ASIGNACION 15% SEGUNDO CORTE

INTEGRANTES:

LUIS ALBERTO GUALDRON CHACON

1090421227

DAVID LEONARDO SANDOVAL DÍAZ

1004910886

JESUS DAVID ESPINOSA GUERRERO

1090535920

BYRON FRANYER SANABRIA GELVEZ

1094277717

UNIVERSIDAD DE PAMPLONA

FACULTAD DE INGENIERÍAS Y ARQUITECTURA

INGENIERÍA MECATRÓNICA

VILLA DEL ROSARIO

2022

1
 ASIGNACION 15% SEGUNDO CORTE

INTEGRANTES:

LUIS ALBERTO GUALDRON CHACON

1090421227

DAVID LEONARDO SANDOVAL DÍAZ

1004910886

JESUS DAVID ESPINOSA GUERRERO

1090535920

BYRON FRANYER SANABRIA GELVEZ

1094277717

PRESENTADO A:

Msc. Jorge Fuentes Fuentes

UNIVERSIDAD DE PAMPLONA

FACULTAD DE INGENIERÍAS Y ARQUITECTURA

INGENIERÍA MECATRÓNICA

VILLA DEL ROSARIO

2022

2
 INTRODUCCIÓN

El Control difuso FLC al igual que otros controladores contempla el uso de una
acción proporcional, proporcional derivativa, proporcional integral. Durante el
desarrollo de este trabajo se diseña y simula estrategias de control difuso
implementadas a un proceso (función de transferencia) académico con el fin de
estudiar la aplicación de los controladores difusos.
Se realizo primeramente el diseño de un controlador clásico, al cual se le analiza su
funcionalidad y comportamiento con respecto a perturbaciones, ruido. Luego se
realiza el diseño del controlador difuso clásico y se le realiza su respectivo estudio
con perturbación y ruido de su comportamiento, por último, se comparan estos dos
controladores para verificar cuál de ellos en función parámetros de diseño y de coste
computacional es mejor.

3
MARCO TEÓRICO

Control

Esta palabra se usa para designar regulación, gobierno, dirección o comando.

Sistema de control

Consiste en seleccionar, para un sistema dado, una entrada que haga responder a la
planta de una manera deseada; esto es, que se obtenga una salida con cierta
característica.

Sistema de control de lazo abierto

En estos sistemas de control la señal de salida no es monitoreada para generar una

señal de control. En cualquier sistema de control de lazo abierto, la salida no se
compara con la entrada de referencia.

Perturbaciones

Es una señal que tiende a afectar adversamente el valor de la salida de un sistema. Si

lo perturbación se genera dentro del sistema se la denomina interna, mientras que una
perturbación externa se genera fuera del sistema. Las perturbaciones actúan sobre un
sistema modificando, su funcionamiento por lo que su presencia implica la necesidad
de control. Normalmente las perturbaciones actúan sobre un sistema aleatoriamente.

Control realimentado

Se refiere a una operación que, en presencia de perturbaciones, tiende a reducir la

diferencia entre la salida de un sistema y alguna entrada de referencia y lo continúa
haciendo en base a esta diferencia.

Acción de control proporcional (P)

Es un modo de control en que el dispositivo corrector final (o accionador), tienen un

rango continuo de posiciones posibles, con la posición exacta tomada siendo

4
proporcional a la señal de error; esto es la salida del controlador es proporcional a su
entrada.

Kp= U(s)/E(s)
Kp=K

Control integral (I)

Es un controlador cuyo valor de salida varía en razón proporcional a la señal del error
e(t) acumulado; lo que implica que es un modo de controlar lento.
du(t)/dt=Ki*e(t)

Control derivativo (D)

Esta acción de control se adelanta a la señal de control frente a la aparición de una

tendencia de error, esto hace que se anticipe al sistema, puesto que los retardos en
controlar lo tienden a inestabilizar

Control proporcional derivativo (PD)

Definido mediante

Td = tiempo derivativo
Td = Kd

5
Controlador borroso

Los conjuntos fuzzy son una generalización de los conjuntos clásicos en los cuales a
diferencia de estos últimos se tienen valores de pertenencia entre 0 y 1.

Variables lingüísticas

Una variable lingüística es aquella cuyos valores son conjuntos difusos. Cada una de
estas variables lingüísticas a su vez puede tomar diferentes valores como muy
pequeña, pequeña, media, alta, muy alta. Estos diferentes valores de la variable son
llamados términos lingüísticos.

Diagrama del controlador difuso

Fuzzificación

El control difuso siempre involucra este proceso de Fuzzificación, esta operación se

realiza en todo instante de tiempo, es la puerta de entrada al sistema de inferencia
difusa. Es un procedimiento matemático en el que se convierte un elemento del universo

6
de discurso (variable medida del proceso) en un valor en cada función de membresía a
las cuales pertenece.

Reglas borrosas

Los controladores difusos usan reglas, estas combinan uno o más conjuntos borrosos
de entrada llamados antecedentes o premisas y le asocian un conjunto borroso de
salida llamado consecuente o consecuencia. Involucran a conjuntos difusos, lógica
difusa e inferencia difusa. A estas reglas se les llama reglas borrosas o difusas o fuzzy
rules. Son afirmaciones del tipo SI-ENTONCES. Los conjuntos borrosos del
antecedente se asocian mediante operaciones lógicas borrosas AND, OR, etc.

Ejemplo de reglas difusas.

Lo cual se puede presentar de manera más compacta de la siguiente manera:

7
Diagrama comparativo del controlador clásico vs el control difuso

Diseño de controladores con base en Mamdani

Mamdani propuso el primer controlador difuso en los años setenta y comprende el siguiente
procedimiento básico:

1. Siendo el error la diferencia entre el valor deseado y el valor real de la variable que se va
a controlar, esto es: ε = Vdeseado −Vreal, se seleccionan las funciones de pertenencia que
realizarán la difusificación (Cruz, 2010).

2. Se establecen las reglas a partir de proposiciones condicionales, y el dispositivo de

inferencia será una composición máx-mín que ha sido previamente definida como:

8
3. Se seleccionan las funciones de pertenencia para la desdifusificación y el método que se
va a usar para encontrar el valor nítido de la salida, normalmente correspondiente al método
del centroide:

DESARROLLO

CAPITULO #1
OBJETIVO #1: Corregir los objetivos del taller del 15 % (1corte) de manera
que se asegure que se establece la función de transferencia de trabajo, sintonizar
al menos 2 controladores de naturaleza clásica (PID) por las Técnicas que se
deseen (por ejemplo: Primer Método de Ziegler-Nichols, Segundo Método de
Ziegler-Nichols, tercer Método de Ziegler-Nichols, D, Control PID vía síntesis
DAHLIN, Tunnig de Matlab o cualquier otro método que conozcan) pero
asegurándose que la señal de control está dentro del rango seleccionado al
estándar industrial asignado al EFC, que se con base al rango del EFC se conoce
el rango de trabajo del sistema de control y que se escogió el mejor controlador
clásico diseñado, justificar mediante los análisis de las curvas de respuesta (en
transitorio y en estable) y usando la comparación de las respuestas de lazo cerrado
de las simulaciones

Establecer funciones de transferencia

𝑽𝒂𝒍𝒐𝒓 𝟏: 𝟒𝟓 − − − →1094277717

𝑽𝒂𝒍𝒐𝒓 𝟐: 𝟑𝟒 − − − →1090535920

𝑻𝒎 = 𝟕

𝑲 = 𝟒𝟓

𝝉 = 𝟕𝟗

Función de transferencia tipo 0

9
 𝟒𝟓 ∗ 𝒆−𝟕𝒔
𝑮(𝒔) =
𝟕𝟗𝒔 + 𝟏

Para verificar el comportamiento de la función transferencia tipo 0 se sometió el

efector final a su máxima capacidad, aplicando una escala industrial de 0 a 24 V;
para visualizar la respuesta del proceso. De esta manera se puede determinar cuál
es el valor máximo al que se puede someter el EFC, y a su vez condicionar el
controlador para establecer el límite de saturación y que este no sea sobrepasado.

• Función de transferencia tipo 0 de primer orden con tiempo muerto.

figura 1 Diagrama en bloques de la función de transferencia tipo 0 a lazo abierto

Grafica 1 Respuesta de la función de transferencia tipo 0 a lazo abierto

10
Se procede a calcular el controlador PID mediante la tabla de Z&N

figura 2: parámetros para sintonizar controlador PID

𝟏. 𝟐 𝝉
𝑲𝑷 = 𝑲𝒄 = ( )
𝑲 𝒕𝒎

𝟏. 𝟐 𝟕𝟗
𝑲𝑷 = 𝑲𝑪 = ( ) = 𝟎. 𝟑𝟎𝟎𝟗𝟓𝟐𝟑𝟖𝟏
𝟒𝟓 𝟕

𝑻𝑰 = 𝟐(𝒕𝒎)

𝑻𝑰 = 𝟐(𝟕) = 𝟏𝟒

𝟏
𝑻𝑫 = (𝒕𝒎)
𝟐
𝟏
𝑻𝑫 = (𝟕) = 𝟑. 𝟓
𝟐
𝑲𝑪
𝑲𝑰 =
𝑻𝑰

𝟎. 𝟑𝟎𝟎𝟗𝟓𝟐𝟑𝟖𝟏
𝑲𝑰 = = 𝟎. 𝟎𝟐𝟏𝟒𝟗𝟔𝟓𝟗𝟖𝟔𝟒
𝟏𝟒

𝑲𝑫 = 𝑲𝑪 ∗ 𝑻𝑫

𝑲𝑫 = 𝟎. 𝟑𝟎𝟎𝟗𝟓𝟐𝟑𝟖𝟏 ∗ 𝟑. 𝟓 = 𝟏. 𝟎𝟓𝟑𝟑𝟑𝟑𝟑𝟑𝟒

11
 figura 3 Diagrama en bloques del controlador PID

Gráfica 1: Respuesta del controlador por Z&N

Tabla de ajustes

KP KI KD MP% TS TR de
10% a
90%
0.300952381 0.02149659864 1.053333334 2.22% 98.7 49.67
0.2407619048 0.01074829932 1.053333334 1.25% 90.06 61.95
0.2407619048 8.598639456x10-3 1.053333334 0.07% 117.439 103.748
0.2407619048 8.598639456x10-3 0.4213333336 0 310.852 171.786
Tabla 1: Variaciones de las constantes Kp, Ki, Kd, porcentaje de sobre impulso, tiempo de subida y tiempo de
estabilización

12
 Grafica 2 Respuesta del controlador por Z&N ajustado

CAPITULO #2
OBJETIVO#2:
Establecer los requerimientos de diseño y seleccionar la arquitectura borrosa de
control inteligente fuzzy a usar y justificar porque son aplicables dichos métodos
para obtener los resultados deseados. (P-fuzzy, PD-Fuzzy, PI-Fuzzy, PID-Fuzzy).
Nota: se deben seleccionar 2 arquitecturas de control fuzzy y estas son las que
se llevaran a rango amplio.

A partir del controlador clásico sintonizado por el método de Z&N se obtiene

comportamiento gráfico del error, el delta de error y el mando (U(t)).

Comportamiento gráfico del error

13
 Gráfica 2: Comportamiento gráfico del error para un SP de 800

Comportamiento gráfico del delta de error

Gráfica 3: comportamiento gráfico de la derivada del error

14
Comportamiento gráfico de la señal de control

Gráfica 4: Señal de controlador PID clásico (17.78)

Se requiere un controlador Fuzzy que garantice una respuesta en rango amplio de 100 a
1080 que es el rango de operación de la planta.

IMPLEMENTACIÓN DEL CONTROLADOR P FUZZY

Variables a controlar.

Entrada: Error

Salida: Respuesta del controlador (mando).

Etiquetas lingüísticas

Para el error

• Negativo Grande Error (NB)

• Negativo Pequeño Error (NS)
• Cero Error (ZE)
• Positivo Pequeño Error (PS)
• Positivo Grande Error (PB)

15
Para la salida

• Salida Negativa Grande (NB)

• Salida Negativa Pequeña (NS)
• Salida Cero (ZE)
• Salida Positiva Pequeña (PS)
• Salida positiva Grande (PB)

Rangos de operación

Error Mando

-1080 a 1080 0 a 24

Funciones de Membresía

Para el error

Ilustración 1: funciones de membresía para el error

Para el mando

16
 Ilustración 2: funciones de membresía para el mando

Tabla 2: Matriz de reglas difusas (FAM) para el controlador P. Tomada del libro Inteligencia artificial con
aplicaciones a la ingeniería – Ponce.

17
 Ilustración 3: reglas difusas para el controlador P

Diagrama 1: diagrama de bloques del controlador P fuzzy

18
 Gráfica 5: respuesta del lazo controlado por el controlador P difuso (803.3)

Como no se alcanza la referencia es necesario agregar una ganancia

𝑀𝑎𝑛𝑑𝑜 𝑑𝑒 𝑐𝑜𝑛𝑡𝑟𝑜𝑙 𝑐𝑙á𝑠𝑖𝑐𝑜

𝐾=
𝑀𝑎𝑛𝑑𝑜 𝑑𝑒 𝑐𝑜𝑛𝑡𝑟𝑜𝑙 𝑑𝑖𝑓𝑢𝑠𝑜

17.78
𝐾= = 0.9960784314
17.85

Diagrama 2: Lazo de control P aplicando ganancia

19
 Ilustración 4: respuesta del lazo aplicando la ganancia reductora de ajuste

IMPLEMENTACIÓN DEL CONTROLADOR PD FUZZY

Variables a controlar.

Entradas: Error y Delta del error.

Salida: Respuesta del controlador (mando).

Etiquetas lingüísticas

Para el error

• Negativo Grande Error (NB)

• Negativo Pequeño Error (NS)
• Cero Error (ZE)
• Positivo Pequeño Error (PS)
• Positivo Grande Error (PB)

Para el delta del error

20
 • Negativo Grande Delta Error (NB)
• Negativo Pequeño Delta Error (NS)
• Cero Delta Error (ZE)
• Positivo Pequeño Delta de error (PS)
• Positivo Grande Delta de Error (PB)

Para la salida

• Salida Negativa Grande (NB)

• Salida Negativa Pequeña (NS)
• Salida Cero (ZE)
• Salida Positiva Pequeña (PS)
• Salida positiva Grande (PB)

Rangos de operación

Error Delta de error Mando

-1080 a 1080 -5 a 5 -24 a 24

Funciones de Membresía

Para el error

21
 Ilustración 5: funciones de membresía para el error

Para el delta del error

Ilustración 6: funciones de membresía para la variación del error

Para el mando (señal de control)

22
 Ilustración 7: funciones de membresía para el mando de control

Reglas difusas

Tabla 3: Matriz de reglas difusas (FAM) para el controlador PD. Tomada del libro Inteligencia artificial con
aplicaciones a la ingeniería – Ponce.

23
 Ilustración 8: reglas difusas para el controlador PD

Diagrama de bloques del controlador PD Fuzzy

Diagrama 3: controlador PD Fuzzy

24
 Gráfica 6: respuesta del controlador difuso

Hay que implementar una ganancia a la salida del controlador para alcanzar el Sp, para
esto evaluaremos el mando de control clásico y el mando del control difuso

Gráfica 7: mando del controlador difuso (8.656)

Ganancia de compensación:

25
 𝑀𝑎𝑛𝑑𝑜 𝑑𝑒 𝑐𝑜𝑛𝑡𝑟𝑜𝑙 𝑐𝑙á𝑠𝑖𝑐𝑜
𝐾=
𝑀𝑎𝑛𝑑𝑜 𝑑𝑒 𝑐𝑜𝑛𝑡𝑟𝑜𝑙 𝑑𝑖𝑓𝑢𝑠𝑜

17.78
𝐾= = 0.9960784314
17.85

Controlador PD fuzzy aplicando la ganancia

superación, que vivencia los valores mora

Diagrama 4: PD fuzzy con ganancia de ajuste calculada

Gráfica 8: respuesta del lazo luego del ajuste realizado

26
 IMPLEMENTACIÓN DEL CONTROLADOR PI FUZZY

La ley de control en un controlador tipo PI se define como:

𝑢 = 𝐾𝑝 𝜀 + 𝐾𝐼 ∫ 𝜀 𝑑𝜀

Donde ε = r − y. Siendo que la derivada de la ley de control es

𝑢̇ = 𝐾𝑝 𝜀̇ + 𝐾𝐼 𝜀

si se integra la salida de un controlador PD es posible obtener un controlador PI

empleando la FAM del controlador PD (Cruz, 2010).

