Sistemas de

Control
Inteligentes
Instructor
Emmanuel García Morán
• Ingeniería Mecatrónica (Tecnológico de Monterrey, Campus
Estado de México, 2002-2007).
• Especialidad en Control y Automatización (Tecnológico de
Monterrey, Campus Estado de México, 2007).
• Maestría en Ciencias de la Ingeniería con Especialidad en
Control Automático (Tecnológico de Monterrey, Campus
Estado de México, 2008-2010).
• Doctorado en Ciencias de la Ingeniería con Especialidad en
Control Inteligente (Tecnológico de Monterrey, Campus Estado
de México, 2011-2014).
Contenido y Objetivos
• Identificación por Redes Neuronales:
El participante diseñará e implementará una red neuronal
artificial para la identificación de un sistema neumático
de almacenamiento de aire.

• Control por Lógica Difusa:

El participante implementará un controlador difuso tipo
PID en un sistema neumático de almacenamiento de aire.
Referencias
• S. Haykin. Neural Networks: A Comprehensive Foundation. 2º Ed. Prentice-Hall.
Estados Unidos. 1999.
• E. N. Sánchez Camperos y A. Y. Alanís García. Redes Neuronales: Conceptos
Fundamentales y Aplicaciones a Control Automático. Prentice-Hall. España.
2006.
• M. Nørgaard, et al. Neural Networks for Modelling and Control of Dynamic
Systems: A Practitioner’s Handbook. Springer. Gran Bretaña. 2000.
• B. Martín de Brío y A. Sanz Molina. Redes Neuronales y Sistemas Borrosos. 3ª Ed.
Alfaomega. México. 2007.
• H. T. Nguyen, et al. A First Course in Fuzzy and Neural Networks. Chapman &
Hall/CRC. Estados Unidos. 2003.
Primera Parte:
Identificación por Redes Neuronales
Red Neuronal Artificial
• Una red neuronal artificial es un procesador masivamente
distribuido compuesto por unidades simples de
procesamiento, que posee la tendencia natural a
almacenar conocimiento experimental y hacerlo
disponible para su uso.

• Una red neuronal artificial es un algoritmo matemático-

computacional que posee la capacidad de aprender y
almacenar información experimental, emulando el
comportamiento del cerebro humano.
Red Neuronal Biológica
De manera muy general, la red neuronal biológica (cerebro
humano) tiene la capacidad de aprender y almacenar
información a partir de dos procesos cognoscitivos:

• El conocimiento es adquirido a través de un proceso de

aprendizaje que depende de la información sensorial que el
ser humano percibe en su entorno.

• La interconexión neuronal, conocida como sinapsis, almacena

o retiene el conocimiento adquirido, el cual es utilizado para
generar nuevo conocimiento.
Neurona Biológica
Neurona Artificial: Perceptrón

Señales de
Entrada

Suma
Ponderada Señal de
Salida

Sumador Función de
Activación

Pesos
Sinápticos
Neurona Artificial: Perceptrón
𝒏
Señales de
Entrada 𝒗𝒌 = ෍ 𝑾𝒊𝒌 𝒖𝒊
𝒊=𝟏
Suma
Ponderada Señal de
Salida

Sumador Función de
Activación

Pesos
Sinápticos
Neurona Artificial: Perceptrón
𝒏
Señales de
Entrada 𝒗𝒌 = ෍ 𝑾𝒊𝒌 𝒖𝒊
𝒊=𝟏
Suma
Ponderada Señal de
Salida

Sumador Función de 𝜎 𝑣𝑘
Activación
𝒂
𝝈 𝒗𝒌 = +𝒄
𝟏 + 𝒆−𝒃 𝒗𝒌 𝑣𝑘
Pesos
Sinápticos
𝟎 < 𝒂, 𝒃 ∈ ℝ 𝒄∈ℝ
Neurona Artificial: Perceptrón
𝒏
Señales de
Entrada 𝒗𝒌 = ෍ 𝑾𝒊𝒌 𝒖𝒊
𝒊=𝟏
Suma 𝒏
Ponderada Señal de
Salida
𝒚𝒌 = 𝝈 ෍ 𝑾𝒊𝒌 𝒖𝒊
𝒊=𝟏

Sumador Función de 𝜎 𝑣𝑘
Activación
𝒂
𝝈 𝒗𝒌 = +𝒄
𝟏 + 𝒆−𝒃 𝒗𝒌 𝑣𝑘
Pesos
Sinápticos
𝟎 < 𝒂, 𝒃 ∈ ℝ 𝒄∈ℝ
 Estructuras de Redes Neuronales

Perceptrones Monocapa Perceptrones Multicapa

Ley o Algoritmo de Aprendizaje
• Un algoritmo o ley de aprendizaje es un proceso por el
cual se adaptan los parámetros libres de una red neuronal
artificial, a través de la estimulación del entorno en el que
dicha red está embebida.

• Un algoritmo o ley de aprendizaje es el método por el

cual se modifican los pesos sinápticos de una red
neuronal artificial.
Regla Delta o de Widrow-Hoff
La regla delta es una algoritmo de aprendizaje que se aplica únicamente a
perceptrones monocapa y, su objetivo, es minimizar el siguiente error cuadrático:
𝑁
1 2
𝐸= ෍ 𝑒𝑘
2𝑁
𝑘=1

donde 𝑘 = 1, 2, 3, … , 𝑁 representa el número de neuronas en la red y 𝑒𝑘 = 𝑑𝑘 −

𝑣𝑘 es el error entre la suma ponderada 𝑣𝑘 de la red y la salida deseada 𝑑𝑘 .
Matemáticamente, esto se logra con la siguiente fórmula:
𝜕𝐸
𝑊𝑖𝑘 𝑡 + 1 = 𝑊𝑖𝑘 𝑡 + ∇𝐸 = 𝑊𝑖𝑘 𝑡 −𝜇 = 𝑊𝑖𝑘 𝑡 + 𝜇 𝑒𝑘 𝑢𝑖
𝜕𝑊𝑖𝑘
donde 𝜇 se conoce como el paso de aprendizaje.
Regla Delta o de Widrow-Hoff
Ejemplo

Sea la siguiente red neuronal,

determine la ley de aprendizaje para
෍ 𝑣1
cada uno de sus pesos sinápticos
cuando:

a) Hay dos salidas deseadas 𝑑1 y 𝑑2

෍ 𝑣2
en un sistema lineal.

b) Hay una sola salida deseada 𝑑 en

un sistema no lineal.
Redes Neuronales e Ingeniería de
Control

Una de las aplicaciones más comunes de las redes

neuronales artificiales dentro de la ingeniería de control, es
la identificación de sistemas dinámicos tipo caja negra, en
los cuales solamente se conocen (sólo son accesibles para
medición) sus entradas y salidas.
Identificación Neuronal en
Sistemas Dinámicos

Para sistemas dinámicos descritos por alguna función de

transferencia 𝐺 𝑠 , la estructura o arquitectura más usada para
aplicar la mencionada identificación neuronal es la siguiente:
Actividad 1
Sea un sistema dinámico representado por medio de la siguiente función de transferencia:
𝑑 𝑠 1
𝐺 𝑠 = = 2
𝑢 𝑠 𝑠 +𝑠+1

donde su entrada (en el dominio del tiempo) es:

𝑢 𝑡 = 3 + 0.5 sin 𝑡

diseñe una red neuronal en Simulink tal que la salida del sistema 𝑑 𝑡 sea identificada. Considere
que dicha red posee cuatro neuronas cuyas funciones de activación están dadas por:
1
𝜎 𝑣𝑘 =
1 + 𝑒 −0.1 𝑣𝑘
y que su salida es denotada por 𝑦 𝑡 . Así mismo, considere que el algoritmo de aprendizaje de la
red está dado por la Regla Delta, donde el paso de aprendizaje es 𝜇 = 0.8 y el periodo de
muestreo es 𝑇 = 0.1 segundos.
Actividad 1
 Sistema Neumático de
Almacenamiento de Aire

Conexiones neumáticas
Sistema
con mangueras

PIN Conexiones del Actuador Color

1 Alimentación de 24 volts Rojo
Actuador 2 Alimentación de 0 volts Azul
3 Señal de Entrada de la Válvula Negro
4 Tierra de la Señal de Entrada de la Válvula Blanco

PIN Conexiones del Sensor Color

1 Alimentación de 24 volts Rojo
Sensor
2 Alimentación de 0 volts Azul
3 Voltaje de Salida del Sensor Negro
 Sistema Neumático de
Almacenamiento de Aire
Entrada de Salida de
Conexiones la Tarjeta la Tarjeta
Eléctricas
Sensor Tarjeta de Adquisición
de Datos
Tanque de Válvula 5/3
Almacenamiento de Aire

