TECNOLÓGICO NACIONAL DE MÉXICO

INSTITUTO TECNOLÓGICO DE ZACATEPEC

TEMA:
TÉCNICAS ADICIONALES DE CONTROL

MATERIA:
INSTRUMENTACIÓN Y CONTROL

PROFESOR:
ORTIZ AGUILAR BLANCA ESTELA

CARRERA:
INGENIERÍA QUÍMICA

ALUMNO:
DANIEL RODRÍGUEZ GUTIÉRREZ 14091022

FECHA DE ENTREGA
08 DE JUNIO DEL 2018
 Página |2

Índice
Introducción.................................................................................................................................... 4
Algoritmos Genéticos ..................................................................................................................... 4
Programación Genética (PG) .......................................................................................................... 5
Algoritmos Evolutivos..................................................................................................................... 5
Evolución diferencial ...................................................................................................................... 5
Algoritmo de inteligencia colectiva ............................................................................................... 6
Optimización por enjambres de partículas.................................................................................... 6
PSO hibrido ..................................................................................................................................... 8
Colonia de hormigas (Ant Colony) ................................................................................................. 8
Algoritmo de optimización de forraje Bacteriano (BFOA) ............................................................ 9
Algoritmo de búsqueda gravitacional (GSA) ................................................................................. 9
Algoritmo Firefly ........................................................................................................................... 10
Búsqueda de Cuco ........................................................................................................................ 11
Colonia de abejas artificial (CAA) ................................................................................................. 11
Algoritmo optimizador hormiga león (ALO) ................................................................................ 13
Algoritmo de optimización basado en la enseñanza-aprendizaje .............................................. 15
Teorema de Kharitonov................................................................................................................ 16
Algoritmo de Murciélago ............................................................................................................. 17
Tito ................................................................................................................................................ 18
Relés y bloques de computo ........................................................................................................ 19
Control por sobreposición ............................................................................................................ 19
Control de gama partida .............................................................................................................. 20
Control selectivo ........................................................................................................................... 21
Control adaptativo........................................................................................................................ 22
Controladores adaptativos con modelo de referencia (MRAC) .................................................. 23
Reguladores autoajustables ......................................................................................................... 24
Control de rango partido (Split range control) ............................................................................ 25
Método de oscilación ................................................................................................................... 26
Controlador por asignación de polos ........................................................................................... 26
Dinámica de primer orden. .......................................................................................................... 28
Dinámica de segundo orden. ....................................................................................................... 28
 Página |3

Método basado en la curva de reacción ...................................................................................... 29

Controlador robusto ..................................................................................................................... 30
Control proporcional más reajuste más rapidez de cambio (PID) .............................................. 32
Método del periodo final ............................................................................................................. 33
Método de la curva de reacción................................................................................................... 34
Control de alimentación directa .................................................................................................. 34
Sistemas combinados de alimentación directa e inversa. .......................................................... 35
Compensación del tiempo muerto .............................................................................................. 36
Control de encendido-apagado, sin atenuación (on-off) ............................................................ 37
Bibliografía .................................................................................................................................... 38
 Página |4

Introducción
Las técnicas de control se utilizan cuando los lazos de control convencionales no
son suficientemente apropiados, debido a dificultades como procesos con grandes
constantes de tiempo, perturbaciones frecuentes ingresando en diferentes puntos
del proceso, variables que presentan variaciones y que pueden medirse, pero no
pueden ser controladas, relaciones que deben mantenerse entre variables no
conectadas en forma directa. Es posible que en casos particulares se presenten
otros tipos de dificultades de las mencionadas, o que ellas aparezcan combinadas.
Si bien el control por realimentación es la técnica que más comúnmente se aplica
en los procesos industriales, hay otras técnicas que permiten mejorar el
funcionamiento de los procesos.
Estas técnicas tienen más de una medición y una variable manipulada o una
medición y más de una variable manipulada, por lo general cuentan con múltiples
lazos.
Para su implementación se necesita mayor cantidad de instrumentos y de
ingeniería, por lo que antes de decidir su aplicación es necesario un estudio de
factibilidad técnica y económica.
También requieren cierta capacidad de cómputo, que en el pasado se obtuvo
mediante los instrumentos denominados bloques de cómputo (neumáticos,
eléctricos, electrónicos), y que actualmente vienen incorporados en los
controladores mediante software.

Algoritmos Genéticos
Los algoritmos genéticos son estrategias de búsqueda estocástica basados en el
mecanismo de selección natural y en algunos casos se involucran aspectos de
genética natural, imitando a la evolución biológica como estrategia para resolver
problemas Los algoritmos genéticos difieren de las estrategias de búsqueda
convencionales en que estos (los AGs) trabajan sobre un conjunto de potenciales
soluciones, llamado población. Esta población está compuesta de una serie de
soluciones llamadas individuos y un individuo está conformado por una serie de
posiciones que representan cada una de las variables involucradas en los procesos
de optimización y que son llamados cromosomas. Estos cromosomas están
compuestos por una cadena de símbolos que en muchos casos esta presentada en
números binarios. En un algoritmo genético cada individuo está definido como una
estructura de datos que representa una posible solución del espacio de búsqueda
del problema. Las estrategias de evolución trabajan sobre los individuos, que
representan las soluciones del problema, por lo que estos evolucionan a través de
generaciones. Dentro de la población cada individuo es diferenciado de acuerdo con
su valor de aptitud, que es obtenido usando algunas medidas de acuerdo con el
 Página |5

problema a resolver. Para la obtención de las próximas generaciones se crean

nuevos individuos, llamados hijos, utilizando dos estrategias de evolución básicas
como son el operador de cruce y el de mutación (empleadas generalmente de forma
aleatoria).

Programación Genética (PG)

La programación genética es un algoritmo semejante al algoritmo genético, la
diferencia radica en la forma de representar a los genes, puesto que
no se utilizan cadenas de bits, sino se representan en un árbol, con esto se
presenta un inconveniente, puesto que un individuo puede crecer
incalculablemente, provocando que las ramificaciones del árbol de un individuo
sean
muy grandes. Las características de la programación genética con: codificación
(estructura de árboles), recombinación, mutación, selección de padres
(proporcional a la aptitud) y selección de sobrevivientes (generacional).

Algoritmos Evolutivos
Este término es empleado para describir sistemas de resolución de problemas de
optimización o búsqueda basados en el ordenador empleando modelos
computacionales de algún mecanismo de evolución conocido como elemento clave
en su diseño e implementación.
Los algoritmos evolutivos trabajan con una población de individuos, que representan
soluciones candidatas a un problema. Esta población se somete a ciertas
transformaciones y después a un proceso de selección, que favorece a los mejores.
Cada ciclo de transformación y selección constituye una generación, de forma que
después de cierto número de generaciones se espera que el mejor individuo de la
población esté cerca de la solución buscada. Los algoritmos evolutivos combinan la
búsqueda aleatoria, dada por las transformaciones de la población, con una
búsqueda dirigida dada por la selección.
Principales Componentes:
 Población de individuos, que son una representación (no necesariamente
directa) de posibles soluciones.
 Procedimiento de selección basado en la aptitud de los individuos para
resolver el problema.
 Procedimiento de transformación para construir nuevos individuos a partir de
los anteriores.

Evolución diferencial
La Evolución Diferencial (ED) es un método de optimización perteneciente a la
categoría de computación evolutiva, aplicado en la resolución de
problemas complejos. Al igual que otros algoritmos de esta categoría, la ED
mantiene una población de soluciones candidatas, las cuales se recombinan
 Página |6

y mutan para producir nuevos individuos los cuales serán elegidos de acuerdo al
valor de su función de desempeño. Lo que caracteriza a la ED es el uso de vectores
de prueba, los cuales compiten con los individuos de la población actual a fin de
sobrevivir.
ED se compone básicamente de 4 pasos:

 Inicialización
 Mutación
 Recombinación
 Selección
La inicialización se realiza al principio de la ejecución de la búsqueda, y los pasos
de mutación-recombinación-selección se realizan repetidas veces, hasta que una
condición de término sea satisfecha (número de generaciones, tiempo transcurrido,
o calidad de solución alcanzada, entre otras).
Algoritmo de inteligencia colectiva
La inteligencia colectiva está basada en el comportamiento de un grupo de
animales en búsqueda de alimento, esta tarea se emula a través de los algoritmos
de optimización descritos a continuación. Una característica de los
algoritmos de inteligencia colectiva es que la población permanece constante
para la siguiente generación, ya que no cuenta con algún mecanismo de reemplazo
de individuos como en los algoritmos evolutivos. Dentro de los algoritmos de
inteligencia colectiva se tienen varios modelos, de los que algunos
son mejoras o una hibridación de estos mismos modelos; en a que los básicos
son: la optimización mediante cúmulos de partículas (PSO), la optimización
basado en colonias de hormigas (Ant Colony, ACO), la optimización basado
en el comportamiento quimiotáctico de bacterias (QB-OA) y la optimización
basado en la simulación del forrajeo de bacterias (BFOA).

Optimización por enjambres de partículas

La Optimización por Enjambres de Partículas (conocida como PSO, por sus siglas
en inglés, Particle Swarm Optimization) es una técnica de optimización/búsqueda.
Aunque normalmente el PSO se usa en espacios de búsqueda con muchas
dimensiones.
Este método fue descrito alrededor de 1995 por James Kennedy y Russell C.
Eberhart (Kennedy, J. & Eberhart, R. (1995), 'Particle swarm Optimization', Neural
Networks, 1995. Proceedings., IEEE International Conference), y se inspira en el
comportamiento de los enjambres de insectos en la naturaleza. En concreto,
podemos pensar en un enjambre de abejas, ya que éstas a la hora de buscar polen
buscan la región del espacio en la que existe más densidad de flores, porque la
probabilidad de que haya polen es mayor. La misma idea fue trasladada al campo
de la computación en forma de algoritmo y se emplea en la actualidad en la
optimización de distintos tipos de sistemas.
 Página |7

Una primera aproximación para resolver este problema de calcular valores

extrémales de una función bidimensional podría ser la selección aleatoria de valores
de x e y, y almacenar el mayor de los resultados encontrados, lo que se conoce
como una búsqueda aleatoria. Para muchos espacios de búsqueda (normalmente,
todos aquellos interesantes) este método es altamente ineficiente, por lo que es
imprescindible encontrar otros métodos más "inteligentes" que, a pesar del
desconocimiento de la función a optimizar, ofrezcan más posibilidades de éxito que
la simple búsqueda azarosa.
¿Cómo funciona? (Bidimensional)
Como partículas de un mundo real físico, tienen una cantidad de inercia, que los
mantiene en la misma dirección en la que se movían, así como una aceleración
(cambio de velocidad), que depende principalmente de dos características:
1. Cada partícula es atraída hacia la mejor localización que ella, personalmente,
ha encontrado en su historia (mejor personal).

2. Cada partícula es atraída hacia la mejor localización que ha sido encontrada

por el conjunto de partículas en el espacio de búsqueda (mejor global).

Imagen 1: Representación del comportamiento bidimensional de el algoritmo PSO

La fuerza con que las partículas son empujadas en cada una de estas direcciones
depende de dos parámetros que pueden ajustarse (atracción-al-mejor-
personal y atracción-al-mejor-global), de forma que a medida que las partículas se
alejan de estas localizaciones mejores, la fuerza de atracción es mayor. También
se suele incluir un factor aleatorio que influye en cómo las partículas son empujadas
hacia estas localizaciones.
 Página |8

Imagen 2: Reordenamiento del algoritmo PSO

En consecuencia, este método de optimización es especialmente adecuado cuando

el coste de la función de fitness es muy elevado, pues requiere pocas evaluaciones
para encontrar valores cercanos al óptimo. Como inconveniente, no podemos estar
seguros de alcanzar el óptimo global, como pasa en todo este tipo de
metaheurísticas (problema que comparten todos los métodos de optimización que
trabajan con cajas negras).

PSO hibrido
Como resultado, constantemente surgen nuevas y más sofisticadas variantes de
PSO con el fin de mejorar el rendimiento del proceso de optimización. En la
investigación llevada a cabo pueden distinguirse ciertas tendencias; una es lograr
un método de optimización híbrido que combine PSO con otros mecanismos
optimizadores, por ej. incorporando un método eficaz de aprendizaje. Otra vía de
investigación trata de contrarrestar la convergencia prematura (es decir, el
estancamiento de la búsqueda en un óptimo local), por ej. invirtiendo o perturbando
el movimiento de las partículas. Otro de los enfoques propone lidiar con la
convergencia prematura mediante el uso de múltiples enjambres (optimización
multi-enjambre); esta estrategia multi-enjambre también es aplicable a
la optimización multiobjetivo. Asimismo, se han producido avances en la adaptación
de los parámetros de comportamiento durante la optimización.

Colonia de hormigas (Ant Colony)

El Ant Colony simula el comportamiento de una colonia de hormigas en
búsqueda de alimento (Dorigo et al. 1996). Las hormigas tienen la habilidad de
buscar y encontrar el camino más corto para trasladarse de su nido
hasta la fuente de alimento y transportar este alimento y ser almacenado.
La comunicación entre la colonia de hormigas se realiza por la sustancia que
´estas segregan y van dejando por el camino por el que pasan esta sustancia
es conocida como feromona, que es utilizada como guía de la ruta por la que
debe transitar la colonia de hormiga en la búsqueda y acarreo del alimento; el
 Página |9

camino más corto es el que está cargado de feromonas, mientras que el

camino más largo no contienen grandes concentraciones de feromonas, debido
a la evaporación que ocurre con el paso del tiempo, por lo tanto las hormigas
vendrán sobre el camino más corto de su nido a la fuente de alimentación.

Algoritmo de optimización de forraje Bacteriano (BFOA)

El Algoritmo de Optimización de Forraje Bacteriano está inspirado en el
comportamiento de búsqueda de bacterias de grupos como E. coli y M. xanthus.
Específicamente, el BFOA está inspirado en el comportamiento de quimiotaxis de
bacterias que percibirán gradientes químicos en el ambiente (como nutrientes) y se
acercarán o alejarán de señales específicas.
La estrategia de procesamiento de la información del algoritmo es permitir que las
células se agrupen estocástica y colectivamente hacia óptima. Esto se logra a través
de una serie de tres procesos en una población de células simuladas: 1)
'Chemotaxis' donde el costo de las células se ve disminuido por la proximidad a
otras células y las células se mueven a lo largo de la superficie de costos
manipulados de a uno por vez (la mayoría del trabajo del algoritmo), 2)
'Reproducción' donde solo las células que funcionaron bien durante su vida pueden
contribuir a la próxima generación, y 3) 'Eliminación-dispersión' donde las células se
descartan y se insertan nuevas muestras aleatorias con un bajo probabilidad.

Algoritmo de búsqueda gravitacional (GSA)

GSA es un algoritmo de búsqueda basado en enjambre heurístico en el campo de
la optimización numérica, basado en la ley gravitacional y las leyes del movimiento.
Al igual que muchos otros algoritmos inspirados en la naturaleza, necesita mejoras
para maximizar su rendimiento al resolver varios tipos de problemas. Además de la
codificación del problema que a veces puede ser un desafío, ajustar sus parámetros
juega un papel importante equilibrando el tiempo de búsqueda con la calidad de la
solución. Este algoritmo es relativamente reciente y poco explorado.
Los algoritmos de búsqueda gravitacional (GSA) son nuevos algoritmos de
optimización heurística introducidos e investigados en los últimos años como una
estrategia flexible y bien equilibrada para mejorar los métodos de exploración y
explotación. En el algoritmo binario de búsqueda gravitacional se desarrolló para
resolver diferentes problemas no lineales. Se propuso un nuevo algoritmo de
búsqueda gravitacional multiobjetivo. El GSA muestra resultados satisfactorios para
resolver muchos problemas en varias aplicaciones; Resolviendo el problema del
vendedor de viajes simétricos, resolviendo el problema de programación de la tienda
de flujo, en la selección de características, mejora de imágenes, resolución de
problemas de diseño de secuencia de ADN y optimización de los parámetros de
modelado de filtros. Un algoritmo híbrido se derivó tanto de Algoritmos genéticos
como de Algoritmo de búsqueda gravitacional para la selección del conjunto de
características.
 P á g i n a | 10

Algoritmo Firefly
El algoritmo firefly (FA por sus siglas en inglés, "firefly algorithm"; algoritmo
luciérnaga en español) es un algoritmo metaheurístico, inspirado en el
comportamiento del centelleo de las luciérnagas. El propósito primario de una
luciérnaga es generar destellos de luz para actuar como sistema de señal para
atraer a otras luciérnagas. Xin-She Yang formuló este algoritmo con las siguientes
premisas:1
 Todas las luciérnagas son "unisexuales", de modo que cualquier luciérnaga
individual será atraída por todas las demás;
 La atracción es proporcional a su brillo, y para cualquier par de luciérnagas,
la menos brillante será atraída por (y por lo tanto se desplazará hacia) la más
brillante; aun así, la intensidad (el brillo aparente) decrece cuando aumenta
la distancia entre ambas;
 Si no hay luciérnagas más brillantes que una dada, ésta se mueve
aleatoriamente.
El brillo es asociado con los valores de una función objetivo.
El algoritmo firefly es un procedimiento metaheurístico de optimización inspirado
en la naturaleza.
Aplicaciones
 Compresión de imagen digital y procesamiento de imagen
 Optimización de autovalores
 Sistemas nanoelectrónicos y Diseño de circuitos integrados
 Selección de características y detección de fallos
 Diseño de antenas
 Diseño estructural
 Planificación y TSP (Problema del viajante)
 Servicios web semánticos
 Equilibrio de fase químico
 Agrupamientos
 Problemas dinámicos
 Problemas de procesados de imagen rígidos
 Predicción de la estructura de proteínas
 Optimización de parámetros de máquinas de vectores de soporte
(Comportamiento de la bolsa y predicciones meteorológicas)
 IK-FA (Solución de problemas cinemáticos inversos)
 P á g i n a | 11

Búsqueda de Cuco
La búsqueda de cuco original se probó primero utilizando parámetros de
optimización de funciones numéricas. Por lo general, este tipo de problemas
representa un banco de pruebas para nuevos algoritmos desarrollados. De acuerdo
con esto, se han desarrollado conjuntos de funciones de referencia estándar con el
fin de hacer la comparación entre los algoritmos lo más equitativa posible. Por
ejemplo, algunos estudios originales en esta área son:
• Búsqueda de cuco a través de los vuelos de L'evy.
• Un algoritmo eficiente de búsqueda de cuco para la optimización de la función
numérica.
• Optimización de funciones multimodales.
La búsqueda del cuco puede resolver problemas multimodales de manera natural y
eficiente. Sin embargo, los investigadores también han intentado mejorar su
eficiencia para obtener mejores soluciones o resultados comparables a los de la
literatura, y uno de los estudios que vale la pena mencionar es el de Jamil y
Zepernick.

Diagrama 1: Variantes del Algoritmo CS

Colonia de abejas artificial (CAA)

En el modelo CAA, la colonia consta de tres grupos de abejas: abejas empleadas,
abejas en espera y abejas exploradoras. Se asume que hay sólo una abeja
empleada para cada fuente de alimento. En otras palabras, el número abejas
empleadas en la colonia es igual al número de fuentes de alimentos alrededor de la
colmena. Las abejas empleadas van a su fuente de alimento, vuelven a la colmena
y danzan en esta área. La abeja empleada cuya fuente de alimentos ha sido
abandonada se convierte en exploradora y empieza la búsqueda de nuevas fuentes
 P á g i n a | 12

de alimentación. Las abejas en espera observan las danzas de las abejas

empleadas y escogen las fuentes de alimentos dependiendo de las danzas.
Los pasos principales del algoritmo son:

 Se producen fuentes de alimentos iniciales por cada abeja empleada:

 REPETIR
 Cada abeja empleada va a una fuente de alimento en su memoria y
determina una fuente vecina, entonces evalúa su cantidad de néctar y danza
en la colmena
 Cada abeja en espera observa el baile de cada abeja empleada y escoge
una de sus fuentes dependiendo de las danzas, y entonces va a esa fuente.
Después de escoger un vecino alrededor, evalúa su cantidad de néctar.
 Son determinadas las fuentes de alimentos a abandonar y reemplazadas por
las nuevas fuentes de alimentos descubiertas por las exploradoras.
 La mejor fuente de alimentos encontrada es registrada.
 HASTA QUE (los requisitos se cumplan)
En el algoritmo CAA, un algoritmo basado en poblaciones, la posición de una fuente
de alimentos representa una posible solución al problema de optimización y la
cantidad de néctar de una fuente alimentaria corresponde a la calidad de la solución
asociada. El número de las abejas empleadas es igual al número de soluciones en
la población. En el primer paso, es generada una población inicial distribuida
aleatoriamente (posiciones de fuente de alimentos). Después de la inicialización, la
población es encargada de repetir los ciclos de los procesos de búsqueda de las
abejas empleadas, en espera, y exploradoras, respectivamente. Una abeja
empleada produce una modificación en la posición de fuente en su memoria y
descubre una posición de una fuente de alimentos. Previendo que la cantidad de
néctar de la nueva sea mayor que la de la fuente anterior la abeja memoriza la
posición de la fuente nueva y olvida la vieja, en otro caso mantiene la posición de la
antigua en su memoria. Al terminar las abejas empleadas completan el proceso de
búsqueda, comparten la información de posición de las fuentes con los
espectadores en el área de baile. Cada espectador evalúa la información de néctar
tomada de todas las abejas empleadas y entonces escoge una fuente de alimentos
dependiendo de las cantidades de néctar de cada fuente. En el caso de la abeja
empleada, produce una modificación en la posición de la fuente en su memoria y
comprueba su cantidad de néctar. Previniendo que su néctar será mayor que el de
su anterior fuente, la abeja memoriza la posición nueva y olvida la vieja. Las fuentes
abandonadas quedan determinadas y las fuentes nuevas son aleatoriamente
producidas para ser reemplazados con las abandonadas por las abejas
exploradoras.
 P á g i n a | 13

Algoritmo optimizador hormiga león (ALO)

El algoritmo ALO recrea la interacción entre la larva de la hormiga león y otras
hormigas en la trampa. Para modelar tales interacciones, se requiere que las
hormigas se muevan por el espacio de búsqueda, de tal forma que la hormiga león
pueda cazarlas tal como se describió anteriormente. Dado que las hormigas hacen
movimientos estocásticos en la búsqueda por comida, se selecciona caminos
aleatorios para modelas este comportamiento (Mirjalili, 2015); (Rivera & Gutiérrez,
2017). Él modelo tiene la siguiente presentación:
𝑥(𝑡) = [0, 𝑐𝑢𝑚𝑠𝑢𝑚(2𝑟(𝑡1 − 1), 𝑐𝑢𝑚𝑠𝑢𝑚(2𝑟(𝑡2 ) − 1), 𝑐𝑢𝑚𝑠𝑢𝑚(2𝑟(𝑡𝑛 − 1) (1)
Donde la función cumsum calcula la suma acumulada de la función objetivo, n es la
máxima cantidad de iteraciones, t muestra la iteración de estudio y r(t) es una
función estocástica definida como sigue:
1 𝑠𝑖 𝑟𝑎𝑛𝑑 < 0.5
𝑟(𝑡) = { (2)
0 𝑠𝑖 𝑟𝑎𝑛𝑑 ≥ 0.5
Donde rand es una función que representa un número aleatorio generado con
distribución uniforme entre el intervalo [0,1].
El comportamiento que tienen las hormigas es similar al que siguen las partículas
en el Algoritmo de Cumulo de Partículas (PSO) o en el de los individuos en
Algoritmos Genéticos (GA).
Hay principalmente cinco operaciones en algoritmo ALO a saber:
1. Movimiento aleatorio de hormigas
Todos los caminos aleatorios están basados en la ecuación (1), las hormigas
actualizan sus posiciones mediante caminos aleatorios en cada etapa de la
optimización. Sin embargo, la ecuación (2) no puede ser directamente aplicada para
actualizar la posición de las hormigas.
Los caminos aleatorios deben restringirse y normalizarse para evitar que las
hormigas se salgan del espacio de búsqueda.
2. Construcción de trampas
Para modelar las capacidades de caza de la hormiga león, se emplea el modelo de
“Rueda de Ruleta” la cual permite seleccionar el pozo donde ha quedado atrapada
la hormiga.
3. Atrapamiento de hormigas en trampas
Los caminos aleatorios de las hormigas se ven afectados por las trampas de las
hormigas león.
 P á g i n a | 14