Ilustración 9: obtención de un controlador Pi a partir de un PD

Por lo tanto, en la implementación del controlador PI Fuzzy se van a emplear las mismas
variables lingüísticas, los mismos conjuntos difusos y las mismas reglas del controlador PD.

Diagrama 5: diagrama de bloques del controlador PI Fuzzy

27
 Gráfica 9: respuesta del lazo de control PI Fuzzy

En la imagen se puede ver que se estabiliza por encima del Sp, por lo cual se debe hacer
un ajuste con una ganancia reductora. Para esto se analiza el mando del control clásico y
el mando del control PI Fuzzy y se calcula la relación para encontrar dicha ganancia.

Gráfica 10: señal del controlador PID clásico (17.78)

28
 Gráfica 11: señal de control PI Fuzzy (15.56)

Ganancia de compensación:

𝑀𝑎𝑛𝑑𝑜 𝑑𝑒 𝑐𝑜𝑛𝑡𝑟𝑜𝑙 𝑑𝑖𝑓𝑢𝑠𝑜

𝐾=
𝑀𝑎𝑛𝑑𝑜 𝑑𝑒 𝑐𝑜𝑛𝑡𝑟𝑜𝑙 𝑐𝑙á𝑠𝑖𝑐𝑜
15.56
𝐾= = 0.8751406074
17.78

Diagrama 6: diagrama de bloques del controlador PI Fuzzy con la ganancia de ajuste

29
 Gráfica 12: respuesta gráfica de controlador PI fuzzy con la ganancia aplicada

Es necesario seguir ajustando la ganancia

K Gráfica Estabilización

0.8751406074 ∗ 0.9 837.5

0.8751406074 ∗ 0.8 744

0.8751406074 ∗ 0.847 800

30
 IMPLEMENTACIÓN DEL CONTROLADOR PID FUZZY

Variables a controlar.

Entradas: Error, Delta del error e integral del error.

Salida: Respuesta del controlador (mando).

Etiquetas lingüísticas

Para el error

• Negativo Grande Error (NB)

• Negativo Pequeño Error (NS)
• Cero Error (ZE)
• Positivo Pequeño Error (PS)
• Positivo Grande Error (PB)

Para el delta del error

• Negativo Grande Delta Error (NB)

• Negativo Pequeño Delta Error (NS)
• Cero Delta Error (ZE)
• Positivo Pequeño Delta de error (PS)
• Positivo Grande Delta de Error (PB)

Para el delta del error

• Negativo Grande integral del Error (NB)

• Negativo Pequeño integral del Error (NS)
• Cero integral del Error (ZE)
• Positivo Pequeño integral del de error (PS)
• Positivo Grande integral del de Error (PB)

Para la salida

• Salida Negativa Grande (NB)

• Salida Negativa Pequeña (NS)
• Salida Cero (ZE)

31
 • Salida Positiva Pequeña (PS)
• Salida positiva Grande (PB)

Rangos de operación

Error Delta de error Integral del error Mando

-1080 a 1080 -1 a 1 -24 a 24 -24 a 24

Funciones de Membresía

Para el error

Ilustración 10: funciones de membresía para el error

Para el delta del error

32
 Ilustración 11: funciones de membresía para el delta de eror

Para la integral del error

Para el mando

33
Reglas difusas

34
35
Diagrama de bloques en simulink del controlador PID Fuzzy

36
 Diagrama 7: controlador PID fuzzy

Gráfica 13: respuesta del controlador PID Fuzzy

Ganancia de compensación:

37
Gráfica 14: señal del controlador PID clásico (17.78)

Gráfica 15: Mando del control PID difuso (12)

