Beruflich Dokumente
Kultur Dokumente
DESARROLLO DE
CONTROLADORES FUZZY PID
DESARROLLO DE
CONTROLADORES FUZZY PID
DESARROLLO DE
CONTROLADORES FUZZY PID
ACTA DE EVALUACIN
En la ciudad de Puerto Ordaz a los _____das del mes de ______ del ao______
Ing. ____________________________.
C.I. ___________________
UNIVERSIDAD NACIONAL EXPERIMENTAL POLITCNICA
ANTONIO JOS DE SUCRE
VICERRECTORADO PUERTO ORDAZ
DIRECCIN DE INVESTIGACIN, POSTGRADO Y DESARROLLO
MAESTRA EN INGENIERA ELECTRNICA
ACTA DE APROBACIN
________________
Herman Fernndez
Presidente
__________________ __________________
Rafael Surga Zulay Franco
Miembro Principal Miembro Principal
Lyn, Euclides Antonio.
Desarrollo de Controladores Fuzzy PID. 2003.
138 Pgs.
Trabajo de Grado.
Universidad Nacional Experimental Politcnica Antonio Jos de Sucre
Vicerrectorado de Puerto Ordaz. Direccin de Investigacin, Postgrado y
Desarrollo. Maestra en Ingeniera Electrnica.
Tutor Acadmico: Msc. Ing. Rafael Surga.
Asesor Metodolgico: Lic. Rosa Rojas de Narvez, M.Sc.
Definicin de la tesis Pg. 20, Marco Terico Pg. 28, Marco metodolgico Pg
87, Presentacin y Anlisis de Resultados Pg. 102 , Conclusiones Pg. 131,
Recomendaciones Pg. 132 , Referencias Pg. 133, Anexo 1Pg. 136, Anexo 2
Pg. 137, Anexo 3Pg. 138.
vii
AGRADECIMIENTO
viii
Lyn Euclides Antonio (2003). Desarrollo de Controladores Fuzzy PID (Develop of fuzzy
PID controllers). Trabajo de grado. Direccin de Investigacin, Postgrado y Desarrollo
Profesional de la Universidad Nacional Experimental Politcnica Antonio Jos de
Sucre UNEXPO, Vicerrectorado Puerto Ordaz.. Maestra en Ingeniera Electrnica.
Tutor Acadmico: Ing. Rafael Surga. Asesor Metodolgico: Lic. Rosa Rojas de Narvez.
RESUMEN
El control Fuzzy es una rama del control inteligente, este tipo de control establece como
paradigma el diseo de controladores basndose en el conocimiento, expresado en
reglas, que se tenga sobre el funcionamiento del sistema a controlar. Los controladores
Fuzzy se disean soportndose en la teora de los conjuntos y la lgica Fuzzy y
encuentran su principal aplicacin en el diseo de controladores para procesos cuyos
modelos matemticos son difciles de identificar, as como tambin en la identificacin
Fuzzy de sistemas. Los controladores Fuzzy tipo PID objetos de este estudio
constituyen un paradigma dentro del control Fuzzy. El objetivo fundamental del presente
trabajo de grado consisti en desarrollar controladores Fuzzy tipo PID. El mtodo usado
para lograr este objetivo se ejecut segn el siguiente procedimiento: 1) Se realiz una
bsqueda extensiva sobre el tema de lgica Fuzzy, 2) Se intensific el estudio relativo a
su aplicacin en el control de procesos fsicos, 3) Se estableci una metodologa para el
desarrollo de controladores PID Fuzzy, la metodologa contempla el diseo, anlisis
preliminar y ajuste del controlador mediante simulacin, 4) La simulacin se realiz bajo
una estrategia de control ptimo seleccionando un ndice de desempeo y manipulando
los parmetros de ajuste, validando el controlador mediante la obtencin el ptimo del
sistema. 5) Se utiliz la Herramienta Toolbox Fuzzy Logic de MatLab y Simulink para la
simulacin y validacin de los controladores. 6) Se establecieron un conjunto de perfiles
de comportamiento los cuales permitieron llegar a conclusiones y recomendaciones
pertinentes. Las conclusiones obtenidas versan sobre la gran potencialidad de ajuste y
adaptabilidad de los controladores Fuzzy PID, su incapacidad para seguir los cambios
del punto de operacin, la relacin entre la base de reglas y el comportamiento del
sistema, la utilidad del factor de escalamiento del diferencial del error en la y el efecto
global de los parmetros de entonacin en la controlabilidad del sistema.
ix
Captulo INDICE DE CONTENIDO
DEDICATORIA............................................................................................................................................... vii
AGRADECIMIENTO.....................................................................................................................................viii
RESUMEN........................................................................................................................................................ ix
INTRODUCCIN............................................................................................................................................ 17
1. DEFINICIN DE LA TESIS.............................................................................................................................. 20
EL PROBLEMA. ............................................................................................................................................. 20
LOS ANTECEDENTES. ................................................................................................................................. 21
LA JUSTIFICACIN. ..................................................................................................................................... 24
UNIVERSO, POBLACIN Y MUESTRA. .................................................................................................... 24
LA HIPTESIS................................................................................................................................................ 25
LOS OBJETIVOS. ........................................................................................................................................... 26
LA ESTRATEGIA METODOLGICA GLOBAL. ........................................................................................ 26
RECURSOS UTILIZADOS............................................................................................................................. 27
2. MARCO TERICO. ........................................................................................................................................... 28
CONJUNTOS FUZZY..................................................................................................................................... 28
Definicin de conjuntos Fuzzy. ...................................................................................................................... 28
Universo de discurso ............................................................................................................................................................. 31
El soporte ............................................................................................................................................................................... 32
Fuzzy Singleton ..................................................................................................................................................................... 33
Tipos de Funciones de pertenencia ................................................................................................................ 34
Operaciones con conjuntos Fuzzy.................................................................................................................. 37
Norma Triangular (T-norm).................................................................................................................................................. 38
Norma Triangular Complementaria (T-conorm)................................................................................................................. 39
Complemento Fuzzy.............................................................................................................................................................. 39
CONCEPTOS FUNDAMENTALES DE LA LGICA FUZZY. ................................................................... 41
Relaciones Fuzzy............................................................................................................................................ 41
Representacin Matricial de Relaciones binarias Fuzzy. .............................................................................. 41
Operaciones con relaciones Fuzzy binarias................................................................................................... 42
Extensin Cilndrica. ............................................................................................................................................................. 45
Composicin .......................................................................................................................................................................... 47
Lgica Clsica: Breve Panormica. .............................................................................................................. 48
Proposiciones. ........................................................................................................................................................................ 49
Conectivos.............................................................................................................................................................................. 50
Tautologas............................................................................................................................................................................. 51
Inferencia deductiva. ............................................................................................................................................................. 52
Razonamiento aproximado............................................................................................................................. 53
Variables Lingsticas. .......................................................................................................................................................... 53
Proposiciones Fuzzy.............................................................................................................................................................. 55
Conectivos de proposiciones Fuzzy. .................................................................................................................................... 55
Regla de inferencia. ............................................................................................................................................................... 58
REPRESENTACIN DEL CONJUNTO DE REGLAS DE CONTROLADORES FUZZY.......................... 61
Valor de verdad del antecedente.................................................................................................................... 62
Valor de verdad de una regla......................................................................................................................... 63
Inferencia de Mandani........................................................................................................................................................... 64
Inferencia de Sugeno. ............................................................................................................................................................ 66
Agregacin de los resultados de las reglas.................................................................................................... 67
CONTROLADORES FUZZY. ........................................................................................................................ 68
Estructura de los controladores Fuzzy........................................................................................................... 70
Funcionamiento de los controladores Fuzzy.................................................................................................. 72
Etapa de fuzification:............................................................................................................................................................. 72
Motor de inferencia: .............................................................................................................................................................. 72
Etapa de defuzification:......................................................................................................................................................... 72
Mtodos de defuzification:.................................................................................................................................................... 73
10
Captulo INDICE DE CONTENIDO
CONTROL CONVENCIONAL....................................................................................................................... 74
Clasificacin de los sistemas de control. ....................................................................................................... 74
Control realimentado. .................................................................................................................................... 76
Tcnicas de diseo. ........................................................................................................................................ 79
Herramientas de anlisis y diseo ms comunes. .......................................................................................... 80
CLASIFICACIN DE LOS CONTROLADORES FUZZY PID. ................................................................... 82
Controladores Fuzzy PID de Accin Directa................................................................................................. 82
Controladores Fuzzy PID con planificacin de ganancia. ............................................................................ 84
Controladores Fuzzy PID Hbridos. .............................................................................................................. 84
Otros Criterios de Clasificacin. ................................................................................................................... 85
3. MARCO METODOLGICO. ........................................................................................................................... 87
CLASIFICACIN DEL PRESENTE ESTUDIO. ........................................................................................... 87
PROCEDIMIENTO SEGUIDO DURANTE LA REALIZACIN DEL ESTUDIO. ..................................... 88
Productos obtenidos en las distintas etapas................................................................................................... 88
METODOLOGA DE ANLISIS Y DISEO DE CONTROLADORES PID FUZZY................................. 89
Etapas para el diseo de controladores PID Fuzzy de accin directa. ......................................................... 89
Parmetros de diseo de controladores PID Fuzzy de accin directa. ......................................................... 89
Estructura del controlador PID Fuzzy de accin directa. ............................................................................. 91
Etapa preliminar ............................................................................................................................................ 91
La Dinmica del sistema. ...................................................................................................................................................... 92
La particin de las entradas................................................................................................................................................... 94
La particin de la salida. ....................................................................................................................................................... 95
Base de reglas del controlador. ............................................................................................................................................. 96
Mecanismo de inferencia. ..................................................................................................................................................... 97
Mtodo de agregacin. .......................................................................................................................................................... 98
Mtodo de Defuzzyfication................................................................................................................................................... 98
Elaboracin del Controlador Fuzzy...................................................................................................................................... 98
Anlisis esttico del controlador........................................................................................................................................... 98
Etapa de Simulacin y ajuste:........................................................................................................................ 98
Prueba dinmica preliminar. ................................................................................................................................................. 98
Los factores de escalamiento. ............................................................................................................................................... 99
Efectos integral y derivativo. ................................................................................................................................................ 99
Ajuste mediante simulacin................................................................................................................................................ 100
Herramientas para el seguimiento y anlisis............................................................................................... 100
4. PRESENTACIN Y ANLISIS DE RESULTADOS.................................................................................... 102
Elaboracin del controlador ........................................................................................................................... 102
Parmetros estructurales del Controlador Fuzzy. ....................................................................................... 102
Particin de entradas y Salida:............................................................................................................................................ 103
Base de reglas ...................................................................................................................................................................... 104
Anlisis esttico del controlador......................................................................................................................................... 106
Simulacin y ajuste: ....................................................................................................................................... 108
Caso 1: Sistema de primer orden. ................................................................................................................ 108
Prueba dinmica preliminar. ............................................................................................................................................... 108
Selecciones y Ajustes iniciales. .......................................................................................................................................... 109
Estructura del lazo de control. ............................................................................................................................................ 110
Ajuste del controlador: ........................................................................................................................................................ 111
Sntesis del Procedimiento y Anlisis de Resultados........................................................................................................ 115
Caso 2: Sistema de Segundo orden subamortiguado. .................................................................................. 116
Prueba dinmica preliminar. ............................................................................................................................................... 116
Selecciones y Ajustes iniciales. .......................................................................................................................................... 117
Estructura del lazo de control. ............................................................................................................................................ 118
Ajuste del controlador. ........................................................................................................................................................ 119
Sntesis del Procedimiento y Anlisis de Resultados........................................................................................................ 121
11
Captulo INDICE DE CONTENIDO
12
NDICE DE FIGURAS
Figura # 1 Funciones de pertenencia de los conjuntos Crisp .......................................29
Figura # 2 Funciones de pertenencia de los conjuntos Fuzzy......................................31
Figura # 3 Funcin de pertenencia ............................................................................35
Figura # 4 Funcin de pertenencia L............................................................................35
Figura # 5 Funcin de pertenencia ............................................................................36
Figura # 6 Funcin de pertenencia S ...........................................................................36
Figura # 7 Interseccin de conjuntos Fuzzy .................................................................38
Figura # 8 Unin de conjuntos Fuzzy ...........................................................................39
Figura # 9 Complemento de conjuntos Fuzzy ..............................................................40
Figura # 10 Matriz de una relacin binaria Fuzzy.........................................................42
Figura # 11 Variable lingstica ....................................................................................54
Figura # 12 Consecuente truncado por efecto de la implicacin mnimo. ....................65
Figura # 13 Consecuente escalado por efecto de la implicacin producto...................66
Figura # 14 Lazo de control con controlador en cascada. ............................................68
Figura # 15: Flujo de seales de entradas y salidas de un controlador Fuzzy PI.........69
Figura # 16: Flujo de seales de entradas y salidas de un controlador Fuzzy PD .......69
Figura # 17 Estructura de un controlador Fuzzy...........................................................70
Figura # 18 Lazo de control realimentado. ...................................................................76
Figura # 19 Accin de control prealimentada ...............................................................79
Figura # 20: Estructura del controlador Fuzzy PID.......................................................91
Figura # 21: Salida, Error y Diferencial del Error en un sistema Sub Amortiguado ......92
Figura # 22: Definicin de valores lingsticos de e(k) .................................................94
Figura # 23: Definicin de valores lingsticos de e(k) ...............................................94
Figura # 24: Definicin de valores lingsticos deu(k). ...............................................95
Figura # 25: Editor de parmetros estructurales del Toolbox de Matlab. ...................102
Figura # 26: Particin de la entrada e(k) en el Toolbox de Matlab. ............................103
Figura # 27: Particin de la entrada e(k) en el Toolbox de Matlab. ..........................103
Figura # 28: Particin de la salida U(k) en el Toolbox de Matlab. .............................104
Figura # 29: Base de reglas controlador A en el Toolbox de Matlab. .........................104
Figura # 30: Base de reglas controlador B en el Toolbox de Matlab. .........................105
Figura # 31: Superficie de u(k)=F{e(k), e(k)}, para controlador Fuzzy tipo A. ..........106
Figura # 32: Superficie de u(k)=F{e(k), e(k)} , para controlador Fuzzy tipo B. .........107
Figura # 33: Lazo de prueba preliminar y respuesta del sistema Caso 1...................108
Figura # 34: Lazo de Control caso1 ...........................................................................110
Figura # 35: Fase de estado y salida del sistema corrida 1 Caso 1 ...........................111
Figura # 36: Fase de estado y salida del sistema corrida 9 caso 1. ...........................112
Figura # 37: Fase de estado y salida del sistema corrida 22 caso 1. .........................114
Figura # 38: Fase de estado y salida del sistema corrida 29 caso 1. .........................115
Figura # 39: Lazo de prueba preliminar y respuesta del sistema Caso 2...................116
Figura # 40: Lazo de Control caso2 ...........................................................................118
Figura # 41: Fase de estado y salida del sistema corrida 1 caso 2 ............................119
Figura # 42: Fase de estado y salida del sistema corrida 5 caso 2. ...........................120
Figura # 43: Lazo de prueba preliminar y respuesta del sistema Caso 3...................122
Figura # 44: Lazo de Control caso3 ...........................................................................124
13
Figura # 45: Fase de estado y salida del sistema corrida 1 caso 3 ............................125
Figura # 46: Fase de estado y salida del sistema corrida 9 caso 3. ...........................127
Figura # 47: Fase de estado y salida del sistema corrida 5 caso 3. ...........................127
Figura # 48: Fase de estado y salida del sistema corrida 14 caso 3. .........................128
14
NDICE DE TABLAS
Tabla # 1 Isomorfismo en operadores y conectivos Crisp. ...........................................37
Tabla # 2 Proyeccin de relaciones binarias Fuzzy. ....................................................45
Tabla # 3 Extensin cilndrica de relaciones binarias Fuzzy ........................................46
Tabla # 4 Conectivos utilizados en lgica de proposiciones. .......................................50
Tabla # 5 Parmetros de diseo de los controladores Fuzzy PID de accin directa....90
Tabla # 6: Corrida 1Caso 1 ........................................................................................111
Tabla # 7: Corridas 2-11 Caso 1 ................................................................................112
Tabla # 8: Corridas 12-24 Caso 1. .............................................................................113
Tabla # 9: Corridas 25-31 Caso 1. .............................................................................114
Tabla # 10: Corrida 1Caso 2 ......................................................................................119
Tabla # 11: Corridas 2-6 Caso 2 ................................................................................120
Tabla # 12: Corrida 1Caso 3 ......................................................................................125
Tabla # 13: Corridas 2-10 Caso 3 ..............................................................................126
Tabla # 14: Corridas 11-16 Caso 3 ............................................................................128
15
NDICE DE TRMINOS
complemento Fuzzy, 40 Mandani, 18, 21, 22, 57, 61, 62, 63, 64,
Conjuntos Fuzzy, 21, 28, 54 67, 71, 72, 73, 91, 133
control Fuzzy, ix, 21, 22, 23, 24, 26, 57, Operaciones con conjuntos Fuzzy, 37,
68 42, 56
Controlador Fuzzy PID, 25, 82, 83, 84, Proyeccin, 42, 45
85 Relaciones Fuzzy, 41
Driankov, 28, 32, 70, 73, 133 Sugeno, 22, 63, 64, 66, 67, 71, 72, 83,
Funciones de pertenencia, 29, 31, 34, 133, 134
90 T-conorm, 39, 42
Fuzzy Singleton, 33 T-norm, 38, 42, 56
lgica Fuzzy, ix, 17, 18, 21, 22, 26, 37, Universo de discurso, 31, 54
48, 53, 61, 70, 88, 100, 101 Zadeh, 18, 21, 22, 28, 32, 34, 36, 37,
53, 133, 134
16
Desarrollo de Controladores Fuzzy PID UNEXPO Puerto Ordaz 17
INTRODUCCIN
imposible obtener un modelo al que se le pueda aplicar las tcnicas del control
convencional lineal, se recurre entonces a tcnicas de control no lineal las cuales con
mucha dificultad logran solucionar los problemas de diseo, particularizando la
metodologa para cada tipo de planta dependiendo de la experticia del diseador, la
escogencia de un mtodo de diseo y las simplificaciones adecuadas de tal forma que
se pierde la generalidad y coherencia de la metodologa del control lineal, lo cual hace
del control no lineal poco atractivo como metodologa de diseo.
La aparicin de los computadores y su consecuente utilizacin en el control de
procesos, permiti obtener muchos beneficios en la implementacin de tcnicas de
control adaptativo y predictivo, combinadas estas ltimas con la capacidad de incluir
supervisin en estas mquinas, solvent muchos problemas, se mantuvieron algunos y
surgieron otros, el problema fundamental sigue latente se requiere de un modelo
simplificado para el diseo del controlador, el cual es en esencia una funcin
matemtica que se digitaliza y se introduce en el computador.
En el ao de 1965 el Dr. Lotfi A. Zadeh propone una generalizacin de la lgica
bivaluada, basada en lgebra de Boole por una lgica en la cual un objeto podra ser
evaluado con un grado de certeza que podra ser cualquier nmero entre 0 y 1 y la
llam lgica Fuzzy para distinguirla de la bivaluada, siendo esta ltima capaz de asignar
a un objeto solo dos grados de certeza 0 o 1, Zadeh fundament la lgica en la teora
de los conjuntos Fuzzy desarrollada por el mismo, esta nueva lgica hace ms natural
el anlisis de informacin y la toma de decisiones y utiliza esta herramienta en sus
trabajos como investigador en ingeniera de sistemas.
En el ao 1974 con la lgica Fuzzy como herramienta, Ebrahim Mandani
propuso el diseo de un controlador, tomando como informacin las acciones que
razonablemente realizara un experimentado operador al controlar la planta, acciones
que son plasmadas en el controlador como un conjunto de reglas. Es as como
prescindiendo de la identificacin del modelo de la planta pudo disear un controlador
basado en informacin, en conocimiento de un experto.
El objetivo fundamental del presente trabajo de grado, consisti en desarrollar
controladores basados en lgica Fuzzy, por ser esta una herramienta de creciente
utilizacin en el control de procesos y por ser la UNEXPO una Universidad en la cual el
Desarrollo de Controladores Fuzzy PID UNEXPO Puerto Ordaz 19
CAPITULO 1
DEFINICIN DE LA TESIS
EL PROBLEMA.
LOS ANTECEDENTES.
En 1985 Takagi y Sugeno [7] proponen un tipo de controlador Fuzzy T-S que
compite en la actualidad en popularidad con el tipo Mandani pero en el campo del
modelado, aunque tambin son adoptados en control en aquellos casos en donde es
imprescindible el anlisis de estabilidad.
En Estados Unidos, principalmente por razones culturales, el concepto de lgica
Fuzzy no tuvo inicialmente mucho impacto mientras en oriente especficamente los
Japoneses y algunos pases europeos aceptaron sin complicacin esta idea y han
estado desde la dcada de los 80 construyendo aplicaciones reales y productos que
funcionan basados en lgica Fuzzy. Por ejemplo en 1986 Yamakawa publica el
artculo, "Fuzzy Controller Hardward System" y desarrolla controladores Fuzzy en
circuitos integrados. En 1987, se inaugura en Japn el subterraneo de Sendai, uno de
los ms espectaculares sistemas de control Fuzzy creados por el hombre. Desde
entonces el controlador inteligente ha mantenido los trenes rodando eficientemente. En
1987, "FUZZY BOOM", se comercializan multitud de productos basados en la lgica
Fuzzy (sobre todo en Japn).
En el mbito acadmico luego de un escepticismo inicial se ha tomado
conciencia del sitial que debe tener este tipo de temas en los pensas, como lo describe
el propio Zadeh en una entrevista que le realizara L. Valverde en 1992[8] en la
Universidad de Berkeley:
De hecho los primeros productos aparecieron en el mercado en 1988-89.
Empiezan a aparecer, pues, aplicaciones de la lgica Fuzzy en control que
son muy visibles para el pblico en general. ..........De tal manera que mucha
gente, especialmente en el mundo acadmico, que antes no crea que la
lgica borrosa fuera algo digno de atencin empezaron a cambiar sus
puntos de vista
Los investigadores del control Fuzzy se dedican, no solo a revisar todas las reas
del control en donde las tcnicas convencionales fallan como el control de sistemas con
grandes no linealidades y/o con grandes tiempos de retardo, sino que incluso revisan
las esferas del control lineal fundamentalmente con dos propsitos: uno tratar de
establecer paralelismos con la tcnica lineal que es sper conocida y el otro demostrar
Captulo 1: Definicin de la Tesis.
Desarrollo de Controladores Fuzzy PID UNEXPO Puerto Ordaz 23
LA JUSTIFICACIN.
LA HIPTESIS.
LOS OBJETIVOS.
RECURSOS UTILIZADOS.
CAPITULO 2
MARCO TERICO.
CONJUNTOS FUZZY.
Es necesario entender los fundamentos de los conjuntos Fuzzy, para poder
comprender como funcionan los mecanismos de inferencia en la base de reglas de los
controladores Fuzzy.
*
Traduccin del autor
Captulo 2: Marco Terico
Desarrollo de Controladores Fuzzy PID UNEXPO Puerto Ordaz 29
veremos que se recurre a la particin del universo para definir el conjunto soporte de F
en U.
La idea de que un elemento pertenezca a un conjunto en forma graduada, como lo
plantea la teora de conjuntos Fuzzy y la manera como define la teora clsica la
pertenencia, total sin ambigedades de los elementos al conjunto, no son en lo
absoluto contradictoria, en realidad la teora clsica que define los conjuntos Crisp es
un caso particular de una teora ms general tal y como est planteada la teora de
conjuntos Fuzzy.
La informacin que manejamos a diario est llena de ambigedades y
vaguedades, basta con observar lo que ocurre al tratar de establecer un criterio para
determinar la altura de una persona en trminos cuantitativos a partir de la informacin
dada en trminos cualitativos mediante la utilizacin de un adjetivo como alto, bajo, etc.
Podramos intentar la tarea planteada en el prrafo anterior definiendo tres grupos:
Bajos, Medianos y Altos. Si definimos el universo como los valores entre 140 y 200 cm
de altura, podramos arbitrariamente suponer que el conjunto de los valores Bajos est
formado por los mayores o iguales a 140 cm y menores a 160 cm, el conjunto de los
valores Medianos est formado por los iguales o mayores a 160 cm y menores o
iguales a 180 cm, el conjunto de los valores Altos est formado por los mayores a 180
cm y los menores o iguales a 200 cm.
En trminos de la teora clsica de conjuntos podramos representar el criterio de
clasificacin suponiendo conjuntos Crisp, graficando las funciones de pertenencia de
dichos conjuntos, colocando el universo en el eje horizontal y el grado de pertenencia
en el eje vertical como se muestra en la Figura # 1.
1
Pertenencia
Grado de
0
140 160 180 200
Altura (cm)
0
140 150 160 170 180 190 200
Altura (cm)
Figura # 2 Funciones de pertenencia de los conjuntos Fuzzy
Podemos observar que para clasificar un valor de altura como Bajo, contamos con
una funcin de pertenencia que decrece linealmente* desde un grado de 1 que se le
asigna al valor de altura considerado totalmente Bajo hasta un grado de 0. Note
adems que las funciones de pertenencia de los conjuntos Fuzzy se solapan en los
intervalos en los que son aplicadas. La forma decreciente de la funcin de pertenencia
del conjunto Fuzzy Bajos permite manejar, la gradacin natural que dara un
observador al aplicar el calificativo de Bajo. El solapamiento de las funciones de
pertenencia, permite manejar la ambigedad que naturalmente se presenta, al clasificar
un elemento cuya ubicacin en uno u otro conjunto no es muy clara.
Utilizando el caso anterior vamos a ejemplificar los conceptos fundamentales
relacionados con los conjuntos Fuzzy.
Universo de discurso: Se denomina as al conjunto formado por todos los elementos
que son objeto de estudio. En este caso el universo el cual denominaremos U est
constituido por los valores de altura comprendidos entre 140 cm y 200 cm ambos
inclusive. Es evidente que dependiendo de las tecnologas que se utilicen para medir
los valores de altura, la cantidad de los elementos de este conjunto puede variar.
Si suponemos que en el caso anterior, la tcnica de medicin no permite tomar
decimales, en consecuencia los elementos del universo de discurso son 61 nmeros
enteros positivos o nmeros naturales y el universo de discurso lo podemos determinar
tanto por extensin como por comprensin de la siguiente forma:
*
En esencia la eleccin de la forma de la funcin de pertenencia es arbitraria y pudiese ser o no lineal
Captulo 2: Marco Terico
Desarrollo de Controladores Fuzzy PID UNEXPO Puerto Ordaz 32
*
Traduccin del autor
Captulo 2: Marco Terico
Desarrollo de Controladores Fuzzy PID UNEXPO Puerto Ordaz 33
Fuzzy Singleton: Es un conjunto Fuzzy cuyo soporte est constituido por un solo
punto de U y representamos al referido conjunto por (u)/u, de tal forma que un Crisp
Singleton se representara como 1/u. En esta notacin el smbolo / no tiene ninguna
connotacin aritmtica, sino que es un separador de tal forma que a su izquierda
tenemos el grado de pertenencia y a su derecha el elemento soporte.
Un conjunto Fuzzy F puede mirarse como la unin de los Singletons que lo constituyen
de tal manera que lo podemos representar de la siguiente forma.
F = (u1)/u1 + (u2)/u2 + (u3)/u3 +............ (un)/un. Donde + simboliza un operador de
unin. De esta manera podemos llegar a una expresin mas compacta para
representar los conjuntos Fuzzy.
n
F = (u i )/u i Ec. 4
i =1
F = (u)/u Ec. 5
U
Donde el smbolo integral representa la unin de todos los Singletons que conforman el
conjunto Fuzzy F evaluado en el conjunto Universo U infinitamente denso.
En muchas ocasiones es conveniente optimizar la evaluacin de la integral solo
para los elementos del universo en donde el grado de pertenencia es mayor que cero,
estaramos hablando entonces de evaluar la integral solamente en el soporte del
conjunto Fuzzy.
n
U = 1/u i Ec. 6
i =1
U = 1/u Ec. 7
U
[(170 u ) 30] u
170
Bajos = Ec. 8
140
{
0 para u <
(u,,) = (u -) (-) para u
1 para u >
1
Pertenencia
Grado de
0
Figura # 3 Funcin de pertenencia
{
1 para u <
L (u,,) = (-u) (-) para u
0 para u >
1
Pertenencia
Grado de
0
Figura # 4 Funcin de pertenencia L
{
0 para u <
(u -) (-) para u
(u,,,) =
(-u) (-) para u
0 para u >
1
Pertenencia
Grado de
{
0 para u <
2 ((u-)(-)) para u
2
S (u,,,) =
1- 2 ((u-)(-)) para u
2
1 para u >
Siendo =(+)2
1
Pertenencia
Grado de
0.5
0
Figura # 6 Funcin de pertenencia S
La teora de conjunto y las operaciones que se realizan con ellos, son el soporte
de desarrollo ulterior de estructuras lgicas las cuales cumplen el propsito de tomar
decisiones, mediante razonamiento lgico-matemtico.
En la teora de conjuntos Crisp los operadores bsicos de Interseccin, Unin y
Complemento de conjuntos son operadores simples y guardan un isomorfismo con los
operadores And, Or y Not del lgebra binaria de Boole y los conectivos Conjuncin,
Disyuncin y Negacin de la lgica de proposiciones.
como veremos son casos particulares de una concepcin mas generalizada de los
operadores Fuzzy.
Bajos Medianos
1
Pertenencia
Grado de
Bajos Medianos
0
140 150 160 170 180 190 200
Altura (cm)
Figura # 7 Interseccin de conjuntos Fuzzy
1
Traduccin del autor
Captulo 2: Marco Terico
Desarrollo de Controladores Fuzzy PID UNEXPO Puerto Ordaz 39
Bajos Medianos
1
Pertenencia
Grado de
Bajos Medianos
0
140 150 160 170 180 190 200
Altura (cm)
Figura # 8 Unin de conjuntos Fuzzy
Complemento Fuzzy.
2
Traduccin del autor
Captulo 2: Marco Terico
Desarrollo de Controladores Fuzzy PID UNEXPO Puerto Ordaz 40
Medianos
1
Pertenencia
Grado de
Complemento de
medianos
0
140 150 160 170 180 190 200
Altura (cm)
Figura # 9 Complemento de conjuntos Fuzzy
Relaciones Fuzzy
En [18], se definen las relaciones n-arias entre n conjuntos Fuzzy X1, X2, X3,.....
Xn como un conjunto Fuzzy R cuya funcin de pertenencia R asocia, a las tuplas del
producto cartesiano X1x X2,x X3,x.....x Xn, un valor en [0,1], Expuesto formalmente sera
R= R ( x1 , x 2 ) ( x1 , x 2 ) Ec. 27
X 1 xX 2
R= (x , x ) ( x , x )
X 1 xX 2
R 1 2 1 2 Ec. 29
Tomando dos conjuntos Fuzzy finitos, X={x1,x2 ,x3 ..... xm} , Y={ y1,y2 ,y3 ..... yn }
una relacin Fuzzy R en XxY caracterizada por la funcin de pertenencia
R : XxY [0,1], puede ser representada por una matriz de m x n como la representada
en la Figura # 10.
Y1 Y2 ............ Yn
Dado que las relaciones Fuzzy son conjuntos Fuzzy cuyo universo es el
producto cartesiano de los conjuntos relacionados, toda la teora desarrollada para las
operaciones entre conjuntos Fuzzy aplica a las operaciones entre relaciones.
Se puede aplicar las T-norm. para resolver intersecciones, las T-conorm. para
resolver uniones y los complementos tal y como se discuti en Operaciones con
conjuntos Fuzzy. El nico inconveniente es que los universos debe ser el mismo para
poder aplicar las operaciones T-norm., T-conorm. y complemento.
Para resolver problemas que involucren relaciones definidas en distintos
universos, se recurre a tipos de operaciones especiales denominadas composicin
entre relaciones.
El concepto de composicin se fundamenta en otros dos conceptos que son:
Proyeccin y Extensin Cilndrica, de inmediato se discuten estos tres conceptos.
Proyeccin
En donde las xi son los elementos provenientes de los conjuntos Ui que intervienen en
el producto cartesiano. Siendo I= (i1, i2, ....., iK) una subsecuencia de la secuencia
general Nn. Tomando V= XiI Ui como un producto cartesiano subconjunto del producto
cartesiano universo y en donde intervienen solo los conjuntos definidos por la
subsecuencia I formando una secuencia de tuplas v=(xi1, xi2, ... xik). Existe una
secuencia complementaria J= (j1, j2,..... jL) de tal forma que I unida con J forman Nn.
La proyeccin de R en V la cual denotaremos por RV es una relacin en la cual cada
tupla ser de menor grado que en la relacin R y el grado de pertenencia de dicha tupla
al conjunto proyeccin, estar dado por una funcin (RV)(v)= Tconorm R(x) ,
R V = V Tconorm (x , x ,..x ) (x
x j 1 , x j 2 ,.. x ji
R 1 2 n i1 , xi 2 ,..xik ) Ec. 31
Dicho en trminos sencillos la proyeccin es una relacin en donde las tuplas estn
formadas solo por los elementos de los conjuntos definidos por la secuencia en donde
se realiza la proyeccin y el grado de pertenencia de dicha tupla est dado por la
funcin T conorm aplicada a los grados de pertenencia de las tuplas con subndice
comunes.
Es muy usual utilizar la funcin Supremo (sup) para R continua o la operacin
Mximo (max) para dominios discretos convirtindose la ecuacin 36 en la siguiente
para dominios discretos
y1 y2 y3 y4
x1 0.8 1 0.1 0.7
x2 0 0.8 0 0
x3 0.9 1 0.7 0.8
max(1/y 2 , 0.8/ y 2 , 1/ y 2 ) +
max(0.1/ y 3 , 0/y 3 , 0.7/y 3 ) +
max (0.7/ y 4 , 0/y 4 , 0.8/ y 4 )
y1 y2 ............ yn Proy de R en X
R(x1, y1) R(x1, y2) ........... R(x1, yn) max R(x1, yi)
x1
i= 0,...n
x2 R(x2, y1) R(x2, y2) ........... R(x2, yn) max R(x2, yi)
i= 0,...n
xm R(xm, y1) R(xm, y2) .......... R(xm, yn) max R(xm, yi)
i= 0,...n
max R(xi, y1) max R(xi, y2) max R(xi, yn)
Proy de R en Y ...........
i= 0,...m i= 0,...m i= 0,...m
Extensin Cilndrica.
En donde las xi son los elementos provenientes de los conjuntos Ui que intervienen en
el producto cartesiano U.
y1 y2 y3 y4
x1 1 1 1 1
PXxY = x2 0.8 0.8 0.8 0.8
x3 1 1 1 1
Composicin
RoS = max[
UxW
R (u , v) S (v, w)] (u, w) Ec. 40
Se puede notar que la composicin entre un conjunto Fuzzy y una relacin Fuzzy da
como resultado un conjunto Fuzzy.
Proposiciones.
Conectivos.
Negacin NO() NO
Conjuncin Y
Disyuncin O
T(PQ) = T(PQ) T(Q P)= min{max [T(No(P)), T(Q)] , max [T(No(Q)), T(P)]} Ec. 46
Tautologas.
Una proposicin compuesta es una tautologa si es siempre verdadera,
independientemente de los valores de verdad o falsedad de las proposiciones simples
que la conforman. Las tautologas son tiles en el razonamiento deductivo y en la
elaboracin de inferencias deductivas.
Implicacin Lgica.
Cuando una condicional es una tautologa, en otras palabras cuando la condicional
siempre es verdadera, se dice que es una implicacin lgica.
La Implicacin lgica se representa por P Q y se lee P implica Q o P es condicin
suficiente para Q o Q es condicin necesaria para P.
El valor de verdad de una proposicin compuesta P Q est dado por
Equivalencia Lgica.
Cuando una Bicondicional es una tautologa, en otras palabras cuando la Bicondicional
siempre es verdadera, se dice que es una Equivalencia Lgica.
La equivalencia lgica se representa por P Q y se lee P equivale a Q o P es
condicin necesaria y suficiente para Q.
El valor de verdad de una equivalencia P Q est dado por
Q) = T(P
T(P Q) T(Q
P). Ec. 48
Inferencia deductiva.
Modus Ponens.
Una de las tautologas ms usadas para elaborar inferencias deductivas, en los
sistemas expertos basados en reglas, es el Modus Ponens.
En [16] se establece una definicin de Modus Ponens que presentamos a
continuacin. Si conocemos que A implica B y conocemos A, entonces concluimos B.
Este patrn de razonamiento es llamado Modus Ponens y se expresa en forma de
proposiciones
((AB) A) B Ec. 49
B se puede obtener mediante la composicin
B = AR Ec. 50
IF A, THEN B Ec. 51
B=AR Ec. 53
Razonamiento aproximado.
Variables Lingsticas.
0
140 150 160 170 180 190 200
Altura (cm)
170
Bajos = [(170-u)30] / u
140
170 200
Medianos = [(u-140) 30] / u + [(200-u) 30] / u
140 170
200
Altos = [(u-170) 30] / u
170
Proposiciones Fuzzy.
x es P Ec. 54
donde x es una variable lingstica y P un conjunto Fuzzy que representa una propiedad
determinada de x mediante un valor lingstico.
El valor de verdad de una proposicin Fuzzy simple est representado por la
funcin de pertenencia del conjunto Fuzzy P, que expresa una propiedad de x.
R= R(e,e) (e,e)
UE xUE
Implicacin Fuzzy
AB = (x, y) (x, y)
Ux xUy
R Ec. 57
Regla de inferencia.
Si E es NG y E es PG entonces U es NP Ec. 59
NP = NP ( u ) / u
U
AB = (x, y) (x, y)
Ux xUy
R
Rc=min(A, B) Ec. 61
como la funcin de pertenencia del antecedente A, el cual es una proposicin
compuesta, est dada por
Rj= Si Aj Entonces Bj Aj Bj
.
R = min [ A , B ]
j j j Ec. 66
B = max [ R ] j Ec. 67
j
en donde j es la secuencia que define las reglas activas en el momento de realizar la
evaluacin.
Captulo 2: Marco Terico
Desarrollo de Controladores Fuzzy PID UNEXPO Puerto Ordaz 62
A = Tnorm [ J 1 , J 2 , ..... Jn ]
j Ec. 68
A = Tconorm [ J 1 , J 2 , ..... Jn ]
j Ec. 69
Inferencia de Mandani.
R = Tnorm [ A , B ]
j j j Ec. 70
grado de verdad del consecuente est representado por una funcin de pertenencia Bj
que es la del conjunto Fuzzy representativo de la proposicin simple que constituye el
consecuente.
El valor de verdad de una regla Rj se puede interpretar como una funcin de
pertenencia modulada por Aj.
R = min [ A , B ]
j j j
B j
1
Pertenencia
Grado de
A j
R j
0
0 75 80 85 90 95 100
Variable de salida
El conjunto Fuzzy del consecuente Bj, est representado por un tringulo, el cual es
truncado por el valor de verdad del antecedente Aj y el resultante es el conjunto Fuzzy
de la regla Rj
Cuando la implicacin se resuelve con la funcin Producto algebraico la ecuacin
70 adquiere la siguiente forma
R = prod [ A , B ]
j j j
B j
1
Pertenencia
A
Grado de
R
j
0
0 75 80 85 90 95 100
Variable de salida
Figura # 13 Consecuente escalado por efecto de la implicacin producto.
Inferencia de Sugeno.
B = max [ R ] j
j
B = Tconorm [ R ] j Ec. 71
j
En el caso de una aplicacin en control es necesario como veremos ms
adelante someter al conjunto Fuzzy resultante, que normalmente es la unin de los
conjuntos Fuzzy de cada regla, a un proceso de defuzzification para obtener un valor
numrico en el universo de la salida del controlador.
CONTROLADORES FUZZY.
e(k) u(k)
+
+ u(k)
e(k) Controlador
Fuzzy
Z-1 -+ Z-1
e(k)
e(k)
Fuzzy
-1
Z -+
e(k)
Base de datos
Entradas Salidas
Etapa de Motor de Inferencia Etapa de
Fuzificacin ( Base de Reglas) Defuzificacin
Base de datos: En general la base de datos contiene los parmetros necesarios para
configurar cada una de las etapas.
Parmetros de Fuzificacin: Contiene todos los elementos necesarios para
configurar una variable lingstica por cada entrada y cada salida*, los parmetros que
permiten configurar una variable lingstica son, el universo de la variable en forma de
intervalo real, el cual es subdividido en tantos conjuntos Fuzzy como valores lingsticos
pueda tomar la variable, cada conjunto Fuzzy representativo de un valor lingstico
requiere de un soporte en el universo, el cual es un intervalo subconjunto del intervalo
universo, cada conjunto Fuzzy requiere de la definicin de la funcin de pertenencia.
Parmetros de Inferencia: Los parmetros de inferencia permiten que el motor de
inferencia pueda realizar el razonamiento aproximado, cuyo resultado posteriormente
es convertido en un valor real. Estos parmetros son, los conectivos para resolver
conjunciones, disyunciones y complementos, los mtodos de implicacin e inferencia
para resolver la relacin entre antecedente y consecuente, el mtodo de agregacin el
cual permite agrupar el resultado de todas las reglas para entregarlo a etapa de
defuzificacin, en el caso de los controladores tipo Madani los resultados parciales de
cada regla precisa ser agregado con mtodos propios de operaciones entre conjuntos
Fuzzy, ya que el resultado de la evaluacin de cada regla es un conjunto Fuzzy, en el
caso de los controladores tipo Sugeno los resultados parciales de cada regla son
nmeros reales provenientes de la evaluacin de funciones algebraicas que constituyen
el antecedente de cada regla por tanto no es necesario en este tipo de controladores
una etapa de agregacin como tal.
Parmetros de Defuzificacin: El mtodo de defuzificacin es otro parmetro
importante, este permite definir como se obtendr el valor numrico real para cada
salida a partir de una expresin Fuzzy proveniente de la agregacin en el caso de los
controladores tipo Mandani, mientras que en los controladores tipo Sugeno, la etapa de
defuzificacin es relativamente sencilla ya que es una operacin con los nmeros reales
proveniente de la evaluacin de cada regla.
*
En el caso del mtodo de inferencia de Sugeno no es necesario crear variables lingsticas en las salidas sino crear
un conjunto de funciones para ser utilizados como consecuentes en las reglas.
Captulo 2: Marco Terico
Desarrollo de Controladores Fuzzy PID UNEXPO Puerto Ordaz 72
Etapa de fuzification:
Se realiza con cada muestreo y consiste en asignar a un valor de entrada real en
particular, el valor lingstico y grado de pertenencia determinados por la ubicacin del
valor real en la particin de la variable lingstica asociada a la entrada correspondiente.
Motor de inferencia:
En el caso de inferencia de Mandani, el motor de inferencia evala cuales reglas se
disparan con los valores lingsticos de las entradas y procede a resolver los conectivos
entre proposiciones simples del antecedente para obtener un valor con el cual resolver
la implicacin o relacin entre el antecedente y consecuente para dar un resultado que
es un conjunto Fuzzy por cada regla. En el caso de inferencia de Sugeno, el motor de
inferencia evala cuales de las reglas se disparan con los valores lingsticos de las
entradas y procede a resolver la relacin entre antecedente y consecuente, evaluando
la funcin consecuente con los valores de entrada, lo cual constituye en esencia una
especie de pre-defuzificacin.
Etapa de defuzification:
Se realiza con cada muestreo y varia segn sea el mtodo de Inferencia elegido
Mandani o Sugeno. En caso de Mandani consta de una etapa de agregacin en donde
se unen los resultados de todas las reglas disparadas y luego con el resultado de la
agregacin se procede a obtener un valor real para la salida utilizando los mtodos de
defuzificacin conocidos. En caso de Sugeno en la medida en que se resuelve la
implicacin en cada regla se obtiene un valor real, de tal forma que la defuzificacin
consiste en aplicar una operacin algebraica, generalmente promedio ponderado, para
obtener un valor real de salida.
Mtodos de defuzification:
En los controladores tipo Mandani el resultado de la agregacin es una figura
geomtrica plana. Los mtodos de agregacin consisten en escoger una caracterstica
geomtrica de la figura resultante de la agregacin y ubicar el punto correspondiente en
el eje de la salida del controlador el cual es un eje de nmeros reales. Driankov et al[15]
presenta y analiza seis mtodos:
Centroide
Centro de sumas: .
Centro del rea mayor.
El primero de los mximos.
La mitad del rea mxima.
La altura .
En el manual del toolbox de matlab [40] consultado en este trabajo, se describen
tambin los mtodos de Defuzzification proporcionados por la herramienta para el
diseo del controlador.
CONTROL CONVENCIONAL.
Control realimentado.
D(s)
Gd(s)
Gs(s)
Podemos observar que el lazo tiene dos fuentes posibles de entradas y una salida.
Las entradas son: el valor de salida deseado o referencia SP(s) y las perturbaciones
D(s), las cuales inciden sobre la salida. A la salida se le denomina variable controlada
CV(s).
Las relaciones entre las salidas y las entradas estn dadas por las funciones de
transferencia entre ellas:
CV ( s ) Gd ( s )
= Ec. 72
D( s ) 1 + Gp( s )Gv( s )Gc( s )Gs ( s )
CV ( s ) Gp ( s )Gv( s )Gc( s )
= Ec. 73
SP( s ) 1 + Gp ( s )Gv( s )Gc( s )Gs ( s )
Las herramientas de anlisis y diseo del control clsico, como lugar geomtrico
de las races, Traza de Bode, Diagramas de Nyquist, respuesta en el dominio del
tiempo a funciones de pruebas, etc; estn desarrolladas bajo esquemas de sistemas
SISO de una entrada y una salida, por esto durante el diseo normalmente se
especializa el controlador en atender eficientemente los cambios en una de las dos
fuentes de entrada. El sistema ser muy eficiente en el seguimiento de variaciones en
la referencia pero desmejora el rechazo a las perturbaciones o viceversa, en
consecuencia una de las tareas del diseador es evaluar cual es el comportamiento
dominante en el sistema, si la referencia es modificada constantemente como en los
procesos de produccin por lotes o si la referencia permanece largos periodos sin
cambios y lo que predomina son las perturbaciones como por ejemplo en el control de
temperatura de una mezcla.
Si el sistema es tal que amerita optimizar tanto la atencin de la referencia como el
rechazo a las perturbaciones el diseador tendr que emigrar a estrategias de control
avanzadas como el diseo de control mediante espacio de estado.
D(s)
Gd(s)
Gs(s)
Tcnicas de diseo.
3
Traduccin del autor
Captulo 2: Marco Terico
Desarrollo de Controladores Fuzzy PID UNEXPO Puerto Ordaz 83
CAPITULO 3
MARCO METODOLGICO.
Los parmetros estructurales: Son los que definen la estructura del controlador y se
determinan durante la etapa preliminar, aunque peden ser modificados dependiendo de
la experticia que se obtenga en la etapa de Simulacin y ajuste. La idea es que estos
no sean ajustados en forma permanente. En la Tabla # 5 se muestra una lista de
parmetros estructurales del controlador.
Los parmetros de entonacin: Son los que permiten ajustar el controlador a las
exigencias de desempeo mediante el seguimiento de un ndice establecido para la
obtencin del ptimo buscado del controlador. Estos parmetros se calculan durante la
etapa de entonacin. En la Tabla # 5 se presenta una lista de estos parmetros. Si se
establece una estructura que permita el clculo en lnea de estos parmetros ante
variaciones del punto de operacin del sistema, entonces estamos en presencia de
estructuras auto ajustables. De este tipo de algoritmos encontramos referencias en [22],
[23], [32], [38].
Etapa preliminar
1,40 F
1,20
E G
1,00
0,80 H Salida
0,60 Error
0,40 Variacin
del Error
0,20
0,00
10
13
16
19
22
25
28
31
34
37
1
4
7
-0,20
-0,40
-0,60
Figura # 21: Salida, Error y Diferencial del Error en un sistema Sub Amortiguado
Tramo A: El error tiene valor positivo mientras que su variacin es negativa lo cual
implica que la salida del sistema se aproxima a la referencia desde valores inferiores.
Tramo B: El error tiene valor negativo y su variacin es negativa lo cual implica que la
salida del sistema se aleja de la referencia hacia valores superiores.
Tramo C: El error tiene valor negativo y su variacin es positiva lo cual implica que la
salida del sistema se aproxima a la referencia desde valores superiores.
Tramo D: El error tiene valor positivo y su variacin es positiva lo cual implica que la
salida del sistema se aleja de la referencia hacia valores inferiores.
Punto E: En este el error es cero y el diferencial del error es negativo, la inercia que trae
lo lleva al sobre impulso positivo.
Punto F: En este se ha alcanzado mximo sobre impulso el error est en su mximo
negativo y su diferencial en cero.
Punto G: En este el error es cero y el diferencial del error es positivo, la inercia que trae
lo lleva al sobre impulso negativo.
Punto H: En este el error est en un mximo relativo y el diferencial del error es cero.
Estado Estable: Si el sistema evoluciona de manera favorable tendremos una condicin
deseada de estado estable con error y su variacin en cero.
Podemos inferir de manera general que si manipulamos el controlador
adecuadamente en cada tramo de la dinmica del sistema, podemos obtener las
respuestas buscadas.
0
-Max 0 +Max
e(k)
0
-Max 0 +Max
e(k)
Figura # 23: Definicin de valores lingsticos de e(k)
La particin de la salida.
Podemos pensar que estamos buscando una funcin tal que, para cada par de
valores (e(k),e(k)), nos defina el valor de la salida del controlador u(k)=F(e(k),e(k)).
Los valores lingsticos de u(k) quedan de la siguiente forma:
0
-Max 0 +Max
u(k)
u(k).
Figura # 24: Definicin de valores lingsticos de
Los conjuntos Fuzzy que definen los valores lingsticos del error e(k) del cambio
del error e(k) y de la salida u(k) son:
[( x ) Max ]
0
Negativo = x
Max
[(x) Max]
Max
Positivo = x
0
Base de reglas para obtener una respuesta con poco sobre impulso:
Para el Tramo A.
R1= Si e(k) es Positivo y e(k) es Negativo entonces u(k) es Positivo.
Para el Punto E.
R2= Si e(k) es Cero y e(k) es Negativo entonces u(k) es Negativo.
Para el Tramo B.
R3= Si e(k) es Negativo y e(k) es Negativo entonces u(k) Negativo.
Para el Punto F.
R4= Si e(k) es Negativo y e(k) es Cero entonces u(k) Negativo.
Para el Tramo C.
R5= Si e(k) es Negativo y e(k) es Positivo entonces u(k) Negativo.
Para el Punto G.
R6= Si e(k) es Cero y e(k) es Positivo entonces u(k) Positivo.
Para el Tramo D..
R7= Si e(k) es Positivo y e(k) es Positivo entonces u(k) Positivo.
Para el Punto H..
R8= Si e(k) es Positivo y e(k) es Cero entonces u(k) Positivo.
Para el Estado Estable..
R9= Si e(k) es Cero y e(k) es Cero entonces u(k) Cero.
Mecanismo de inferencia.
En este estudio tomaremos la funcin min como Tnorm para resolver el grado de
certeza del antecedente de las reglas que tienen el conectivo and, igualmente
utilizaremos esta misma funcin para resolver la implicacin con el consecuente. Esta
seleccin obedece a una prctica comn en el control fuzzy de utilizar estas funciones
por ser de muy fcil implementacin computacional y arrojar suficiente precisin en los
resultados.
Mtodo de agregacin.
El mtodo de agregacin a utilizar es el max de los valores Fuzzy resultados de la
evaluacin de las reglas activas.
Mtodo de Defuzzyfication.
El mtodo de Defuzzyfication a utilizar es el centro de gravedad de la figura
geomtrica que queda como resultado de la agregacin de las reglas.
Tablas y grficas del ndice de desempeo: mediante estas se evala la evolucin del
ndice de desempeo ante las variaciones de la variable a manipular, de tal forma de
poder determinar el mnimo que nos indicar el ptimo buscado.