4. Captura de presas
La caza finaliza cuando una hormiga alcanza el fondo del pozo y es atrapado por
las mandíbulas de la hormiga león. Después de esto, la hormiga león se alimenta
de la hormiga.
5. Reconstrucción de trampas
Finalmente, la hormiga león esta lista para consumir otra presa. Para simular esto,
se le asigna una nueva posición a la hormiga león con el fin de aumentar su
probabilidad de atrapar a una presa.
El elitismo es una característica importante de los algoritmos de evolución que
permite guardar las mejores soluciones obtenidas en cualquier etapa de la
optimización. En el algoritmo la mejor hormiga león es almacenada en cada iteración
y considerada élite.

Se utiliza para la optimización simultánea de las ganancias del controlador.

La comparación de las respuestas dinámicas de las frecuencias y las potencias de
la línea de unión correspondientes al optimizado ALO I, PI, PID y controlador PID +
DD revelan el mejor rendimiento del controlador PID + DD en términos de menor
tiempo de asentamiento, sobrepasos máximos y oscilaciones reducidas. La
resistencia de las ganancias óptimas del mejor controlador obtenidas en
condiciones nominales se evalúa usando un análisis de sensibilidad. Análisis
expuesto de que las ganancias óptimas del controlador PID + DD obtenidas a la
nominal son resistentes y no es necesario reiniciar para cambios en la carga,
parámetro como inercia constante (H), tamaño y posición de la perturbación.
Además, el rendimiento del controlador PID + DD se encuentra mejor en
comparación con el controlador PID frente a la condición de patrón de carga
aleatoria.
Los algoritmos de optimización de colonias de hormigas son aplicados en muchos
algoritmos de optimización combinatorios. Muchos métodos derivados han sido
adaptados a problemas dinámicos en variables reales, problemas estocásticos,
programación paralela y multi-objetivo. Incluso han sido usados para producir
soluciones bastante cercanas a las soluciones óptimas del problema del viajante.
Ellos tienen una ventaja sobre los enfoques: recocido simulado y los algoritmos
genéticos en problemas similares cuando el grafo puede cambiar su estructura de
manera dinámica, el algoritmo de colonia de hormigas puede seguir corriendo
continuamente y adaptar los cambios en tiempo real. Esto es de interés en los
campos de enrutamiento de redes y en los sistemas de transportes urbanos.
 P á g i n a | 15

Algoritmo de optimización basado en la enseñanza-aprendizaje

El algoritmo TLBO es un algoritmo inspirado en el proceso de enseñanza-
aprendizaje propuesto por Rao et al. (2011, 2012a, b) y Rao y Savsani (2012) en
función del efecto de influencia de un maestro en el rendimiento de los alumnos en
una clase. El algoritmo describe dos modos básicos del aprendizaje: (i) a través del
maestro (conocido como fase docente) y (ii) a través de la interacción con los otros
alumnos (conocida como fase de aprendizaje).
En esto algoritmo de optimización, un grupo de alumnos se considera como
población y las diferentes asignaturas ofrecidas a los alumnos se consideran como
variables de diseño diferentes del problema de optimización y el resultado de un
alumno es análogo al valor de "aptitud" del problema de optimización. La mejor
solución en toda la población se considera como el maestro. Las variables de diseño
son en realidad los parámetros involucrados en función objetivo del problema de
optimización dado y la mejor solución es la el mejor valor de la función objetivo.
El funcionamiento de TLBO se divide en dos partes, 'Fase del profesor' y 'Aprendiz
fase'.
Fase del profesor
Es la primera parte del algoritmo donde los alumnos aprenden a través del profesor.
Durante esta fase, un profesor intenta aumentar el resultado medio de la clase en
la asignatura enseñado por él o ella según su capacidad. En cualquier iteración i,
asume que hay 'm' número de materias (es decir, variables de diseño), 'n' cantidad
de alumnos (es decir, tamaño de la población, k = 1, 2, ..., n) y Mj, soy el resultado
medio de los alumnos en un sujeto particular 'j' (j = 1, 2, ..., m) El mejor resultado
global Xtotal-kbest, considero todas las asignaturas juntas obtenidas en toda la
población de alumnos se pueden considerar como resultado de kbest best learner.
Sin embargo, como el maestro es usualmente considerado como una persona muy
instruida que entrena a los estudiantes para que puedan tener mejores resultados,
el algoritmo considera al mejor alumno identificado como el profesor. La diferencia
entre el resultado medio existente de cada sujeto y el resultado correspondiente del
maestro para cada materia está dada por,

Diferencia media𝑗,𝑘,𝑖 = 𝑟𝑖(𝑋𝑗,𝑘𝑏𝑒𝑠𝑡,𝑖 − 𝑇𝑓 𝑀𝑗,𝑖 ) (1)

donde, 𝑋𝑗,𝑘𝑏𝑒𝑠𝑡,𝑖 , es el resultado del mejor alumno en el sujeto j. TF es el factor de

enseñanza que decide el valor de la media que se va a cambiar, y ri es el número
aleatorio en el rango [0, 1]. El valor de TF puede ser 1 o 2. El valor de TF se decide
aleatoriamente con igual probabilidad que, TF no es un parámetro del algoritmo
TLBO. El valor de TF no se da como una entrada al algoritmo y su valor se decide
aleatoriamente mediante el algoritmo utilizando la siguiente ecuación (1.1).
𝑇𝑓 = [1 + 𝑟𝑎𝑛𝑑(0,1){2 − 1}] (1.1)
 P á g i n a | 16

Fase de aprendizaje
Es la segunda parte del algoritmo donde los estudiantes aumentan su conocimiento
mediante interactuando entre ellos. Un alumno interactúa aleatoriamente con otros
estudiantes para mejorando su conocimiento. Un alumno aprende cosas nuevas si
el otro alumno tiene más conocimiento que él o ella. Teniendo en cuenta el tamaño
de la población de 'n', el aprendizaje.
La optimización basada en la enseñanza-aprendizaje (TLBO) es un algoritmo
basado en la población que simula el proceso de enseñanza-aprendizaje de la sala
de clase. Este algoritmo requiere solo los parámetros de control comunes como el
tamaño de la población y el número de generaciones y no requiere ningún control
específico del algoritmo parámetros.
Aplicación del algoritmo TLBO en la Agrupación
Esta sección presenta la aplicación del algoritmo TLBO en el análisis de clusters.
Para aplicar el TLBO
Algoritmo sobre la agrupación de los siguientes pasos se debe repetir:
Paso 1: Inicializando el problema y los parámetros del algoritmo
Paso 2: Estableciendo los aprendices iniciales de población.
Paso 3: calcula la función objetivo.
Paso 4: Calcule el promedio de la población.
Paso 5: Determine la mejor solución (Maestro).
Paso 6: Modifique las soluciones basadas en el conocimiento del maestro de
acuerdo con la fase del maestro.
Paso 7: Actualice las soluciones según la fase de aprendizaje y los Pasos 3.
Paso 8: vaya al paso 4 hasta que el número de iteración llegue al número máximo
de iteración.

Teorema de Kharitonov
El teorema de Kharitonov es un método popularmente utilizado para las pruebas de
estabilidad, así como el diseño del controlador para sistemas de intervalos que es
matemáticamente más simple que las otras técnicas.
Esta técnica requiere la formulación de solo cuatro polinomios para la prueba de
estabilidad y el diseño del controlador de las plantas de intervalo. Esto reduce la
complejidad matemática y hace que el procedimiento de diseño del controlador sea
mucho más simple que las otras técnicas.
 P á g i n a | 17

 Proponer un esquema de diseño de controlador PID de orden fraccionaria

para el sistema de intervalos utilizando el teorema de Kharitonov.
 De acuerdo con el método de Kharitonov, para un polinomio Ps:

Donde el parámetro Pi varía entre su mínimo Xi y máximo Yi, i= 0; 1; 2; . . .; n, los

cuatro polinomios de Kharitonov son:

Si todos estos cuatro polinomios pasan la prueba de estabilidad individualmente,

entonces el sistema es estable bajo las condiciones de perturbación dadas. Este
concepto también se puede usar para el diseño del controlador para sistemas de
intervalos.

Algoritmo de Murciélago
La modelización de la ecolocalización de los micromurciélagos puede ser resumida
como sigue: cada murciélago virtual vuela aleatoriamente con una velocidad vi en
la posición xi(solución) con una frecuencia variable o longitud de onda y un
volumen Ai. Mientras busca y encuentra su presa, cambia de frecuencia, volumen
e índice de emisión del pulso ɤ. La búsqueda está intensificada por un camino
aleatorio local. La selección del mejor destino continúa hasta alcanzar ciertos
criterios de parada. Para esto se utiliza esencialmente una técnica de ajuste de
frecuencia para controlar el comportamiento dinámico de un enjambre de
murciélagos, y el equilibrio entre exploración y explotación puede ser controlado
ajustando los parámetros dependientes en el algoritmo de murciélago.
Aplicaciones
El Algoritmo de murciélago ha sido utilizado para diseño de ingeniería. Las
clasificaciones de datos de expresión del gen están hechas mediante el modelo
BAT-FLANN de Sashikala Mishra, Kailash Shaw y Debahuti Mishra. Un agregado
difuso de murciélagos ha sido desarrollado para solucionar problemas de puestos
de trabajo ergonómicos. Una aproximación interesante que utiliza el algoritmo
 P á g i n a | 18

murciélago y sistemas difusos ha mostrado una correspondencia fiable entre

predicción y datos reales para una modelización "exergy" (uso eficiente de energía).
Una comparación detallada del algoritmo de murciélago (BA) con el algoritmo
genético (GA), PSO y otros métodos para entrenar redes
neuronales feedforward concluyeron claramente que BA tiene ventajas sobre los
otros algoritmos.

Tito
Sistemas con dos entradas y dos salidas (TITO) o procesos 2×2. La razón es que
los sistemas TITO son los sistemas multivariables más comunes bien porque hay
procesos de esta naturaleza, o bien porque procesos más complejos se pueden
descomponer en bloques 2×2 con interacciones importantes entre sus entradas y
salidas. Sin embargo, es más raro encontrar metodologías generales para procesos
de mayores dimensiones, siendo éste otro tema en el que avanzar.
-Los procesos a controlar serán sistemas cuadrados, esto es, el número de entradas
y salidas es el mismo. Este hecho puede deberse a que su naturaleza ya les haga
ser cuadrados, o a que previamente se ha realizado un proceso de selección y
emparejamiento.
- Los procesos podrán tener retardos de tiempo diferentes asociados a cada pareja
entrada-salida.
- Debido a lo anterior, el proceso se representa mediante una matriz de funciones
de transferencia. Por tanto, el punto de partida de la solución será una planta lineal
invariante en el tiempo y causal. Si se desea controlar una planta no lineal se deberá
obtener un modelo lineal en torno a un punto de operación
 P á g i n a | 19

Relés y bloques de computo

Sirven para realizar operaciones matemáticas entre las señales de un proceso.
Los relés de computo son analógicos: eléctricos o neumáticos.
Los bloques de computo son digitales: con microprocesador
Operaciones típicas de los relés y los bloques de computo:
 Adición/sustracción. La señal que se obtiene a la salida es la adición o
substracción de las señales de entrada.
 Multiplicaci6n/divisi6n. La señal de salida es el producto, o el cociente de las
señales de entrada, o ambos.
 Raíz cuadrada. La señal de salida es la extracción de la raíz cuadrada de la
señal de entrada.
 Selector de alto/bajo. La señal de salida es la máxima/mínima de dos o más
señales de entrada.
 Limitador de alto/bajo. La señal de salida es la señal de entrada que se limita
a un valor máximo/mínimo precalculado.
 Generador de función. La señal de salida es una función de la señal de
entrada. Esta función generalmente se aproxima mediante una serie de
líneas rectas.
 Integrador. La señal de salida es la integral, en tiempo, de la señal de
entrada. Para el integrador se usan otros términos, como el de “totalizador”.
 Retardo lineal. La señal de salida es la solución de una ecuación diferencial
de primer orden cuya función de forzamiento es la señal de entrada; dicho
cálculo se describe en forma matemática como sigue:
G(s)=1/(Ts+1)
 Adelanto/retardo. La señal de salida es la siguiente función de
transferencia:
G(s)=(Tids+1) /(Tigs+1)

Control por sobreposición

El control por sobreposición se utiliza generalmente como un control de protección
para mantener las variables del proceso dentro de ciertos límites. Otro esquema de
protección es el de control entrelazado, el cual se utiliza principalmente como
protección contra mal funcionamiento del equipo; cuando se detecta mal
funcionamiento, el proceso se detiene mediante el sistema entrelazado. La acción
del control por sobreposición no es tan drástica: el proceso se mantiene en
operación, pero bajo condiciones más seguras.
 P á g i n a | 20

Diagrama 2: Representación del controlador por sobreposición

Control de gama partida

Es una forma de control en el que una variable manipulada ene preferencia con
relación a otra u otras del proceso. En la figura puede verse este tipo de control
aplicado a dos intercambiadores de calor en serie. La instalación se utiliza para
calentar un producto cuyo caudal es muy variable; cuando es bajo basta un solo
intercambiador para calentarlo y cuando la fabricación es la máxima son necesarios
los dos. Suponemos que, desde el punto de vista de seguridad, las válvulas deben
cerrar en caso de fallo de aire, por lo cual el controlador de temperatura debe ser
de acción inversa (al aumentar la temperatura baja la señal de salida). Si el caudal
de producto es bajo, actuará la válvula de vapor V-1, porque la señal de salida estará
comprendida entre el 50% y el 100% (9-15 psi o 0,2-1 bar). A medida que aumenta
el caudal, el controlador de temperatura baja la señal gradualmente hasta que,
cuando la señal baja de 50% (9 psi o 0,6 bar), la válvula V-1 permanece totalmente
abierta con el primer intercambiador trabajando al máximo, y la válvula de control
V-2 empieza a abrir, iniciando el funcionamiento del segundo intercambiador. A un
caudal máximo determinado, las dos válvulas de control están abiertas y los dos
intercambiadores trabajan conjuntamente. La partición de la señal se logra
usualmente mediante posicionadores acoplados a las válvulas de control que
convierten el campo de la señal de entrada electrónica (4-20 mA c.c.) a 0,2 1 bar
(3-15 psi), o bien mediante convertidores I/P (intensidad a presión).
 P á g i n a | 21

Diagrama 3: Control de Gama Partida

Control selectivo
Este tipo de control selectivo (override control) se emplea, básicamente, para limitar
la variable de proceso en un valor alto o bajo, con el objeto de evitar daños en el
proceso o en el producto. Algunas aplicaciones típicas residen en la protección de
presión de un compresor con regulación del caudal de descarga, la utilización de
varios tipos de combustibles en una caldera de vapor, el bombeo en oleoductos,
etc.
El control se efectúa en condiciones de funcionamiento normales con el controlador
de impulsión y, cuando por cualquier avería baja la presión de aspiración de la
bomba por debajo del límite de seguridad debe entrar en funcionamiento el
controlador de aspiración en lugar del de impulsión. Para conseguirlo, este último
instrumento es de acción inversa, el punto de consigna del controlador de aspiración
es inferior a los valores normales de trabajo y el relé selector selecciona la mínima
de las dos señales que le llegan.
De este modo, el control normal se efectúa con el controlador de impulsión. La
bomba es controlada por la presión de aspiración sólo cuando ésta baja demasiado
de valor y llega a ser inferior a su punto de consigna. Entonces, la señal de salida
del controlador de aspiración disminuye y llega a ser inferior a la señal de salida del
controlador de impulsión, con lo cual el relé selector la selecciona y así la válvula
pasa a ser controlada directamente por la presión de aspiración.
 P á g i n a | 22

Diagrama 4: Control Selectivo

Control adaptativo
El termino adaptativo significa cambiar el comportamiento conforme a nuevas
circunstancias. Un regulador adaptativo es un regulador que puede modificar su
comportamiento en respuesta a cambios en la dinámica del sistema y las
perturbaciones. Este mismo objetivo es el de la inclusión de la realimentación en el
bucle de control, por lo que sigue la pregunta de cuál es la diferencia entre control
realimentado y control adaptativo.
El control adaptativo es un tipo especial de control no lineal en el que el estado del
proceso puede ser separado en dos escalas de tiempo que evolucionan a diferente
velocidad. La escala lenta corresponde a los cambios de los parámetros y por
consiguiente a la velocidad con lo cual los parámetros del regulador son
modificados, y la escala rápida que corresponde a la dinámica del bucle ordinario
de realimentación.
El esquema básico del control adaptativo se puede observar en la siguiente figura,
está compuesto por un bucle principal de realimentación negativa, en el que actúa
al igual que en los sistemas convencionales un regulador y de otro bucle en el que
se mide un cierto índice de funcionamiento, el cual es comparado con el índice
deseado y se procesa el error en un mecanismo de adaptación que ajusta los
parámetros del regulador y en algunos casos actúa directamente sobre la señal de
control.
La característica principal que distingue a los sistemas adaptativos es la presencia
de un bucle de control en el que se compara un índice de funcionamiento.
 P á g i n a | 23

Diagrama 5: Control Adaptativo

Controladores adaptativos con modelo de referencia (MRAC)

Los sistemas adaptativos con modelo de referencia fueron diseñados
principalmente para sistemas continuos por minimización de un índice de actuación,
siendo dicho índice la integral del error al cuadrado.

Diagrama 6: Control adaptativo con modelo de referencia (MRAC)

Dado que un modelo de referencia Gm(s,p) y un sistema ajustable Gs(s,p), el cual

se desea que siga al modelo para que el error sea nulo (o mínimo en el caso de la
presencia de perturbaciones), se define el índice de funcionamiento:
 P á g i n a | 24

Usando la técnica de optimización del gradiente se tiene que la regla de adaptación

es:

La variación del parámetro ajustable con relación al tiempo será:

Si se asume la variación lenta de la ley de adaptación, se puede intercambiar el

orden de las derivadas:

La ley de adaptación representa la regla M.I.T.

Esta regla ha sido utilizada debido a su simplicidad. Sin embargo, para el caso de
ajuste de varios parámetros requiere un número elevado de funciones de
sensibilidad (tantas como parámetros). Por otro lado, la ganancia de adaptación
gobierna la velocidad de respuesta, si esta es muy grande el sistema puede ser
inestable y si es muy pequeña la velocidad será muy lenta. Para obtener un buen
compromiso entre velocidad de respuesta y estabilidad es necesario un laborioso
estudio por simulación.

Reguladores autoajustables
Estos reguladores conforman una estructura subóptima basada en el principio de
separación de las tareas de control de identificación. El diseño se hace de forma
que se suponen parámetros conocidos y después estos son sustituidos por sus
estimados.
 P á g i n a | 25

Desde el punto de vista del control estocástico de sistemas no lineales, es

claramente un controlador que aplica el principio de equivalencia cierta (supone que
los parámetros identificados coinciden con los reales).

Diagrama 7: Reguladores autoajustables

La idea de los reguladores autoajustables puede ser aplicada a muchos problemas

de control que no sean formulados como un problema de control estocástico. Dada
el modularidad y la separación del control e identificación, pueden formarse muchas
clases de reguladores autoajustable por combinación de diferentes métodos de
diseño e identificadores.

Control de rango partido (Split range control)

Es un sistema de control en el cual existe una sola variable controlada y dos o más
variables manipuladas que deben tener el mismo efecto sobre la variable
controlada.
Para realizar este sistema se requiere compartir la señal de salida del controlador
con varios elementos finales de control.

Diagrama 8: Control de Rango Partido

 P á g i n a | 26

Método de oscilación

Diagrama 9: Lazo Cerrado con ganancia proporcional

Este procedimiento es válido solo para plantas estables a lazo abierto y se lleva a
cabo siguiendo los siguientes pasos:
1.- Utilizando solo control proporcional, comenzando con un valor de ganancia
pequeño, incrementar la ganancia hasta que el lazo comience a oscilar.
2.- Registrar la ganancia critica del controlador Kp=Kc y el periodo de oscilación de
la salida del controlador, Pc (en el diagrama de Nyquist, corresponde a que KcG
(jw) cruza el punto (-1,0) cuando Kp=Kc).
3.- Ajustar los parámetros del controlador según la tabla siguiente:

Controlador por asignación de polos

Para realizar un controlador por asignación de polos, debe conocerse a priori el
modelo matemático que representa la dinámica de la planta (Función de
Transferencia). Donde el comportamiento dinámico del lazo cerrado es especificado
por el usuario.

Dónde:

: Son los Polos de Malla Abierta

: Salida del sistema

: Retardo en tiempo discreto

: Son los ceros de malla abierta

: Acción de Control
 P á g i n a | 27

La ley de control en la asignación de polos obedece a una estructura RST así:

Diagrama 10: Control por asignación de polos

Calculando la función de transferencia en lazo cerrado se obtiene la siguiente

ecuación.

A partir de la función característica se derivan los

coeficientes de los polinomios R, S, en base a la dinámica del lazo cerrado
especificado o dado por el diseñador .

Dónde:
: Es atribuido por el usuario.

nR,nS,nA,nB son el grado de los polinomios.

Ahora se tiene que:

Cuando el sistema llega a estado estable, quiere decir que la salida alcanza el Set-
Point
 P á g i n a | 28

Aplicando teorema de valor final, donde todas las z de los polinomios se colocan en
1

Obtenemos el polinomio T

Ahora debe abordarse la manera de diseñar el polinomio deseado en lazo

cerrado .

Dinámica de primer orden.

: Asignación del polo deseado.

: Periodo de Muestreo.

Para seleccionar el polo deseado puede optarse por establecerlo en el siguiente

rango . Si el polo está más cerca del 1, el controlador va a ser más
conservador, y la respuesta va a ser lenta. Si el polo está más cerca del cero el
controlador va a ser agresivo dando una dinámica más rápida.

Dinámica de segundo orden.

(Angulo en radianes)
 P á g i n a | 29

 El controlador por asignación de polos es capaz de controlar procesos lentos,

oscilatorios o inestables en lazo abierto, siempre y cuando en el proyecto no
exista ninguna restricción sobre la naturaleza física de la planta.
 La técnica de asignación de polos puede ser empleada en la sintonía de
diferentes algoritmos de control discreto (PID, modelo inverso, mínima
varianza, control predictivo)
 Esta técnica se hace en base al conocimiento previo de la función de
transferencia del proceso, si no se conoce, se deben aplicar técnicas de
identificación recursivas o no recursivas.

Método basado en la curva de reacción

Muchas plantas, pueden se descriptas satisfactoriamente por el modelo:

Una versión cuantitativa lineal de este modelo puede ser obtenida mediante un
experimento a lazo abierto, utilizando el siguiente procedimiento:
1.- Con la planta a lazo abierto, llevar a a la planta a un punto de operación normal.
Digamos que la salida de la planta se estabiliza en y(t)=Yo para una entrada
constante u(t)=Uo.
2.- en el instante inicial to, aplicar un cambio en la entrada escalón, desde Uo a Uoo
(esto debería ser en un rango de 10 al 20% de rango completo).
3.- Registrar la salida hasta que se estabilice en el nuevo punto de operación.
Supongamos que la curva que se obtiene es la que se muestra en la siguiente figura.
Esta curva se llama curva de reacción del proceso.
Calcular los parámetros del modelo de la siguiente forma:

Diagrama 11: Curva de reacción

 P á g i n a | 30

El modelo obtenido puede ser utilizado para varios métodos de ajuste de

controladores PID. Uno de estos también fue propuesto por Ziegler y Nichols. El
objetivo de diseño es alcanzar un amortiguamiento tal que exista una relación de
4:1 para el primer y segundo pico de la respuesta a una referencia escalón. Los
parámetros sugeridos por Z-N son los que se muestran a continuación:

Controlador robusto
La Teoría de Control Robusto ofrece un conjunto de herramientas desarrolladas
recientemente para el análisis de sistemas que tienen en cuenta las distintas
perturbaciones a las que puede estar sometido el proceso y para el diseño de
controladores, mediante el uso de técnicas de optimización cómo Iteración DK,
Desigualdades Matriciales Lineales y Ecuaciones Algebraicas de Riccati.

El objetivo para el diseño de un sistema de control retroalimentado robusto, es

obtener una ley de control que mantenga la respuesta del sistema y la señal de error
dentro de límites preestablecidos a pesar del efecto de las incertidumbres
presentes. Durante el diseño, estas consideraciones pueden presentar gran
dificultad para el ingeniero en la interpretación o toma de decisiones, a pesar de la
existencia de múltiples herramientas de cálculo.

El primer paso para el diseño de un sistema de control es la obtención del modelo

matemático de la planta u objeto de control una aproximación razonable para
asegurar que el controlador diseñado basado en un modelo funcionará
adecuadamente cuando se utilice con la planta real, consiste en asumir desde el
comienzo que existe una incertidumbre o error entre la planta real y su modelo
matemático e incluir dicha incertidumbre o error en el proceso de diseño del sistema
de control.

El sistema de control diseñado basado en esta aproximación se denomina sistema

de control robusto. Si se supone que la planta real que se desea controlar es G3 (s)
y que el modelo matemático de la planta real es G(s), esto es o de otras formas.
 P á g i n a | 31

Puesto que no se conoce la descripción exacta de la incertidumbre o error B(s), se

utiliza una estimación de B(s) y en el diseño del controlador se emplea esta
estimación, W(s). W(s) es una función de transferencia escalar del tipo

Si se utiliza el teorema de la pequeña ganancia, el proceso de diseño conlleva la

determinación del controlador K(s) que satisfaga la desigualdad, donde G(s) es la
función de transferencia del modelo utilizado en el proceso de diseño, K(s) es la
función de transferencia del controlador y W(s) se escoge como una función de
transferencia que aproxima B(s). En la mayoría de los casos prácticos, se debe
satisfacer más de una desigualdad dependientes de G(s), K(s) y W(s). Por ejemplo,
para garantizar la estabilidad robusta y el comportamiento robusto se requiere que
se satisfagan las dos desigualdades siguientes

Hay muchas desigualdades de este tipo que se tienen que satisfacer en muchos
sistemas diferentes de control robusto. (Estabilidad robusta significa que el
controlador K(s) garantiza la estabilidad interna de todos los sistemas que
pertenecen a un grupo de sistemas que representan el sistema de la planta real.
Comportamiento robusto significa que el comportamiento especificado se satisface
para todos los sistemas que pertenecen a este grupo).
 P á g i n a | 32

Control proporcional más reajuste más rapidez de cambio (PID)

El propósito primordial de la acción de velocidad, rapidez de cambio o derivada
consiste en acelerar la acción de control. Esto lo logra determinando por anticipado
a donde se dirige un proceso aplicando la corrección necesaria para detener el
cambio del error. Se “anticipa” midiendo la rapidez de cambio del error y aplicando
una acción de control proporcional a dicha velocidad (o índice) de cambio. La acción
derivada es de gran utilidad para los procesos de alto orden con una inercia
importante, es decir, una respuesta de iniciación lenta a un cambio en la variable
manipulada.
El controlador proporcional más velocidad de tipo ideal tiene la función de
transferencia:
𝑀
= 𝐾𝐶 (1 + 𝑇𝑑 𝑆)
𝐸
Donde 𝑇𝑑 = 𝑣𝑒𝑙𝑜𝑐𝑖𝑑𝑎𝑑 (í𝑛𝑑𝑖𝑐𝑒)𝑜 𝑡𝑖𝑒𝑚𝑝𝑜 𝑑𝑒 𝑙𝑎 𝑑𝑒𝑟𝑖𝑣𝑎𝑑𝑎
𝑑𝑒
𝑚 = 𝐾𝑐 𝑒 + 𝐾𝐶 𝑇𝑑 ( )
𝑑𝑡
Por lo tanto, la salida del controlador es proporcional tanto a la magnitud del error
como su velocidad de cambio.

Gráfica 1: Respuesta de un controlador PD de circuito abierto a

un error uniformemente creciente

En un controlador PID de segundo orden, se combinan las funciones de

transferencia y se obtiene la funcion de transferencia de circuito cerrrado, resulta:
 P á g i n a | 33

Esta función de transferencia es bastante compleja, y el diseño de un controlador

PID para sistemas de alto orden de cada índole, se desarrolla casi siempre
aplicando otras técnicas. Se obtendrá mayor facilidad para determinar los ajustes
de controlador, si 𝑇𝑖 y 𝑇𝑑 se eligen de tal modo que 𝑇𝑖 = 𝑇1 + 𝑇2 y 𝑇𝑖 𝑇𝑑 = 𝑇1 𝑇2. En
tales condiciones,
𝐶 1
=
𝑅 𝑇1
(𝐾 𝐾 )𝑠 + 1
𝑐 2

Se ha demostrado que los controladores PI y PID se pueden utilizar con eficacia

en sistemas de control sencillos de primero y segundo orden. Cuando se tienen
más de dos retrasos en el circuito de control, los problemas de análisis y diseño,
se complican y para estos casos se aplican otras técnicas, de las cuales se
hablaráDiagrama
a continuación.
12: Diagrama de bloques de un control PID idealizado de un proceso sencillo de 2do orden

Las técnicas disponibles para ajustar controladores de respuesta no lineal,

controladores de datos muestreados y contoladores en modalidades especiales, se
emplean primordialmente en el control de procesos en combinación con sistemas
de control por computadora.
Los métodos de campo más utilizados para ajustar controladores incorporan el
método del periodo final, el del la curva de reacción y algunos otros métodos de
búsqueda. El método del periodo final utiliza pruebas de circuito cerrado, mientras
que el de curva de reacción emplea una prueba de circuito abierto para obtener
información sobre el modelo dinámico del proceso.