38
 𝑀𝑎𝑛𝑑𝑜 𝑑𝑒 𝑐𝑜𝑛𝑡𝑟𝑜𝑙 𝑐𝑙á𝑠𝑖𝑐𝑜
𝐾=
𝑀𝑎𝑛𝑑𝑜 𝑑𝑒 𝑐𝑜𝑛𝑡𝑟𝑜𝑙 𝑑𝑖𝑓𝑢𝑠𝑜

17.78
𝐾= = 1.011376
17.58

Diagrama 8: Controlador PID difuso con ganancia de ajuste para alcanzar el Sp

Gráfica 16: respuesta al lazo de control

Las dos estructuras que se seleccionan son: PD Fuzzy y PID Fuzzy. Estas serán llevadas
a controlar en rango amplio.

39
 CAPITULO # 3

OBJETIVO#3: Diseñar y simular el controlador inteligente Fuzzy diseñado en base a los

criterios de diseño establecidos teniendo en cuenta que los controladores deben trabajar
en al menos el 100% del rango de trabajo de la dinámica, es decir en rango amplio.

En primer lugar, para controlar en rango amplio el controlador PD Fuzzy y PID Fuzzy es
necesario aplicar una compensación que permita seguir todas las referencias

Rango amplio para el controlador PID Fuzzy

Se tomaron varios datos cambiando de Sp y registrando los valores de la salida del

controlador

Sp Mando
50 9.13
100 9.97
150 10.75
200 11.015
250 11.28
300 11.55
350 12.17
400 12.7
450 13.22
500 13.73
550 14.28
600 14.88
650 15.53
700 16.29
750 17.13
800 17.58
850 17.65
900 17.73
950 18.28
1000 18.79
1050 19.31

40
Se debe encontrar una ganancia que permita compensar la ganancia del controlador para
alcanzar todas las referencias. Se tiene la información para un Sp que fue con el que se
calculo el controlador difuso

800 ∗ 𝑋 = 1

1
𝑋= = 0.00125
800

Diagrama 9: diagrama de bloques para rango amplio del controlador PID Fuzzy

Gráfica 17: respuesta del lazo de control ante un Sp de 800

41
Gráfica 18: respuesta del lazo de control ante un Sp de 50

Gráfica 19: respuesta del lazo de control ante un Sp de 130

42
Gráfica 20: respuesta del lazo de control ante un Sp de 500

Gráfica 21: respuesta del lazo de control ante un Sp de 1000

43
Controlador PD Fuzzy en rango amplio

Debido a que la referencia a la que se calculo el controlador PD fuzzy es la misma que la

del controlador PID Fuzzy se va a obtener la misma ganancia de compensación.

800 ∗ 𝑋 = 1

1
𝑋= = 0.00125
800

Gráfica 22: respuesta del lazo de control ante un Sp de 800

44
Gráfica 23: respuesta del lazo de control ante un Sp de 1020

Gráfica 24: respuesta del lazo de control ante un Sp de 300

45
 CAPITULO # 4

OBJETIVO #4: Comparar las respuestas obtenidas de las estructuras clásicas y las
difusas de rango amplio realizar modificaciones al controlador fuzzy de rango amplio.

Comparación entre el controlador PID clásico y el controlador PID Fuzzy

Diagrama 10: PID clásico vs PID Fuzzy vs PD Fuzzy

46
Gráfica 25: comparación gráfica del controlador PID Fuzzy, PID clásico y PD Fuzzy

Gráfica 26: respuesta de los lazos de control ante su máximo Sp (1080)

47
 Gráfica 27: : respuesta de los lazos de control ante un Sp de 1000

CAPITULO # 4

OBJETIVO #4: Verificar y realizar los ajustes necesarios de manera que la respuesta de
los controladores fuzzy de rango amplio mejoran la curva de los controladores clásicos
sintonizados, y demostrar por comparación de las curvas y márgenes de respuesta. (para
que se pueda comparar se usa múltiples set-point que abarquen todo el rango de
operación del sistema)

Se realiza una serie de modificaciones para lograr que el controlador PID Fuzzy logre
estabilizarse con mayor rapidez

48
 Gráfica 28: modificación en los conjuntos difusos del error

Gráfica 29: modificación en los conjuntos difusos del delta del error

49
Gráfica 30: modificación en los conjuntos difusos a la integral del error

Gráfica 31: modificación en los conjuntos difusos a la integral del error

50
Diagrama 11: Comparación entre el controlador PD Fuzzy, PID Fuzzy y PID clásico

Gráfica 32: respuesta de cada uno de los lazos de control frente a un Sp de 540

51
 Controlador Mp (%) Ts
PID Clásico 2.31 3.17 taos
PID Fuzzy 0 4 taos
PD Fuzzy 0 3.55 taos

INFORME DE METROLOGÍA

52
Frenometro: del año (x-1) al año x el error aumento en 0.33% al igual que la incertidumbre,
aún así se mantuvo dentro del margen de error permitido. Se recomienda realizar los ajustes
estipulados al equipo porque existe probabilidad de que para el próximo año el error se
encuentre por fuera de los rangos permitidos.

Regloscopio: del año (x-1) al año x el error bajo en 0.44% al igual que la incertidumbre se
mantuvo dentro del margen de error permitido. Se recomienda realizar los ajustes
estipulados al equipo y seguir con el protocolo de mantenimiento.

Termómetro: el error se mantuvo, pero se mejoró la incertidumbre, el equipo se encuentra

dentro del error máximo permisible.

Tacómetro: aumento el error y la incertidumbre se mantuvo. Es necesario realizar ajustes y

estipular un protocolo de mantenimiento preventivo.

Analizador de gases 2T: la incertidumbre bajo. Se recomienda seguir trabajando con los
mismos lineamientos.

Analizador de gases 4T: la incertidumbre bajo. Se recomienda seguir trabajando con los
mismos lineamientos.

53
Sonómetro: bajo el error, pero aumentó la incertidumbre. Se recomienda seguir trabajando
con los mismos lineamientos.

Pesaje automotriz: se mantuvo el error con respecto al año anterior y aparte de eso el error
se encuentra dentro del rango permisible, pero la incertidumbre aumento. Se recomienda
seguir trabajando con los mismos lineamientos.

CONCLUSIONES

54
El uso de rango amplio en el controlador fuzzy se debe a que el este controlador funciona
de manera óptima en el punto el cual él es diseñado este necesita de una ganancia de
compensación para que cuando se le coloque un valor de set point distinto llegue a ese
punto.

Se puede ver en la aplicación del delta de error al lazo de control PID Fuzzy, que este no
tiene variaciones muy notorias. Sin embargo, podemos darle el rango del universo de
discurso del delta, y para las funciones de pertenencia los rangos se tomaron a
consideración ya que no es muy notaria el cambio. Al ser aplicado en la planta funcionó
correctamente. Se concluye que los rangos de las funciones de membresía no deben
necesariamente ser arraz de la gráfica obtenida y se pueden mejorar teniendo en cuenta
los ensayos realizados.

Al realizar la comparación entre los controladores difusos con el clásico se puede observar
que los tres controladores son muy buenos, se mantienen dentro del tiempo de
estabilización de 4 taos, el controlador clásico mantiene un sobre impulso muy pequeño no
sobrepasa el 2.5%.

Para el desarrollo del controlador difuso nos apoyamos en un controlador PID clásico, la
respuesta del mismo queda indicada en la gráfica 3, se intenta mejorar esta respuesta de
manera significativa con el control difuso, pero observamos que este cometido no se logra
del todo debido a que el controlador clásico es muy bueno, lo que se puede resaltar es que
los controladores difusos cumplen con los requerimientos de diseño (Mp<10%, Ts <= 4 tao).

Para lograr que el controlador difuso se adaptara a un rango amplio de posibles entradas
de Set-point se halló una constante que resulta de dividir 1 sobre el Set-point al cual se
diseñó el controlador Fuzzy para multiplicar esta ganancia por el Set-point ingresado y a su
vez multiplicarla por la salida del controlador Fuzzy para que la señal de control se adapte
y pueda seguir todas las referencias.

55