Visor del comportamiento de las reglas: mediante esta herramienta del toolbox de lgica
Fuzzy de Matlab [40]., podemos observar la evolucin dinmica del motor de inferencia
y determinar posible saturaciones en las variables de entrada y/o salida del controlador
y de esta forma poder corregir los factores de escalamiento.
Grficas temporales: la observacin de las grficas de la salida del sistema, el error y su
integral, as como la accin de control son de utilidad en el anlisis.
CAPITULO 4
Base de reglas
La base de reglas del Controlador A qued definida de la siguiente manera:
Simulacin y ajuste:
En esta etapa se procede al ajuste de los parmetros de entonacin, para lograr el
desempeo ptimo del sistema elegido, segn el ndice de desempeo seleccionado.
1
G( s) = Ec. 74
s +1
Es un sistema trmico al cual se le requiere controlar la temperatura, la accin de
control a suministrar al actuador debe estar en un rango positivo entre umin =0 y umax =10
Analizando la respuesta nos damos cuenta que el sistema tiene un marcado nivel
de error estacionario en el orden de 50% por debajo de la referencia y un tiempo de
elevacin del orden de los 2 segundos, este valor de tiempo de elevacin lo tomaremos
para el clculo del tiempo de muestreo debido a que el controlador fuzzy lo
simularemos como implementado en un sistema microcomputador, el tiempo de
muestreo que tomaremos ser de una dcima el tiempo de crecimiento observado en la
respuesta 0.2 Seg Es evidente la necesidad de un ajuste del efecto integral y la
ganancia del camino directo.
Como es necesario darle al sistema la mayor ayuda posible para alcanzar la
referencia entonces utilizaremos el controlador tipo A.
La primera corrida se har con los valores iniciales y luego se ajustarn estos en
funcin del comportamiento del sistema.
Caso en Valor Indice
Corrida Parmetro Comentario
estudio Inicial IAE
1 6.532
Se 1.0 La salida del
sistema presenta un
Sde 10.0
Caso1 error en rgimen
permanente
Su 1
bastante marcado.
KPI 0.1
Fase de estado
Error e
Las grficas muestran la presencia de error estacionario, los pasos siguientes los
enfocaremos a mejorar el tiempo de elevacin de la salida del sistema, lo haremos
subiendo el factor de escalamiento de la salida Su..
Sde 10.0
Su 2
KPI 0.1
3 Su 3.0 2.885 La corrida 9
4 Su 4.0 2.096 present el mejor
Caso1 ndice de
5 Su 4.1 2.022 desempeo, para un
valor de Su=4.5
6 Su 4.2 1.949
7 Su 4.3 1.875
8 Su 4.4 1.804
9 Su 4.5 1.791
10 Su 4.6 1.818
11 Su 5.0 1.970
Error e
Fase de estado
Error e
Fase de estado
Error e
Una vez que se eligi el controlador tipo A, para el proceso de primer orden
planteado como caso 1, el procedimiento de ajuste lo podemos dividir en tres fases:
Primera fase: En la cual el se realiz un ajuste del factor Su, con el objeto de mejorar el
tiempo de elevacin de la salida del sistema, como se observa en la Tabla # 7 de las
corridas 2-11 del caso 1, los resultados de la corrida con mejor tiempo de elevacin se
presentan en la Figura # 36.
Segunda fase: En la cual se realiz un ajuste del factor de escalamiento Sde, con el
objeto de mejorar el error estacionario del sistema mediante el control de la evolucin
del sistema en el semiplano del diagrama de fase de estado, como se observa en la
Tabla # 8 de las corridas de la 12 a la 24 del caso 1, el mejor ndice de desempeo
alcanzado fue el de la corrida 22, obtenindose un error estacionario del 0.3%, los
resultados de las corridas con mejor desempeo se presentan en la Figura # 37.
Tercera fase: En la cual el se realiz un ajuste de la accin integradora mediante KPI,
con el objeto de mejorar el error estacionario del sistema, como se observa en la Tabla
# 9 de las corridas de la 25 a la 31 del caso 1, el mejor ndice de desempeo alcanzado
fue el de la corrida 29, obtenindose un error estacionario del 0.15%, los resultados de
la corrida con mejor desempeo se presentan en la Figura # 38.
1
G(s) = Ec. 75
s(s + 1)
Representa un sistema de segundo orden como por ejemplo el mecanismo de control
de posicin en un motor ac. La saturacin del actuador est en el rango de umin =-5 y
umax =25.
La primera corrida se har con los valores iniciales y luego se ajustarn estos en
funcin del comportamiento del sistema.
Caso en Valor Indice
Corrida Parmetro Comentario
estudio Inicial IAE
1 2.25 La salida del
Se 1.0 sistema se eleva
sobre la referencia
sin presentar
Sde 10.0
oscilacin
Caso2 mantenindose un
error de estado
Su 2.5 estable del orden
del 4%.
KPD 1
Fase de estado
Error e
Figura # 41: Fase de estado y salida del sistema corrida 1 caso 2
Sde 10
Su 2.5
El mejor ndice se
Caso2 obtuvo en la corrida
KPD 0.95 5, para un valor de
3 0.90 1.986 KPD=0.80.
4 0.85 1.978
KPD
5 0.80 1.875
6 0.75 2.132
Fase de estado
Error e
2
G( s) = Ec. 76
(s + 3)(s + 1)
Representa un sistema de segundo orden como lo son varios procesos trmicos. La
saturacin del actuador est en el rango de umin =0 y umax =10.
La primera corrida se har con los valores iniciales y luego se ajustarn estos en
funcin del comportamiento del sistema.
Caso en Valor Indice
Corrida Parmetro Comentario
estudio Inicial IAE
1 11.35
Se 1.0
Sde 10.0
Se mejora el error
Caso3 estacionario pero
requiere de mayor
Su 1 ajuste
KPI 0.1
Fase de estado
Error e
Sde 10
Su 2
KPI 0.1
La corrida 9
3 3 6.288 presenta el mejor
Caso3 4 4 5.082 indice de
desempeo, para un
5 5 4.229 valor de Su=9
6 6 3.604
Su
7 7 3.086
8 8 2.568
9 9 2.1
10 10 2.205
Fase de estado
Error e
Fase de estado
Error e
Sde 10
Su 5
El mejor ndice de
desempeo se
Caso3 KPI 0.15 obtuvo en la corrida
12 0.16 2.568 14, para un valor de
KPI=0.18
13 0.17 2.319
14 KPI 0.18 2.100
15 0.19 2.109
16 0.20 2.205
Fase de estado
Error e
Una vez que se eligi el controlador tipo A, para el proceso de segundo orden con
sobre amortiguamiento planteado como caso 3, el procedimiento de ajuste se realiz en
dos fases , una en la cual se realiz el ajuste de SU, logrando reducir significativamente
el error estacionario hasta un valor de 0.15% en la corrida 9 en la que se obtuvo el
mejor ndice de desempeo, sin embargo se opt por escoger la corrida 5 por presentar
con el valor de SU=5, por ser este el 50% del valor mximo permitido por el actuador.
Luego en una segunda fase se procedi al ajuste de KPI escogindose los resultados de
la corrida 14 como vlidos para el controlador final, con KPI=0.18 y un error estacionario
del orden del 0.12%.
Se infiere del comportamiento de los sistemas, durante las etapas de ajuste, que
los controladores Fuzzy del tipo escogido para este estudio, presentan un acople en los
efectos que la contribucin de las reglas causan en el sistema. Para mejorar la
controlabilidad de estos sistemas es necesario buscar la manera de desacoplar o
individualizar los efectos de las reglas.
Como hiptesis de trabajo para investigacin futura se puede plantear el
establecer un sistema de peso en las reglas de tal forma de poder ejercer un mejor
control en la evolucin del sistema en los cuadrantes del diagrama de fase de estado,
aunque pudimos obtener algn resultado manipulando el factor de escalamiento Sde,
como por ejemplo en las corridas de la 16 a la 23 en el caso 1. Un controlador, con
cierto grado de desacople en el efecto de las reglas sobre el sistema, permitira ejercer
un efecto ms individualizado de cada regla, adems del efecto global de los factores
de escala Se, Sde, Su, y constantes KPI, KPD. Esto permitira minimizar en cierta medida
el acople inverso entre el tiempo de elevacin y el error estacionario en este tipo de
sistemas.
CONCLUSIONES.
Los controladores Fuzzy tipo PID, son esencialmente no lineales, con muchos
parmetros que son potencialmente ajustables, lo cual les confiere un gran fortaleza
para ser utilizados en sistemas Adaptativos.
Mediante el factor de escalamiento del diferencial del error del controlador Fuzzy
PID se puede mejorar el desempeo de un sistema controlando la evolucin de este
en los cuadrantes del diagrama de fase de estado.
Conclusiones.
Desarrollo de Controladores Fuzzy PID UNEXPO Puerto Ordaz 132
RECOMENDACIONES.
Recomendaciones.
Desarrollo de Controladores Fuzzy PID UNEXPO Puerto Ordaz 133
REFERENCIAS
[1] L. A. ZADEH. Fuzzy Sets. Information and Control, 8(3), pp 338-353, 1965.
[2] L. A.Zadeh, "Towards a theory of fuzzy systems" in R.E. Kalman and R.N.DeClaris (eds), Aspects of
Network and System Theory. New York: Holt, Rinehart and Winston, pp 469-490, 1971.
[3] L. A. ZADEH. Outline Of The New Approach To The Analysis Of Complex System And Decision
Processes. IEEE Trans. On Systems, Man, and Cybernetics, 1(1), pp 28-44, 1973.
[4] Mandani, E.H. Application of Fuzzy Algorithm for Control Of Simple Dynamic Plant. Proc. IEEE,
121(12)(1974), p 1585-1888.
[5] http://www.cempac.com/downloads/Fuzzy.pdf.
[6] http://www.schneiderelectric.com.tr/ftp/literature/publications/ECT191.pdf.
[7] Tomohiro Takagi, Michio Sugeno. Fuzzy Identification of Systems and Its Applications to Modeling
and Control. IEEE Transactions on Systems, Man, And Cybernetic. Vol. SMC-15, N 1, 1985), p116-
132.
[8] http://dmi.uib.es/people/valverde/laz.html.
[9] Kuo Benjamn. Sistemas de Control Automticos. Prentice hall Hispanoamericana, S.A.. Mxico
1996.
[10] Gene F. Franklin, J. David Powell, Abbas Emami-Naeini. Control de sistemas dinmicos con
realimentacin. Addison-Wesley Iberoamericana, Delaware, E.U.A . 1991.
[11] Kasuhiko Ogata. Sistemas de control en Tiempo Discreto. Prentice hall Hispanoamericana, S.A..
Segunda edicin. Mxico. 1996.
[12] Thomas E Marlin. Process Control: Designing Processes and Control Systems for Dynamic
Performance. McGraw-Hill, Inc. U.S.A.. 1995.
[13] Kasuhiko Ogata. Ingeniera de Control Moderna. Prentice hall Hispanoamericana, S.A.. Mxico.
1980.
[14] K F Astrm, T Hgglund. Automatic Tuning of PID Controller. Instrument Society of America.USA.
1988.
[15] Dimiter Driankov, H S Hellendoorn, Michael Reinfrank. An Introduction to Fuzzy Control. Springer-
Verlag Berlin Heidelberg. 1993.
[16] Hung T. Nguyen, Elbert A. Walker, A First Course In Fuzzy Logic. Chapman & Hall/CRC. 2000.
[17] Klir J. George, Tina A. Folger, Fuzzy Sets, Uncertainty, And Information. Prentice-Hall
International Editions. 1988.
[18] Toshiro Terano, Kiyoji Asai, Michio Sugeno. Fuzzy Systems Theory and Its Application. Academic
Press Inc. 1992.
[19] Mohammad Jamshidi, Nader Vadiee, Timothy J. Ross, Fuzzy Logic and Control, Software and
hardware Applications. PTR Prentice-Hall, Inc. 1993.
[20] J. Luis Garca Valle. Matemticas Especiales para Computacin. McGRAW-HILL, 1988.
Referencias.
Desarrollo de Controladores Fuzzy PID UNEXPO Puerto Ordaz 134
[21] Zadeh, L. A.. The Concept of a Linguistic Variable and Its application to Approximate Reasoning, I, II,
III. Fuzzy Sets and Fuzzy Information-Granulation Theory, Normal University Press, Beijing, 2000, p
123.
[22] S. Joe Qin y Guy Borders, A Multiregion Fuzzy Logic Controller for Nonlinear Process Control,
IEEE Transactions On Fuzzy Systems, Vol. 2, No. 1, pp 74-81, 1994.
[23] Rajani K. Mudi and Nikhil R. Pal, A Robust Self-Tuning Scheme for PI- and PD-Type Fuzzy
Controllers, IEEE Transactions On Fuzzy Systems, Vol. 7, No. 1, pp 2-16, 1999.
[24] Han-Xiong Li, and S. K. Tso, Higher Order Fuzzy Control Structure for Higher Order or Time-Delay
Systems, IEEE Transactions On Fuzzy Systems, Vol. 7, No. 5, pp 540-552, 1999.
[25] Hao Ying Theory and application of a novel fuzzy PID controller using a simplified Takagi-Sugeno
rule scheme, Information Sciences 123, pp 281-293, 2000.
[26] Wei Li, Design of a Hybrid Fuzzy Logic Proporcional Plus Conventional Integral-Derivative
Controller, IEEE Transactions On Fuzzy Systems, Vol. 6, No. 4, pp 449-463. 1998.
[27] Wei Li, X.G. Chang, M.F. Wahl, S.K. Tso . Hybrid fuzzy P+ID control of manipulators under
uncertainty, Mechatronics 9, pp 301-315. 1999.
[28] Bong Joo Kim, Chung Choo Chung. Design of Fuzzy PD+I Controller for Tracking Control.
Proceedings of the American Control Conference. Anchorage, AK May 8-10, 2002.
[29] Ya Lei Sun, Meng Joo Er, Hybrid Fuzzy Control Of A Class Of Nonlinear Systems. IFAC 15th
Triennial World Congress, Barcelona, Spain, 2002.
[30] Heidar A. Malki, Dave Misir, Denny Feigenspan, and Guanrong Chen. Fuzzy PID Control of a
Flexible-Joint Robot Arm with Uncertainties from Time-Varying Loads. Ieee Transactions On Control
Systems Technology, Vol. 5, No. 3, pp 371-378, May 1997.
[31] Jialiang Lu, Guanrong Cheng, Hao Ying. Predictive Fuzzy PID Control: Theory, Design and
Simulation . Information sciences 137, pp 157-187, 2001.
[32] Wei Li, Xiaoguang Chang.A neuro-fuzzy controller for a stoker-.Fired boiler, based on behavior
modeling. Control Engineering Practice 7, PP 469-48, 1999.
[33] Jing-Chung Shen. Fuzzy Neural Networks for Tuning PID Controller for Plants with Underdamped
Responses. Ieee Transactions On Fuzzy Systems, Vol. 9, No. 2, pp 333-342, April 2001.
[34] Ching-Hung Lee, Ching-Cheng Teng. Tuning of PID Controllers for Stable and Unstable Processes
with Specifications on Gain and Phase Margins. International Journal of Fuzzy Systems, Vol.3, No.1,
March 2001.pp 346-355
[35] K. S. Tang, Kim Fung Man, Guanrong Chen, Sam Kwong. An Optimal Fuzzy PID Controller. Ieee
Transactions On Industrial Electronics, Vol. 48, No. 4, August 2001. pp 757-765.
[36] Bao-Gang Hu, George K. I. Mann, and Raymond G. Gosine, A Systematic Study of Fuzzy PID
Controllers-Function-Based Evaluation Approach, IEEE Transactions On Fuzzy Systems, Vol. 9, No.
5, pp 699-712, 2001.
[37] Baogang Hu, George K. I. Mann, and Raymond G. Gosine, New Methodology for Analytical and
Optimal Design of Fuzzy PID Controllers, IEEE Transactions On Fuzzy Systems, Vol. 7, No. 5, pp
521-539, 1999.
[38] Otaclio da M. Almeida, Antonio A. R. Coelho, A Fuzzy Logic Method For Autotuning A Pid
Controller:Siso And Mimo Systems, 15th Triennial World Congress, Barcelona, Spain, 2002 IFAC.
Referencias.
Desarrollo de Controladores Fuzzy PID UNEXPO Puerto Ordaz 135
[39] George K. I. Mann, Bao-Gang Hu, Raymond G. Gosine, Analysis of Direct Action Fuzzy PID
Controller Structures. Ieee Transactions On Systems, Man, And CyberneticsPart B: Cybernetics,
Vol. 29, No. 3, pp 371-388, June 1999.
[40] Fuzzy Logic Toolbox Users Guide, The MathWorks Inc., Version 2, September 2000.
[41] Tamayo Mario, El Proceso de la Investigacin Cientfica. Editorial Limusa Noriega Editores,
Segunda Edicin. Mxico. 1993.
[42] Sabino Carlos.Como Hacer una Tesis. Editorial Panapo. Segunda Edicin. Caracas. 1993.
Referencias.
Desarrollo de Controladores Fuzzy PID UNEXPO Puerto Ordaz 136
Control Fuzzy PID de accin directa multiregin presentado por Qin y Borders [22].
Controlador Fuzzy PID de accin directa de orden n para sistemas de orden superior
o con grandes tiempos de retardo presentado por Han-Xiong Li et al [24].
Anexo 1.
Desarrollo de Controladores Fuzzy PID UNEXPO Puerto Ordaz 137
Controlador Fuzzy PID con planificacin de ganancia presentado por Rajani K. et al [23].
Anexo 3.
Desarrollo de Controladores Fuzzy PID UNEXPO Puerto Ordaz 138
Anexo 3.