Beruflich Dokumente
Kultur Dokumente
TEMA:
ALUMNO :
CICLO : VII
• Este modelo se usa tanto como parte integrante del sistema de control como para
evaluar el desempeño del sistema a través de técnicas de simulación.
• La dificultad para poder ser operadas por personal con poca formación profesional,
pocas han trascendido del ámbito académico al industrial. Se hace referencia las que
cruzado al umbral de la aplicación industrial.
• Este conocimiento se transforma en una serie de reglas del tipo “SI x1, x2... xn,
ENTONCES y1, y2... ym...” (“IF ..., THEN ...”), donde “x1, x2, ... xn” representan los
antecedentes o premisas e “y1, y2... ym” las consecuencias o acciones.
• Por la aceptación a nivel industrial se tiene el control Borroso, Difuso o por Lógica
Difusa (“Fuzzy Logic Control”).
• Ejemplo:
• Se dice que estas afirmaciones acerca de una variable son AMBIGUAS por que
• frío o caliente
• Se define un modelo con una dinámica como la que gustaría que tenga el sistema.
SE NECESITA:
CONTROL PREDICTIVO
• A nivel académico, los mayores desarrollos tienen relación con el Control Óptimo H.
• Otro aplicado a nivel industrial es el Control por Modelo Interno (“Internal Model
Control o IMC”).
• Tal como en MPC, este control incorpora un modelo matemático de la planta, pero en
este caso se usa para compensar la dinámica modelable y no modelable de planta.
• Las acciones de control, con sistemas de control robusto son más cautelosas que las
que resultan de otros sistemas, con un buen ajuste del controlador se pueden lograr
sistemas que cumplan ambas prestaciones.
CONTROL ROBUSTO
• Este error es considerado como incertidumbre del modelo frente a la planta física
real, y utiliza esta incertidumbre, que se modela y acota para cada problema, en el
proceso de diseño del controlador.
• Hacer que todas las posibles salidas de las diferentes plantas dentro de la
incertidumbre pertenezcan a un conjunto de salidas aceptables.
INCERTIDUMBRE:
ROBUSTEZ:
• Todos los sistemas reales están sometidos a los efectos de ambos, por lo que siempre
es recomendable hacer un análisis de robustez.
Control Neuronal:
Las Redes Neuronales (“Neural Networks”) son estructuras matemáticas que representan la
información a como se estructura en nuestro cerebro.
Al usar redes neuronales sedispone de un sistema que se comporte como una “caja negra” que
pueda emular el comportamiento de un sistema.
Cuando la red “ha aprendido”, se la puede utilizar tal como si se operara con el sistema real.
En el caso de Control Neuronal (“Neural Control”), se pueden generar datos que representen
condiciones del proceso y acciones de control que lleven al sistema a los valores deseados.
Incorporando esa información al aprendizaje de la red, podría lograrse que el sistema emule
tales condiciones
CONTROL NEURODIFUSO
• Sistemas difusos con redes neuronales, son las redes neuronales aplicados al diseño
de sistemas difusos de control.
• El sistema difuso se plantea como una red neuronal y se diseña de acuerdo con la
capacidad de aprendizaje de una red neuronal.
RED NEURONAL
Práctica 1
Control Fuzzy : Para un control de voltaje de un motor
vamos al menú EDIT y escogemos ADD INPUT, entonces aparece otra entrada
(input2)
cambiar el nombre:
entradas como a las salidas solo basta seleccionar le entrada o salida; y en el
recuadro NAME cambiamos por el nombre que deseamos.
Será Input1 por Error, Input2 por Derror y como salida Outup1 por Voltaje.
Ingresar las variables a las entradas:
ingresamos a la pantalla Membership Function Editor, haciendo doble clic sobre una
de las entradas.
VARIABLE ENTRADA: ERROR
VARIABLE ENTRADA: DERROR
VARIABLE SALIDA: VOLTAJE
PARA ESO INGRESAMOS A EDIT RULES Y APARECERÁ LA SIGUIENTE PANTALLA.
PODEMOS TENER UNA VISTA EN 3D DE LO QUE SALE YÉNDONOS AL MENÚ VIEW – SURFACE.
Entradas y salida del controlador difuso en al ventana de FIS de Matlab.
SENSOR:
• Bloque que toma la velocidad del motor que corresponde a la salida del sistema, y lo
convierte en un valor de voltaje de acuerdo a la velocidad. En la ventana FIS de
Matlab, de 0 a 12 Voltios igual que el voltaje de entrada.
• Vnulo: Voltaje nulo: es el voltaje más bajo el cual no es suficiente para mover el motor.
VARIABLE DE ENTRADA:
VARIABLE DE SALIDA:
• Controlador Fuzzy P
SALIDA “U”
REGLAS DEL CONTROL FUZZY PID
• Controlador Fuzzy P
ENTRADA “E”
ENTRADA “DE/DT”
ENTRADA “INTEGRAL DE E”
SALIDA “U”
DISEÑO DEL CONTROLADOR : Control PID CONTINUO y CONTROL Fuzzy PID ESQUEMA EN
SIMULINK.
Control Fuzzy PID Control PID continuo
DESIGN AND SIMULATION OF PD, PID AND FUZZY LOGIC CONTROLLER FOR INDUSTRIAL
APPLICATION
1. Consideraciones de diseño
El control supera el problema del controlador PID , con un pequeño rebasamiento y tiempo de
asentamiento.
RESULTADOS DE LA SIMULACIÓN DEL CONTROLADOR FUZZY:
Procedimiento
a) Sistema continuo: