109.4673
K P = 1.4828
K I = 0.008125
K D = 0.674
K P1 = 1.5878
K I 1 = 0.0487
K D1 = 0.8084
Documentacin en Internet
$ 100.000
Fotocopias
$ 100.000
Impresiones
$ 100.000
$ 200.000
TOTAL
$ 500.000
Los recursos utilizados para cubrir los gastos de la elaboracin de este trabajo
fueron de recursos propios.
7. ANLISIS DE LEGALIDAD
8. INFLUENCIA AMBIENTAL
CONCLUSIONES
Vale la pena recalcar, que una de las ventajas novedosas del enfoque
de sintonizacin propuesto est en permitir la continuacin de la
operacin de la planta, an ante la presencia de perturbaciones o fallas
en la misma.
RECOMENDACIONES
probabilidad de mutacin
BIBLIOGRAFIA
[6]
yo@alfredorahn.com,
yelitzayoleth@mipunto.com
.AG_Bivariado.pdf
Septiembre de 2003
Pablo
Estvez
valencia.
Chile,
agosto
1997.
pestevez@tamarugo.cec.uchile.cl. optimizacion.pdf
[13] Computacin Evolutiva
eXactas_org
La Universidad Evolutiva_
[17]
Publicado
Friday
17
de
October
de
2003
http://www.ilustrados.com/publicaciones/EpyyupVuyulSAOLqUy.php
[21]
1997
Lucas
Morea
Sinexi
S.A
http://www.monografias.com/trabajos/reproduccion/reproduccion.shtml
ANEXO