UNIVERSIDAD NACIONAL DE HUANCAVELICA

FACULTAD DE INGENIERÍA ELECTRÓNICA-SISTEMAS

ESCUELA PROFESIONAL DE INGENIERÍA ELECTRÓNICA

TEMA:

CONTROL FUZZY CON MATLAB

CURSO : CONTROL AVANZADO

DOCENTE : ING. GALVAN MALDONADO, Carlos Abel

ALUMNO :

CICLO : VII

Pampas, 07 mayo del 2018

 Introducción

• Se basan en un conocimiento del sistema a controlar, tanto de su funcionamiento

como de sus condiciones de operación, a través de un modelo matemático que lo
describa en forma bastante aproximada, en todo su rango de operación y para
cualquier instante de tiempo (procesos por lotes o “batch”).

• 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.

• Los algoritmos de control avanzado no se consideran “parámetros optimizados” sino

que responden a estrategias de “estructura optimizada”, ya que su estructura depende
del sistema particular a controlar.

• El desarrollo de los algoritmos implica una fuerte plataforma computacional y no hay

productos comerciales, salvo el control por lógica difusa (“fuzzy logic”).

• Existen diversas estrategias de control que responden a esta clasificación provenientes

del mundo académico-científico.

• 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.

• Se basa en la recopilación de conocimiento de un sistema, a partir de operadores del

mismo que pueden considerarse como “expertos” en su área de conocimiento.

• 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”).

• El control avanzado de mejor aceptación por la industria japonesa, y se encuentran

aplicaciones de estrategias de control basadas en lógica difusa en el ajuste automático
del foco en cámaras fotográficas, resolución del sistema de frenos ABS en la industria
automotriz, lavadoras automáticas, etc.

• Inclusive, las principales empresas fabricantes de PLC’s incorporan módulos de control

de lógica difusa, y las plataformas SCADA o DCS también los están incluyendo como
herramientas de control.

• El control se basa en la aplicación de un álgebra difusa planteada por Lofti Zadeh, al

tratar de representar el pensamiento lógico humano.

• Las variables controladas y observadas de los distintos sensores en el proceso, debe

“pasarse” al mundo “difuso” a través de un procedimiento conocido como
“emborronado” o “fusificación” (“fuzzification”), teniendo en cuenta el grado de
pertenencia que tiene cada variable a los conjuntos difusos en que se subdivide el
rango de aplicación de cada variable, a través de la definición de funciones de
membresía asignadas a las mismas.

CONTROL CON LÓGICA DIFUSA (FUZZY)

 • La lógica difusa está asociado con la manera en que las personas perciben el medio

• Ejemplo:

• altura de una persona

• velocidad con la que se mueve un objeto

• temperatura dominante en una habitación

• SE FORMULAN DE MANERA AMBIGUA.

• Depende de quién percibe el efecto físico o químico.

• Será su enunciado acerca de tal fenómeno.

• Una persona puede ser alta o baja

• algo puede moverse rápido o lento

• una temperatura puede ser baja o moderada o alta

• Se dice que estas afirmaciones acerca de una variable son AMBIGUAS por que

• rápido, bajo, alto

• Son afirmaciones del observador, y estas pueden variar de un observador a otro.

• Uno se puede preguntar cuándo algo es

• frío o caliente

• que tan baja es la temperatura cuando decimos frío

• o que tan alta es cuando decimos caliente.

Control Adaptivo, Adaptativo o Adaptable (“Adaptive Control”):

• Es apropiado para sistemas que sean variantes en el tiempo.

• Los “PID autoajustables”, incorporan técnicas de identificación de parámetros por

mínimos cuadrados u otras técnicas propias del sistema resultante.

• Una de las estrategias es el “Control Adaptivo por Modelo de Referencia” (“Reference

Model Adaptive Control” o “RMAC”).

• Se define un modelo con una dinámica como la que gustaría que tenga el sistema.

• El objetivo del sistema de control es disponer de un sistema de lazo cerrado cuyos

parámetros puedan ajustarse para establecer el tipo deseado de respuesta del sistema
(la que se tendría si el sistema fuese igual al modelo de referencia).

CONTROL ADAPTATIVO PROGRAMADO

 • Consiste en programar previo a su uso los cambios requeridos en el controlador para
adaptarse a las diferentes situaciones en las que tiene que operar.

SE NECESITA:

1. un conocimiento previo del proceso

2. una cuantificación de cómo deben cambiarse los parámetros del controlador

ante cambios en las características del proceso

SE DISEÑA DE DOS MODOS DIFERENTES:

1. Se prepara una ecuación (o una tabla), PREPROGRAMADA en función del

conocimiento del proceso, que de los valores que tiene que tener los
parámetros del controlador en función de los valores de las variables de
entrada y salida al sistema

2. Se subdivide el espacio de las variables de operación (entrada y salida) en un

conjunto de regiones y se propone para cada una de ellas un conjunto de
valores de los parámetros del controlador

CONTROL PREDICTIVO

• Es la manera de generar una actuación que pueda prever un determinado efecto en

la respuesta del sistema y evitarlo o al menos disminuirlo.

Actuar basándose en la predicción del comportamiento futuro del proceso.

CONTROL ROBUSTO:

• Define una estructura de control que tenga un desempeño acorde a las

especificaciones del sistema, independe de las perturbaciones a las que esté expuesto.

• 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

• Se busca aproximar el modelo por uno lineal de coeficientes constantes, asumiendo

que se incurrirá en un error de modelado.

• 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.

• Objetivo del control robusto:

• Hacer que todas las posibles salidas de las diferentes plantas dentro de la
incertidumbre pertenezcan a un conjunto de salidas aceptables.
INCERTIDUMBRE:

diferencias entre el modelo matemático y el sistema real.

ROBUSTEZ:

capacidad del sistema de control de satisfacer las especificaciones a pesar de la incertidumbre.

• Todos los sistemas reales están sometidos a los efectos de ambos, por lo que siempre
es recomendable hacer un análisis de robustez.

• Existe un compromiso entre la dificultad de las especificaciones que se pueden cumplir

y el nivel de incertidumbre que el sistema puede manejar ï es muy importante
cuantificar bien la incertidumbre.

• Diagrama de bloques para el control robusto de un robot de un grado de libertad.

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.

Para ello, se requiere de una etapa de entrenamiento (donde se ingresa información

disponible del sistema procurando que la red “aprenda” lo que se le quiere enseñar) y una de
“validación” (donde se contrasta el aprendizaje de la red con otros datos disponibles del
sistema que no se utilizan para el entrenamiento).

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.

• La red neuronal aprende la silueta de la superficie de las funciones de pertenencia, las

reglas y los valores.

• El sistema difuso se plantea como una red neuronal y se diseña de acuerdo con la
capacidad de aprendizaje de una red neuronal.

• Combinan la capacidad de aprendizaje de las RNas con el poder de interpretación

lingüística de los sistemas de inferencia difusas, obteniendo los resultados:

• Aplicación de los algoritmos de aprendizaje desarrollados para redes

neuronales. La integración de conocimientos

• Extraer conocimientos para una base de reglas difusas a partir de un conjunto

de datos.

RED NEURONAL
Práctica 1
Control Fuzzy : Para un control de voltaje de un motor

• Un controlador difuso de velocidad angular (rad/seg) para un servomotor DC.

• Entradas:"error" y "derror" (error de velocidad y derivada del error de velocidad),

• Salida: "voltaje" (voltaje de alimentación al servomotor DC).

INSERTAR OTRA ENTRADAS:

 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.

VOLTAJE DE ENTRADA (VIN):

• Voltaje aplicado al motor para variar su velocidad.

• Ventana FIS de Matlab la primer entrada del controlador de 0 a 12 Voltios voltaje

aplicadoal motor.

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.

VOLTAJE DE SALIDA (VOUT):

• Voltaje de salida, voltaje entregado por el controlador y llevado a la entrada de la

planta, acción de control que se aplica a la planta. Su rango de 0 a12 Voltios.
VOLTAJE DE ENTRADA (VIN):
CONJUNTOS DIFUSOS PARA ENTRADA SENSOR:
VOLTAJE DE SALIDA (VOUT):

VENTANA DE EDICIÓN DE REGLAS O EDIT RULES FINALES HASTA 36.

PODEMOS TENER UNA VISTA EN 3D O EL RESULTADO SUPERFICIE LÓGICA DIFUSA.

SIMULACIÓN DEL CONTROLADOR DIFUSO EN SIMULINK.

VISUALIZACIÓN DE LAS REGLAS REPRESENTADAS POR MEDIO DE LOS CONJUNTOS.

GRÁFICA DE LA RESPUESTA DEL CONTROLADOR FUZZY.

Definición de los nuevos conjuntos difusos de las entradas (Vin y sensor) y la salida (Vout).

CONJUNTOS DIFUSOS PARA VIN:

• Vnulo: Voltaje nulo: es el voltaje más bajo el cual no es suficiente para mover el motor.

• Vmin: voltaje mínimo con el que el motor se empieza a mover.

• Vmedb: Voltaje medio-bajo.

• Vmedio1: Voltaje medio Que corresponde a un rango de valores en el cual el motor

está a la mitad de su funcionamiento.

• Vmedio2: Voltaje medio 2.

• Vmeda: voltaje medio-alto.

• Valto: Voltaje alto.

• Vmáx: voltaje máximo que soporta el motor.

VENTANA FIS DE LA VARIABLE DE ENTRADA (VIN):
VENTANA FIS DE LA VARIABLE DE ENTRADA O CONJUNTOS DIFUSOS PARA SENSOR:

CONJUNTOS DIFUSOS PARA VOUT:

VENTANA EDITOR DE RULES PROCESADAS HASTA 64.

Superficie correspondiente al control difuso final.

OTROS RESULTADOS:

VISUALIZACIÓN DE LAS REGLAS REPRESENTADAS POR MEDIO DE LOS CONJUNTOS.

SIMULACIÓN DEL CONTROLADOR DIFUSO EN SIMULINK.

GRÁFICA DE LA RESPUESTA DEL CONTROLADOR FUZZY:

conclusiones de la respuesta del sistema correspondientes a la simulación en Simulink.

CONTROLADOR FUZZY P :

Diseño del controlador Difuso Proporcional

• Se puede asumir la Entrada y la Salida del controlador.

VARIABLE DE ENTRADA:
VARIABLE DE SALIDA:

VENTANA EDITOR DE RULES PROCESADAS HASTA 9.

SIMULACIÓN DEL CONTROLADOR DIFUSO EN SIMULINK.

GRÁFICA DE LA RESPUESTA DEL CONTROLADOR FUZZY:

conclusiones de la respuesta del sistema correspondientes a la simulación en Simulink.

CONTROL PID CONVENCIONAL Y DIFUSO:

• Controlador Fuzzy P

CONTROL PROPORCIONAL DIFUSO

• Se puede asumir la entrada (e) y la salida (u) del controlador, están

determinadas por tres conjuntos difusos:

• Neg, Cero y Pos, teniendo al menos 3 posibles reglas para la evaluación de la

salida:

Diseño del controlador Difuso Proporcional

• Para el control difuso P, sí es posible eliminar el error en estado estacionario y

el diseño usado para este caso se muestra y las respuestas en la figura.
ENTRADA “E”

SALIDA “U”
REGLAS DEL CONTROL FUZZY PID

Superficie correspondiente al control difuso final.

Control P y Fuzzy P en simulink:

GRÁFICA DE LA RESPUESTA DEL CONTROLADOR FUZZY:

conclusiones de la respuesta del sistema correspondientes a la simulación en Simulink.

RESPUESTA DEL SISTEMA CONTINUO Y DIFUSO PROPORCIONAL

CONTROL PID CONVENCIONAL Y DIFUSO:

• Controlador Fuzzy P

Diseño del controlador Difuso Proporcional

• Para el control difuso P, sí es posible eliminar el error en estado estacionario y

el diseño usado para este caso se muestra y las respuestas en la figura.

CONTROLADOR FUZZY PID

ENTRADA “E”
ENTRADA “DE/DT”

ENTRADA “INTEGRAL DE E”
SALIDA “U”

REGLAS DEL CONTROL FUZZY PID.

PODEMOS TENER UNA VISTA EN 3D O EL RESULTADO SUPERFICIE LÓGICA DIFUSA.

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

1.1. Diseño del controlador PD

El controlador derivativo reduce el rebasamiento y el tiempo de asentamiento.

RESULTADOS DE LA SIMULACIÓN DEL CONTROLADOR PD:

1.2. Diseño del controlador PID

La respuesta de este controlador no es rápida ni confiable.

RESULTADOS DE LA SIMULACIÓN DEL CONTROLADOR PID:

Diseño del controlador difuso:

El control supera el problema del controlador PID , con un pequeño rebasamiento y tiempo de
asentamiento.
RESULTADOS DE LA SIMULACIÓN DEL CONTROLADOR FUZZY:

CONTROL ADAPTATIVO POR MODELO DE REFERENCIA (MRAC)

• Aplicar los conceptos teóricos para el diseño de Controladores con Modelo de

Referencia (MRAC) tanto continuos como discretos.

Procedimiento

a) Sistema continuo:

• Implementar en SIMULINK y simular el modelo del proceso seleccionado

aproximándolo a un sistema de primer orden y a uno de segundo orden.

• ¿Para el sistema de primer orden seleccionar

• Qué conclusiones se pueden obtener sobre la adaptabilidad del proceso al modelo de

referencia con respecto al valor de ?

• Para el sistema de segundo orden

• seleccionar diferentes ternas de valores para

• y explicar como influyen dichos valores

• en la adaptabilidad del proceso al modelo de referencia.

IMPLEMENTACIÓN DEL MRAC PARA EL SISTEMA DE PRIMER ORDEN.

RESULTADOS DE LA SIMULACIÓN DEL CONTROLADOR DEL SISTEMA:

IMPLEMENTACIÓN DEL MRAC PARA EL SISTEMA DE SEGUNDO ORDEN.

RESULTADOS DE LA SIMULACIÓN DEL CONTROLADOR DEL SISTEMA: