SISTEMAS INTELIGENTES

PRÁCTICA 2
SISTEMA DE CONTROL DIFUSO

José Fernando Osorio Brand, David Velásquez Rendón

Estudiantes, Escuela de Ingeniería de Antioquia joosbra71@eia.edu.co,

tidus_david@hotmail.com, respectivamente

Abstract: Se muestra el diseño del controlador difuso para una planta de velocidad, con su
implementación, simulación y funcionamiento del mismo.

Keywords: PID, FIS, Sistema de Inferencia, Fuzzy, Sugeno, Singleton, Lazo Cerrado,
Función de Transferencia.

1. INTRODUCCIÓN 3. DISEÑO DEL SISTEMA

Los sistemas difusos han sido implementados en
las últimas décadas por su sencillez, flexibilidad y
controlabilidad frente a controladores como lo es el
PID. La ventaja principal de un sistema de
inferencia difuso es que permite la modificación de
la superficie de control, por lo que se puede decidir
cómo responderá el controlador (tiempo de
establecimiento, máximo sobreimpulso, tiempo de
pico, entre otras).
Además de esto, los sistemas no lineales son
transparentes ante un sistema de inferencia difuso,
es decir, así la planta no tenga respuesta lineal, se
puede lograr controlar y conseguir error de estado
estable muy cercano a cero.
2. OBJETIVO
Controlar velocidad en una mezcladora de fluidos
mediante el diseño y la implementación de un
sistema de control difuso.
3.1 Identificación y modelación de la planta:
Para identificar la planta se hizo uso de una tarjeta
de adquisición de datos para obtener la curva de
reacción del sistema mediante la aplicación de
diferentes escalones en forma aleatoria (Esto con el
fin de realizar un muestreo correcto y evitar el error
sistemático que genera una tendencia particular de
los datos). Adicionalmente se filtraron los datos
obtenidos por la tarjeta por medio de un filtro pasa-
bajas, porque la fuente inserta un ruido de
dispersión en la respuesta del sistema y también se
removieron las medias para obtener una mejor
aproximación estadística a la respuesta de la planta.
Para la estimación se escogió una planta de
segundo orden subamortiguada con retardo, que es
muy típica en las plantas de velocidad.
Se presentan a continuación la gráfica de
excitación, medición y respuesta estimada de la
planta:
 ω (s ) 962.0244 e−0.089855 s
G p= = 2
v ( s) s +37.5045 s +730.3002

Grafica de Excitación y Medición de la planta

(“u1” es la señal de entrada y “y1” respuesta
filtrada de la planta)
Respuesta ante un escalón de la planta estimada

3.2 Diseño y Simulación del Controlador Difuso:

3.2.1 Diseño del FIS:

Como variables de entrada al FIS, se tiene el error

y el cambio del error. Para el error se tomo un
universo de discurso de -100 a 100, con 3
conjuntos difusos (Negativo, Cero y Positivo) y
funciones de membrecía triangulares, así mismo
para el cambio del error, y en la salida se tomaron
5 singletons constantes (Muy Negativo, Negativo,
Cero, Positivo, Muy Positivo), a su vez se tomaron
9 reglas de inferencia con método Sugeno.

Gráfica de la salida del modelo estimado En las siguientes figuras se ilustra mejor lo
(Presenta una correlación de 96.95) anteriormente citado:

La función de transferencia en lazo abierto

estimada por Ident© de Matlab® fue:

ω (s ) Kpω n2
G p= = 2 2
e−θs
v ( s) s +2 ζ ωn s +ω n

Con: Funciones de Membrecía del Error y Cambio del

K p =1.3173± 0.00056869 Error con Triangulares
ω n=27.0241 ±1.1717
ζ =0.69391 ±0.020545
θ=0.089855 ±0.0020461

Reemplazando con los valores nominales:

Función de Salida del Sistema de Inferencia

Reglas de Inferencia:

1. if error IS N∧cerror ISN then control IS MN

2. if error IS N∧cerror IS Zthen control IS N
3. if error IS N∧cerror ISP thencontrol IS Z
4. if error IS Z∧cerror IS N thencontrol IS N
5. if error IS Z∧cerror IS Z then control IS Z
6. if error IS Z∧cerror IS P thencontrol IS P
7. if error IS P∧cerror IS N thencontrol IS Z
8. if error IS P∧cerror IS Z thencontrol IS P
9. if error IS P∧cerror IS Pthen c ontrol IS MP
3.2.2 Diseño del Controlador Difuso:
Superficie de Control:
Para el controlador se escogió un PID al cual se le
calcularon las constantes con base en el criterio de
sintonización Ziegler-Nichols, las cuales dieron lo
siguiente:

K c =0.5928
T i=0.1259
T d=0.0315

Con base en esto se implemento un controlador

difuso PD+I, cuyas ganancias se calcularon así:

G E=100
También se cambiaron las funciones de membresía K
Gu= c =0.005928
de las entradas por Gaussianas para obtener una GE
superficie de control que mejor. A continuación
G CE =G E ∙ T d=3.15
están las gráficas de esta modificación:
G
G IE= E =794.281176
Ti

3.2.3 Simulación del controlador:

Se creó un bloque en Simulink© mostrando un

controlador clásico PID con las constantes Ziegler-
Nichols previamente calculadas y comparándolo
con el controlador fuzzy PD+I, como se muestra en
Funciones de Membrecía del Error y Cambio del la figura:
Error con Gaussianas
Superficie de Control:

Inicialmente se simuló el FIS de las entradas con
funciones de membrecía triangulares y como
resultado entregó la siguiente curva de reacción:
Como se aprecia en la grafica los dos controladores
reaccionan igual ya que la superficie de control es
un plano lineal, por lo que la salida del controlador
es la suma del error y del cambio del error.
Luego usando el FIS con funciones de membrecía
gaussianas se presento la siguiente respuesta:
Como se observa en la figura, el FIS gaussiano
presenta menos oscilaciones que el triangular y el
PID, haciéndolo el más apropiado para controlar la
planta, esto se debe a que su superficie de control
no es lineal y presenta unas mejores condiciones
para controlar la planta.
4. IMPLEMENTACION
Para implementar el FIS y el algoritmo de control
se utilizo LabVIEW® y el PID and Fuzzy Logic
Toolkit©. Este toolkit permite crear el sistema de
inferencia igual que el toolkit de Matlab® y así
generar y guardar un archivo con la información
del sistema. En el algoritmo de control se calculan
las entradas del FIS que son el error y el cambio
del error, estás se llevan a un bloque del toolkit
llamado Fuzzy Controller el cual, en conjunto con
otro bloque llamado Load Fuzzy System, se
encargan de cargar el archivo generado,
anteriormente, y evaluar las entradas en el sistema
de inferencia para posteriormente entregar la salida
del mismo.
Debido a la flexibilidad y el creativo manejo que
permite la interfaz de programación gráfica de
LabVIEW®, el algoritmo de control es muy
similar al de Simulink© de Matlab®, pero para los
cálculos de la derivada y la integral se utilizaron
métodos numéricos así:
Derivada del error
de( t) ∆ e
=
dt ∆t
Donde:
∆ e=e Actual −e Anterior
∆ t :Periodo de muestreo (T m)
Entonces,
de( t) e Actual −e Anterior
= El control difuso presenta tiempos de respuesta
dt Tm
Integral del error
∫ e ( t ) dt =∑ e ( n ) T m =T m ∑ e ( n )
∑ e ( n ) =Rs
Rs=Rs+ e Actual
Donde:
Rs: Es la acumulación del error
e ( n ): Error registrado en cada ejecución del
programa.
T m :Periodo de Muestreo
La interfaz grafica del software es la siguiente:
En ella se encuentran todos los parámetros del
controlador como lo son el Set_Point, Tiempo de
Muestreo, α (Alpha), GE, GIE, GCE, GU y una
variable adicional Lim que sirve para escalizar la
salida del controlador en un rango de valores
positivos.
5. RESULTADOS Y ANALISIS
Los resultados observados en la implementación
del controlador en la planta física son muy
aproximados a los resultados observados
mostrados en la simulación y las diferencias
radican en factores externos que influyen en las
condiciones ideales que posee una simulación
como por ejemplo factores humanos, ambientales,
el procesamiento de datos entre la planta física y un
computador, etc.
mucho menores que el control PID. Esto es una
ventaja muy importante ya que permite la
estabilización rápida.
El control Difuso responde mejor a las
perturbaciones que el control PID.
6. CONCLUSIONES
 Un controlador PI+D difuso permite eliminar
el error de estado estable con los parámetros
deseados de la planta por medio de la
superficie de control
 Las estrategias de control convencionales son
bastantes poderosas pero generalmente, para
poder aplicarlas, se necesita del modelo
matemático del sistema a controlar, esto en
algunos casos no es posible por lo que es
preferible disponer de técnicas de control que
no necesite explícitamente dicho modelo; este
es el caso del control difuso y sus variantes
que utilizan lenguaje natural para expresar el
conocimiento y las acciones a realizar para
poder controlar una planta o proceso; lo
anterior convierte al control difuso en una
alternativa que vale la pena tomar en cuenta en
sistemas de control industriales.
 En los resultados obtenidos, el controlador
difuso provee una respuesta satisfactoria,
rápida y estable para el sistema cuando este se
somete a diversas perturbaciones.
 El sistema de inferencia con entradas
Gaussianas entregó una recuperación de la
velocidad más rápida que la de las triangulares
y las de un PID convencional, por lo que
queda demostrado que el desempeño de este
tipo de FIS es mayor comparado con los
anteriores.
 Otro aspecto a destacar en lo esquemas de
control basados en lógica difusa es que
permiten usar información aproximada e
incompleta para lograr el control de una planta
o proceso industrial.
7. BIBLIOGRAFIA
[1] Ferreyra A., Fuentes R.," CONTROL DIFUSO
UNA ALTERNATIVA PARA APLICACIONES
DE ALTA PRECISION", SOMI XIII Congreso de
Instrumentación, pp 239-244, Octubre 1998,
Ensenada B.C.N., México.
[2] Li-Xin Wang, “ADAPTIVE FUZZY
SYSTEMS AND CONTROL”, Prentice Hall.
1994.
[3] Hung T. Nguyen, “FUZZY SYSTEMS”.
Kluwer Academic Publishers., 1998.
[4] Ronald R. Yager “ESSENTIALS OF FUZZY
MODELING AND CONTROL”, John Wiley,
1994.
[5] M. Mizumoto., “REALIZATION OF PID
CONTROLS BY FUZZY CONTROLS
METHODS”, I.E.E.E. Int. Conference on fuzzy
systems, pp 709-715, March 1992, San Diego,
California.