Instituto Tecnolgico de Celaya Departamento de Ingeniera Mecatrnica Tarea 1

Alejandro Gonzlez Martnez, nemesisisemen@hotmail.com

Tcnicas de control no lineal

Un sistema de control no-lineal es aquel que tenga al menos un componente no-lineal; un componente es no-lineal si no cumple con las propiedades de homogeneidad o superposicin. Los sistemas de control prcticamente siempre presentan no-linealidades inevitables, llamadas inherentes. Las siguientes son ejemplos de las ms frecuentes de ellas: Saturacin Zona muerta Histresis Todo-nada Juego o Huelgo Friccin esttica, friccin de Coulomb, etc. Resorte no-lineal Compresibilidad de fluido Producto de variables, raz, polinomio, funcin trigonomtrica, etc. La presencia de alguna de estas no-linealidades puede afectar muy adversamente el comportamiento del sistema. As, la zona muerta puede producir error de rgimen estable, y la saturacin a su vez puede llevarlo a la inestabilidad.

Tcnicas de control ptimo

El control ptimo es una tcnica matemtica usada para resolver problemas de optimizacin en sistemas que evolucionan en el tiempo y que son susceptibles de ser influenciados por fuerzas externas. Pueden ser sistemas que evolucionan en el tiempo el cuerpo humano y el sistema econmico. Una vez que el problema ha sido resuelto el control ptimo nos da una senda de comportamiento para las variables de control, es decir, nos indica qu acciones se deben seguir para poder llevar a la totalidad del sistema de un estado inicial a uno final de forma ptima. Hay diversas formulaciones del problema de control ptimo, que varan dependiendo del criterio de optimalidad, del tipo de dominio de tiempo (continuo o discreto), de la presencia de diversos tipos de restricciones, y de qu variables estn libres. La formulacin de un problema de control ptimo requiere en general: Definir el modelo matemtico del sistema controlado, Especificar el criterio de optimalidad, Especificar las condiciones de contorno para el estado, Describir las restricciones sobre el estado y los controles y

 Describir cuales variables del problema estn libres. La llegada de los ordenadores electrnicos ha fomentado el desarrollo de distintos mtodos numricos y permitido la aplicacin del control ptimo a muchos problemas complejos. Los mtodos numricos para la resolucin de problemas de control ptimo son esencialmente de dos tipos: En los mtodos directos, los problemas de control ptimo se discretizan y se convierten en problemas de programacin matemtica no lineal. Lo mtodos indirectos se basan en encontrar una solucin numrica de una condicin necesaria de optimalidad. En general se usa la condicin de Euler-LaGrange.

Tcnicas de control robusto.

Robustez: capacidad del sistema de control de satisfacer las especificaciones a pesar de la incertidumbre. Todos los sistemas reales estn sometidos a los efectos de ambos, por lo que siempre es recomendable hacer un anlisis de robustez. Consiste en definir una estructura de control que tenga un desempeo acorde a las especificaciones del sistema, independientemente de las perturbaciones a las que est expuesto. A nivel acadmico, los mayores desarrollos en torno a este tema tienen relacin con el Control ptimo. Sin embargo, otro buen ejemplo que s ha sido aplicado a nivel industrial es el Control por Modelo Interno (Internal Model Control o IMC). Este sistema de control tambin ha tenido buena aceptacin industrial, debido a que el controlador resultante puede asimilarse a un control PID. Tal como en MPC, este control incorpora un modelo matemtico de la planta, pero en este caso se usa para compensar la dinmica modelable y no modelable de planta. Aunque las acciones de control que pueden lograrse con sistemas de control robusto son ms cautelosas que las que resultan de otros sistemas, con un buen ajuste del controlador se pueden lograr sistemas que cumplan ambas prestaciones.

Tcnicas de control difuso.

Los sistemas difusos poseen demasiada complejidad para la obtencin de descripciones precisas en algunos sistemas reales. Es necesario la introduccin de la aproximacin. Es necesaria una teora que permita formular el conocimiento humano de forma sistemtica e incluirlo en sistemas de ingeniera. Los sistemas difusos son sistemas basados en el conocimiento o sistemas basados en reglas, ejemplo: Regla SI_ENTONCES: Describe qu hacer cuando se presenta una determinada situacin Ventajas y lmites del control difuso: 1. Emplea el conocimiento experto para conseguir un grado de automatizacin mayor. En algunos casos de control de procesos industriales (p.ej., industria qumica) el grado de automatizacin es muy bajo. Muchas de las acciones son realizadas por operadores que basan su conocimiento en la experiencia pero que difcilmente se puede expresar con ecuaciones diferenciales pero, slo si existe conocimiento relevante del proceso y su control que pueda expresarse en trminos de lgica difusa.

2. Control no lineal robusto En situaciones de perturbacin externa, un controlador PID afronta el problema con una compensacin entre reacciones rpidas con excesos significativos o reacciones suaves pero lentas. El control difuso cubre un amplio rango de parmetros del sistema y puede afrontar la mayora de las perturbaciones preo, aunque generalmente es as, an no estn bien formalizadas las caractersticas necesarias para que el control difuso sea robusto y estable 3. Reduce el tiempo de desarrollo y mantenimiento El control difuso posee dos niveles de abstraccin (reglas y parmetros) que permite un diseo conjunto entre expertos en el problema e ingenieros electrnicos generalmente s, pero la adquisicin de conocimiento, codificacin, prueba y depuracin necesarias en control difuso requiere un alto grado de preparacin del experto El control difuso es recomendable: o Para procesos muy complejos, cuando no hay un modelo matemtico simple o Para procesos altamente no lineales o Si el procesamiento del (lingsticamente formulado) conocimiento experto puede ser desempeado El control difuso no es una buena idea si: o El control convencional tericamente rinde un resultado satisfactorio o Existe un modelo matemtico fcilmente soluble y adecuado o El problema no es soluble

Tcnicas de control neuronal

Control Neuronal: Las Redes Neuronales (Neural Networks) son estructuras matemticas que procuran representar la informacin en forma similar a como se estructura en nuestro cerebro. El objetivo de usar redes neuronales es disponer de un sistema que se comporte como una caja negra que pueda emular el comportamiento de un sistema. Para ello, se requiere de una etapa de entrenamiento (donde se ingresa informacin disponible del sistema procurando que la red aprenda lo que se le quiere ensear) y una de validacin (donde se contrasta el aprendizaje de la red con otros datos disponibles del sistema que no se utilizan para el entrenamiento). Cuando la red ha aprendido, se la puede utilizar tal como si se operara con el sistema real. En el caso de Control Neuronal (Neural Control), se pueden generar datos que representen condiciones del proceso y acciones de control que lleven al sistema a los valores deseados. Incorporando esa informacin al aprendizaje de la red, podra lograrse que el sistema emule tales condiciones. Este sistema requiere que el proceso de entrenamiento incluya todo el espectro posible de situaciones a las que podra estar expuesto el sistema, ya que si se llegase presentar una condicin que no fue considerada durante la etapa de entrenamiento, no puede asegurarse que el sistema responda en la forma esperada. Por tanto, la parte ms crtica es la seleccin de datos adecuados para el entrenamiento de la red. En esta etapa se puede encontrar combinado con otras tcnicas, como es el caso de sistemas neuro-fuzzy, que emplean lgica difusa para poder establecer la seleccin de datos a utilizar en el entrenamiento.

Tcnicas de control neurodifuso.

Los sistemas neuro-difusos forman parte de una tecnologa de computacin llamada computacin flexible (soft-computing) la cul tiene su origen en la teora de la inteligencia artificial. Engloba un conjunto de tcnicas que tienen en comn la robustez en el manejo de informacin imprecisa en incierta que existe en los problemas relacionados con el mundo real. En algunos casos las tcnicas de computacin flexible pueden combinarse para aprovechar sus ventajas individuales, algunas de estas tcnicas son: Lgica difusa. Redes neuronales. Algoritmos evolutivos o genticos. Teora del caos. Teora del aprendizaje. Razonamiento aproximado.

Instituto Tecnolgico de Celaya Departamento de Ingeniera Mecatrnica Tarea 1

Alejandro Gonzlez Martnez, nemesisisemen@hotmail.com

Sistema mecatrnico de lazo cerrado.

Un ejemplo de un sistema mecatrnico de lazo cerrado es una banda transportadora que se mueve con rodillos a una velocidad constante independientemente del peso que est transportando.

En este caso la variable controlada es la velocidad y debe mantenerse con el mismo valor que el de referencia. La variable medida ser el voltaje que proporcione el instrumento de medicin que en este caso ser un sensor de velocidad. Es necesario tener un circuito comparador para comparar el valor de referencia con el valor medido de la variable controlada y con l detectar la seal de error para poder decirle a un circuito que el actuador, en este caso el motor, debe modificar su velocidad. La variable manipulada va a ser la corriente que se le suministre al motor para poder modificar su velocidad. Los elementos que podran causarnos perturbaciones son las cosas que transporte la banda ya que dependiendo de su peso ser el cambio de la demanda de corriente que har el motor para mantener su velocidad continua. El controlador puede ser desde un micro-controlador hasta una PC.

Elementos que constituyen un sistema de control en lazo cerrado.