Método del periodo final

Denominado también método de Ziegler-Nichols. El primer paso de este
planteamiento para ajustar controladores consiste en obtener los datos de proceso
necesarios y los de respuesta dinámica del sistema de control de circuito cerrado.
Estos se obtienen ajustando las acciones integral y derivada del controlador y
utilizando solo la modalidad de control proporcional. La ganancia proporcioanl se
 P á g i n a | 34

incrementa gradualemnte hasta que el sistema de circuito cerrado se ve forzado a

desarrollar ciclos continuis en el punto de inestabilidad. Una pequeña alteración, por
ejemplo, un cambio en el punto de ajuste, puede hacer necesario que se inicie la
oscilación.
La ganancia proporcional en el punto de ciclaje continuo y el periodo de oscilación
identifican la respuesta de frecuencia del sistema de circuito abierto en un punto: el
ángulo de fase a la frecuencia final es -180°, y la ganancia de circuito abierto es
igual que la unidad, incluyendo el circuito del controlador y el de retroalimentación.

Método de la curva de reacción

Este sistema de ajuste se basa en la respuesta de circuito abierto del proceso para
una entrada de paso o escalonada. Esta curva de respuesta se utiliza para derivar
las características dinámicas del proceso. Es más, al hacer la suposición de que el
proceso se puede describir por medio de un retraso de primer orden y un tiempo
muerto, es posible calcular los ajustes del controlador.
Aun cuando la mayor parte de los problemas de control se resuelven aplicando un
controlador normal de retroalimentación, se mejora el funcionamiento de muchos
sistemas con la aplicación de técnicas especiales.

Control de alimentación directa

El control de alimentación directa (denominado a veces control predictivo o de
anticipación) comprende básicamente un proceso de entradas múltiples en el cual
éstas se pueden medir. El control de alimentación directa utiliza las mediciones de
entrada y las relaciones entre entradas y salidas, para ajustar el proceso con el fin
de minimizar o eliminar los efectos de las perturbaciones de entrada en la salida del
mismo.

Diagrama 13: Diagrama de bloques de un sistema de control de directa alimentación

En el diagrama de bloques representado en la figura 3, la relación entre la variable

de salida C(s) y la variable de perturbación U(s) está dada por:
 P á g i n a | 35

[𝐶(𝑠) /𝑈(𝑠) ] = 𝐾2 𝐺2(𝑆) [𝐾3 𝐺3(𝑠) + 𝐾𝐶 𝐺𝐶(𝑠) 𝐾1 𝐺1(𝑆) ]

El propósito del control de alimentación directa consiste en hacer que la salida del
proceso dependa solo de 𝑅(𝑠) , que es el punto de ajuste o punto fijo.

Sistemas combinados de alimentación directa e inversa.

El control de alimentación directa satisface raramente todas las necesidades de
control, de modo que de alimentación inversa se emplea comúnmente en
combinación con él. Este tipo de configuración, ilustrado en la Figura 4, reduce la
precisión y la cantidad de conocimientos detallados del proceso que necesitan
especificar 𝐾𝐶 𝐺𝐶 (𝑠).

Diagrama 14: Diagrama de bloques generalizado de un sistema de control combinado con alimentación directa y
retroalimentación.

Una de las aplicaciones muy especializada para los controles combinados de

alimentación directa e inversa ilustra parte del potencial que ofrecen tales sistemas.
En un proceso de dos entradas y dos salidas (Figura 5), las salidas pueden
desacoplarse de tal manera que la acción de control que se toma como resultado
de una medición en una variable de salida afecte solo esa variable. La
determinación del carácter de los controladores de alimentación directa y
retroalimentación es, en general, un trabajo de algebra de matrices, y casi siempre
se requiere una computadora para el funcionamiento de los controladores.
 P á g i n a | 36

Diagrama 15: Diagrama de bloques de un sistema de control combinado con

alimentación directa a retroalimentación.

Compensación del tiempo muerto

Cuando se emplea un controlador normal de retroalimentación en un proceso que
tiene un tiempo muerto apreciable, el sistema de control se caracteriza por tener
una respuesta lenta. Los ajustes del controlador se caracterizan por ganancias
proporcionales pequeñas y tiempos de restauración reducidos. El objetivo de la
compensación es que se pueda ajustar el controlador como si no existiera ese
tiempo muerto. Los modelos del proceso de bajo orden y tiempo muerto pueden ser
difíciles de ponerse en práctica si el sistema de control no se computariza.
La variable manipulada actúa en la porción 𝐾1 𝐺1 (𝑠) del modelo y proporciona una
señal de retraso de bajo orden que se suma a la señal de salida de retroalimentación
del proceso, y se compara inmediatamente con el punto fijo de referencia.

Diagrama 16: Diagrama de bloques de una compensación de

tiempo muerto aplicada a un proceso que comprende retrasos y
tiempo muerto
 P á g i n a | 37

esta señal de control de circuito cerrado no tiene tiempo muerto, cuando 𝑒 −𝑓𝑠 actúa
sobre la salida 𝐾1 𝐺𝐴 (𝑠) del modelo, la señal sumada a la señal de salida de
retroalimentacion del proceso comienza a dirigirse hacia cero, en el lapso en que ha
transcurrido el tiempo muerto. La señal del compensador se hace cero cuando la
señal de proceso de retroalimentacion, C, llega a su respuesta plena y 𝐶1 se hace
igual que C, como se observa en la figura 7.

Diagrama 17: Comparación de la respuesta de proceso con la entrada al

controlador y una salida de tiempo muerto del compensador, para un cambio
escalonado en el punto de ajuste.

Control de encendido-apagado, sin atenuación (on-off)

Cuando se considera un control de proceso en el cual las perturbaciones se reducen
al mínimo, el control on-off constituye una acción de control muy violenta. Por otro
lado, según la mayor parte de los criterios de diseño de tiempo óptimo, el controlador
de encendido-apagado es óptimo, a condición de que no existan restricciones de
proceso que prohíban acciones de control repentinas. Debido a estas y otras
consideraciones, se ha despertado un nuevo interés en las aplicaciones del
controlador encendido-apagado para regular procesos.
La función de conmutación óptima para un sistema de control de orden n incluye n-
1 derivaciones de F. Dicho de otra manera,
𝑑𝐸 𝑑 𝑛−1 𝐸
𝑀 = 𝑀0 𝑠𝑒ñ𝑎𝑙 𝐹(𝐸1 … . 𝑛−1
𝑑𝑡 𝑑𝑡

𝑑𝐸 𝑑𝐸
En la práctica la aproximación 𝐹 (𝐸1 𝑑𝑡 ) = 𝐸 + 𝑇 ( 𝑑𝑡 ) da buenos resultados. Esto
equivale a suponer una representación de segundo orden del proceso, y restablecer
una aproximación lineal de la función de conmutación (interruptor).
 P á g i n a | 38

Bibliografía

CARLOS A. SMITH ARMANDO B. CORROPIO. (1991). CONTROL AUTOMATICO

DE PROCESOS. MEXICO: LIMUSA.
Garrido, J., Vázquez, F., Morilla, F. 2011b. Generalized inverted decoupling for TITO processes. En:
Proceedings of the 18th IFAC World Congress, 7535-7540

Solé, A. C. (2010). INSTRUMENTACION INDUSTRIAL 8ª EDICIÓN. MEXICO:

MARCOMBO.
http://www.dia.uned.es/~fmorilla/Publicaciones/2012_TesisJGarrido_XSimposioIC.
pdf
https://www.journalusco.edu.co/index.php/iregion/article/view/1281
https://es.slideshare.net/knals_17/tipos-de-control-37828364
http://www.cs.us.es/~fsancho/?e=70
http://www.redalyc.org/pdf/925/92503209.pdf
http://www.cs.us.es/~fsancho/?e=70
https://arxiv.org/pdf/1408.5343.pdf
https://thesai.org/Downloads/Volume4No8/Paper_11-
On_The_Performance_Of_The_Gravitational_Search_Algorithm.pdf
https://www.sciencedirect.com/science/article/pii/S0020025509001200
http://www.scielo.sa.cr/pdf/rmta/v21n1/a07v21n1.pdf