Tierra de Tierra de
la Tarjeta la Válvula
Sensor

Válvula 5/3

Distribuidor
Conexiones
Neumáticas
Alimentación Neumática
 Tarjeta HUMUSOFT MF644

Terminal TB640

Canales de Entrada
Canales de Salida
Puerto
Thunderbolt
Tierra
 Tarjeta HUMUSOFT MF644

Para cargar los componentes

de la tarjeta de adquisición
de datos a la plataforma
MATLAB-Simulink, se debe
utilizar la librería denominada
Simulink Desktop Real-Time.
 Tarjeta HUMUSOFT MF644

Para adquirir una señal de

entrada analógica se utiliza el
bloque llamado Analog Input,
en el cual se deben especificar
el nombre de la tarjeta, el
periodo de muestreo y el
número de canal de entrada.
 Tarjeta HUMUSOFT MF644

Para mandar una señal de

salida analógica se utiliza el
bloque llamado Analog
Output, en el cual se deben
especificar el nombre de la
tarjeta, el periodo de muestreo
y el número de canal de salida.
Actividad 2
Usando la red neuronal diseñada en la actividad anterior, utilice la tarjeta de
adquisición de datos HUMUSOFT MF644 para identificar la salida del tanque
neumático de presión cuando su entrada es dada por:

a) Una señal senoidal 𝑢 𝑡 = 5 + 0.5 sin 𝑡 .

b) Una señal cuadrada 𝑢 𝑡 = 5 + 0.5 square 𝑡 .
c) Una señal diente de sierra 𝑢 𝑡 = 5 + 0.5 sawtooth 𝑡 .
d) Una señal aleatoria 𝑢 𝑡 = 5 + 0.5 random 𝑡 .

Considere ahora que las funciones de activación de la red están dadas por:

4
𝜎 𝑣𝑘 = −1
1+ 𝑒 −0.01 𝑣𝑘
y que el periodo de muestreo, tanto para el algoritmo de aprendizaje como para la
tarjeta de adquisición de datos, es 𝑇 = 0.05 segundos.
Segunda Parte:
Control por Lógica Difusa
Concepto de Lógica Difusa
Lógica multi-valuada que permite modelar matemáticamente
información inexacta, vaga o incierta a través de verdades
parciales y conocimiento cualitativo.

¡Un objeto de
250Kg está
cayendo a una ¡Cuidado
aceleración de arriba!
9.8m/s2 sobre
usted!
Historia de la Lógica Difusa

En 1965, el profesor Lotfi Zadeh de la

UC Berkeley trabajaba en encontrar la
solución óptima para el problema de
estacionar un automóvil de manera
automática. Así, proponiendo la teoría
de conjuntos difusos, pudo contrastar
la solución computacional del complejo
modelo matemático que describe la
acción de estacionar un automóvil,
contra la aparente simplicidad con la
que un ser humano es capaz de realizar
dicha acción.
Control por Lógica Difusa
Al controlar la temperatura y el flujo del agua en una regadera,
no definimos un set-point deseado de por ejemplo 45℃ a
1 dm3 Τs, simplemente abrimos o cerramos las válvulas del
agua fría o caliente hasta conseguir la temperatura y flujo
adecuados.
Control por Lógica Difusa
1) Definimos únicamente las variables de entrada y salida que están
involucradas en el controlador difuso. En el ejemplo de la
regadera:
▪ Entradas: Temperatura y flujo del agua.
▪ Salidas: Apertura o cierre de válvulas de agua fría o caliente.
Control por Lógica Difusa
2) Definimos nuestro conocimiento cualitativo (información difusa) en base a
qué tan adecuadas son dichas variables de entrada y salida, lo cual se
realiza por medio de las denominadas funciones de pertenencia o
membresía.

