Documentos de Académico
Documentos de Profesional
Documentos de Cultura
INTEGRANTES:
1090421227
1004910886
1090535920
1094277717
UNIVERSIDAD DE PAMPLONA
INGENIERÍA MECATRÓNICA
2022
1
ASIGNACION 15% SEGUNDO CORTE
INTEGRANTES:
1090421227
1004910886
1090535920
1094277717
PRESENTADO A:
UNIVERSIDAD DE PAMPLONA
INGENIERÍA MECATRÓNICA
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
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.
Perturbaciones
Control realimentado
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
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)
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.
Fuzzificación
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.
7
Diagrama comparativo del controlador clásico vs el control difuso
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).
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
𝑽𝒂𝒍𝒐𝒓 𝟏: 𝟒𝟓 − − − →1094277717
𝑽𝒂𝒍𝒐𝒓 𝟐: 𝟑𝟒 − − − →1090535920
𝑻𝒎 = 𝟕
𝑲 = 𝟒𝟓
𝝉 = 𝟕𝟗
9
𝟒𝟓 ∗ 𝒆−𝟕𝒔
𝑮(𝒔) =
𝟕𝟗𝒔 + 𝟏
10
Se procede a calcular el controlador PID mediante la tabla de Z&N
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
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.
13
Gráfica 2: Comportamiento gráfico del error para un SP de 800
14
Comportamiento gráfico de la señal de control
Variables a controlar.
Entrada: Error
Etiquetas lingüísticas
Para el error
15
Para la salida
Rangos de operación
Error Mando
-1080 a 1080 0 a 24
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
18
Gráfica 5: respuesta del lazo controlado por el controlador P difuso (803.3)
17.78
𝐾= = 0.9960784314
17.85
19
Ilustración 4: respuesta del lazo aplicando la ganancia reductora de ajuste
Variables a controlar.
Etiquetas lingüísticas
Para el 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
Rangos de operación
Funciones de Membresía
Para el error
21
Ilustración 5: funciones de membresía para el error
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
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
Ganancia de compensación:
25
𝑀𝑎𝑛𝑑𝑜 𝑑𝑒 𝑐𝑜𝑛𝑡𝑟𝑜𝑙 𝑐𝑙á𝑠𝑖𝑐𝑜
𝐾=
𝑀𝑎𝑛𝑑𝑜 𝑑𝑒 𝑐𝑜𝑛𝑡𝑟𝑜𝑙 𝑑𝑖𝑓𝑢𝑠𝑜
17.78
𝐾= = 0.9960784314
17.85
26
IMPLEMENTACIÓN DEL CONTROLADOR PI FUZZY
𝑢 = 𝐾𝑝 𝜀 + 𝐾𝐼 ∫ 𝜀 𝑑𝜀
𝑢̇ = 𝐾𝑝 𝜀̇ + 𝐾𝐼 𝜀
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.
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.
28
Gráfica 11: señal de control PI Fuzzy (15.56)
Ganancia de compensación:
29
Gráfica 12: respuesta gráfica de controlador PI fuzzy con la ganancia aplicada
K Gráfica Estabilización
30
IMPLEMENTACIÓN DEL CONTROLADOR PID FUZZY
Variables a controlar.
Etiquetas lingüísticas
Para el error
Para la salida
31
• Salida Positiva Pequeña (PS)
• Salida positiva Grande (PB)
Rangos de operación
Funciones de Membresía
Para el error
32
Ilustración 11: funciones de membresía para el delta de eror
Para el mando
33
Reglas difusas
34
35
Diagrama de bloques en simulink del controlador PID Fuzzy
36
Diagrama 7: controlador PID fuzzy
Ganancia de compensación:
37
Gráfica 14: señal del controlador PID clásico (17.78)
38
𝑀𝑎𝑛𝑑𝑜 𝑑𝑒 𝑐𝑜𝑛𝑡𝑟𝑜𝑙 𝑐𝑙á𝑠𝑖𝑐𝑜
𝐾=
𝑀𝑎𝑛𝑑𝑜 𝑑𝑒 𝑐𝑜𝑛𝑡𝑟𝑜𝑙 𝑑𝑖𝑓𝑢𝑠𝑜
17.78
𝐾= = 1.011376
17.58
Las dos estructuras que se seleccionan son: PD Fuzzy y PID Fuzzy. Estas serán llevadas
a controlar en rango amplio.
39
CAPITULO # 3
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
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
41
Gráfica 18: respuesta del lazo de control ante un Sp de 50
42
Gráfica 20: respuesta del lazo de control ante un Sp de 500
43
Controlador PD Fuzzy en rango amplio
800 ∗ 𝑋 = 1
1
𝑋= = 0.00125
800
44
Gráfica 23: respuesta del lazo de control ante un Sp de 1020
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.
46
Gráfica 25: comparación gráfica del controlador PID Fuzzy, PID clásico y PD Fuzzy
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
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.
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