Un función de pertenencia de un conjunto difuso 𝐴 sobre un universo de

discurso 𝑋 es un mapeo de la forma:

𝜇𝐴 ∶ 𝑋 → 0,1

Es decir, sea 𝑥 un elemento del universo de discurso 𝑋, el conjunto difuso

𝐴 está dado:

𝐴= 𝑥, 𝜇𝐴 𝑥 ∶𝑥∈𝑋
Control por Lógica Difusa

Por ejemplo, sea el universo de discurso Conjunto Conjunto

Difuso 𝐴1 Difuso 𝐴2
𝑋 = 0,3 la altura de una persona en 𝜇𝐴 𝑥
metros, utilizando los conjuntos difusos 𝐴1 , Bajo Mediano Alto
𝐴2 y 𝐴3 , se puede hacer una clasificación
difusa de un ser humano dentro de tres
atributos: bajo, mediano y alto.
Conjunto
Difuso 𝐴3

𝐴1 = 𝑥1 , 𝜇𝐴1 𝑥1 ∶ 0,1.7 = 𝑥1 ∈ 𝑋
𝑥
𝐴2 = 𝑥2 , 𝜇𝐴2 𝑥2 ∶ 1.5,1.9 = 𝑥2 ∈ 𝑋
𝐴3 = 𝑥3 , 𝜇𝐴3 𝑥3 ∶ 1.7,3 = 𝑥3 ∈ 𝑋 Universo de discurso 𝑋
(Altura en metros)
Control por Lógica Difusa

Entrada 1

Entrada 2
Control por Lógica Difusa

Salida 1

Salida 2
 Control por Lógica Difusa
3) Definimos reglas de inferencia mediante proposiciones
lingüísticas para controlar la regadera:

Si flujo B y temperatura B entonces abrir válvula agua caliente.

Si flujo B y temperatura M entonces abrir válvula agua caliente y abrir válvula agua fría.
Si flujo B y temperatura A entonces abrir válvula agua fría.
Si flujo M y temperatura B entonces abrir válvula agua caliente y cerrar válvula agua fría.
Si flujo M y temperatura M entonces no hacer nada en ambas válvulas.
Si flujo M y temperatura A entonces cerrar válvula agua caliente y abrir válvula agua fría.
Si flujo A y temperatura B entonces cerrar válvula agua fría.
Si flujo A y temperatura M entonces cerrar válvula agua caliente y cerrar válvula agua fría.
Si flujo A y temperatura A entonces cerrar válvula agua caliente.
Control por Lógica Difusa
4) Regresamos las conclusiones de las reglas de inferencia (de nuevo,
información difusa) a información precisa o real.

Una de las maneras más sencillas de realizar lo anterior es utilizando la

siguiente fórmula:

𝑛 ≔ número de reglas
𝑛 𝑤𝑖 ≔ asociación de la 𝑖 − ésima regla
෍ 𝑦𝑖 𝑤𝑖 𝑦𝑖 ≔ valor real al 100% de la inferencia para la 𝑖 − ésima regla
1
𝑖=1
1 𝑦 ≔ resultado en números reales
𝑦0 = 1 1
𝑛 𝑤𝑖 = min 𝜇𝐴 𝑥 , 𝜇𝐵 𝑦 , 𝜇𝐶 𝑧 , … ∶ 𝑥 ∈ 𝑋, 𝑦 ∈ 𝑌, 𝑧 ∈ 𝑍, …
෍ 𝑤𝑖 𝑥, 𝑦, 𝑧, … ≔ diferentes variables físicas dentro de sus
𝑖=1 respectivos universos de discurso 𝑋, 𝑌, 𝑍, …
𝐴, 𝐵, 𝐶, … ≔ distintos conjuntos difusos vinculados a 𝑥, 𝑦, 𝑧, …
Control por Lógica Difusa
En el ejemplo de la regadera, suponiendo que se tiene un flujo de 1.25 dm3 Τs y
una temperatura de 32℃, los valores de las funciones de membresía para cada
variable de entrada serían:

𝜇𝐵 𝑄 = 0 𝜇𝐵 𝑇 = 0.3
𝜇𝑀 𝑄 = 0.5 𝜇𝑀 𝑇 = 0.7
𝜇𝐴 𝑄 = 0.5 𝜇𝐴 𝑇 = 0
Control por Lógica Difusa
Por lo tanto, las asociaciones de las 9 reglas serían:
𝑤1 = min 𝜇𝐵 𝑄 , 𝜇𝐵 𝑇 = min 0,0.3 = 0
𝑤2 = min 𝜇𝐵 𝑄 , 𝜇𝑀 𝑇 = min 0,0.7 = 0
𝑤3 = min 𝜇𝐵 𝑄 , 𝜇𝐴 𝑇 = min 0,0 = 0
𝑤4 = min 𝜇𝑀 𝑄 , 𝜇𝐵 𝑇 = min 0.5,0.3 = 0.3 Flujo 𝑄: Temperatura 𝑇:
𝜇𝐵 𝑄 = 0 𝜇𝐵 𝑇 = 0.3
𝑤5 = min 𝜇𝑀 𝑄 , 𝜇𝑀 𝑇 = min 0.5,0.7 = 0.5
𝜇𝑀 𝑄 = 0.5 𝜇𝑀 𝑇 = 0.7
𝑤6 = min 𝜇𝑀 𝑄 , 𝜇𝐴 𝑇 = min 0.5,0 = 0 𝜇𝐴 𝑄 = 0.5 𝜇𝐴 𝑇 = 0
𝑤7 = min 𝜇𝐴 𝑄 , 𝜇𝐵 𝑇 = min 0.5,0.3 = 0.3
𝑤8 = min 𝜇𝐴 𝑄 , 𝜇𝑀 𝑇 = min 0.5,0.7 = 0.5
𝑤9 = min 𝜇𝐴 𝑄 , 𝜇𝐴 𝑇 = min 0.5,0 = 0
y su sumatoria:
9

෍ 𝑤𝑖 = 0.3 + 0.5 + 0.3 + 0.5 = 1.6

𝑖=1
 Control por Lógica Difusa
Los valores reales de las inferencias para el agua caliente:
𝑦1 = 1 𝑦2 = 1 𝑦3 = 0
𝑦4 = 1 𝑦5 = 0 𝑦6 = −1
𝑦7 = 0 𝑦8 = −1 𝑦9 = −1
Si flujo B y temperatura B entonces abrir C
Si flujo B y temperatura M entonces abrir C y abrir F
Si flujo B y temperatura A entonces abrir F
Si flujo M y temperatura B entonces abrir C y cerrar F
Si flujo M y temperatura M entonces nada
Si flujo M y temperatura A entonces cerrar C y abrir F
Si flujo A y temperatura B entonces cerrar F
Si flujo A y temperatura M entonces cerrar C y cerrar F
Si flujo A y temperatura A entonces cerrar C
 Control por Lógica Difusa
Los valores reales de las inferencias para el agua fría:
𝑦1 = 0 𝑦2 = 1 𝑦3 = 1
𝑦4 = −1 𝑦5 = 0 𝑦6 = 1
𝑦7 = −1 𝑦8 = −1 𝑦9 = 0
Si flujo B y temperatura B entonces abrir C
Si flujo B y temperatura M entonces abrir C y abrir F
Si flujo B y temperatura A entonces abrir F
Si flujo M y temperatura B entonces abrir C y cerrar F
Si flujo M y temperatura M entonces nada
Si flujo M y temperatura A entonces cerrar C y abrir F
Si flujo A y temperatura B entonces cerrar F
Si flujo A y temperatura M entonces cerrar C y cerrar F
Si flujo A y temperatura A entonces cerrar C
 Control por Lógica Difusa
Por lo tanto, aplicando la fórmula para cada salida:
𝐀𝐠𝐮𝐚 𝐂𝐚𝐥𝐢𝐞𝐧𝐭𝐞:
𝑛

෍ 𝑦𝑖 𝑤𝑖
1 1 0.3 − 0.5
𝑖=1
𝑦0 = 1 1 = = −0.125
𝑛 1.6 𝐀𝐠𝐮𝐚 𝐅𝐫ía:
෍ 𝑤𝑖 𝑛
𝑖=1 ෍ 𝑦𝑖 𝑤𝑖
1 1 −0.3 − 0.3 − 0.5
𝑖=1
𝑦0 = 1 1 = = −0.6875
𝑛 1.6
෍ 𝑤𝑖
𝑖=1
Estructura General de
Controladores Difusos
Controlador PID Difuso
Para efectos de la actividad a realizar, el controlador PID
convencional se reescribirá de la siguiente manera:
• Controlador PID convencional:
𝑡
𝑑
𝑢 𝑡 = 𝐾𝑃 𝑒 𝑡 + 𝐾𝐼 න 𝑒 𝜏 𝑑𝜏 + 𝐾𝐷 𝑒 𝑡
𝑑𝑡
0

• Controlador PID difuso:

𝑑 𝑑 𝑑2
𝑢 𝑡 = 𝐾𝑃 𝑒 𝑡 + 𝐾𝐼 𝑒 𝑡 + 𝐾𝐷 2 𝑒 𝑡
𝑑𝑡 𝑑𝑡 𝑑𝑡
Actividad 3
Actividad 3