CONTROLADOR NEURO FUZZY PARA EL SISTEMA DE BOLA Y BARRA

Jos Jorge Penco

jpenco@frcon.utn.edu.ar
Grupo de Investigacin en Modelado, Simulacin y Control (GIMOSIC)
Universidad Tecnolgica Nacional Facultad Regional Concordia

Resumen: Se disea un controlador neuro-difuso capaz de reproducir el comportamiento de

un PID para estabilizar el mecanismo no lineal de bola y barra utilizado como planta didctica
en el estudio de sistemas de control. Empleando el mtodo de generacin y entrenamiento de
un sistema de inferencia difuso adaptivo (ANFIS), mediante las herramientas
computacionales de Matlab, se utilizan muestras de las seales de entrada y salida obtenidas
por simulacin del funcionamiento de un PID convencional. Finalmente se proponen y
validan diferentes estructuras de redes neuronales analizando los ndices de error y la
complejidad de las topologas para determinar el modelo ms apropiado.

Palabras claves: controlador neuro-difuso, red adaptiva, modelo anfis, red neuronal, sistema
de bola y barra.

o maestro. La accin del controlador externo fija el

1. INTRODUCCIN
En este sistema una bola ubicada sobre una barra
rgida puede rodar libremente sobre ella. Diversos
mecanismos transmiten el movimiento giratorio
producido por un motor y lo convierten en un ngulo
de inclinacin que se aplica a la barra para gobernar
el desplazamiento de la bola (Oporto Peredo, 2015).
Por su naturaleza se trata de un sistema
completamente inestable a lazo abierto y por lo tanto
el objetivo del control es regular automticamente la
posicin de la bola actuando sobre el ngulo de
inclinacin de la barra. Debe entonces disponerse de
los sensores apropiados para realimentar el valor de
estas variables.
punto de ajuste o referencia que debe seguir el
controlador interno. Luego la funcin del lazo interno
es controlar el ngulo de inclinacin de la barra, en
tanto que el lazo externo controla la posicin de la
bola a lo largo de la barra (Amjad et al, 2010).
Conforme a la estrategia propuesta en la Fig. 1, para
controlar adecuadamente la posicin de la bola, la
respuesta del lazo interno debe ser suficientemente
ms rpida que la respuesta del lazo exterior.
Fig. 1. Estrategia de control del sistema

Una de las soluciones posibles para operar este
sistema consiste en la utilizacin de controladores
convencionales PID o PD empleando una estrategia
de control en cascada constituida por un doble lazo
cerrado. En este tipo de control se utilizan dos
controladores, uno interno o esclavo y el otro externo
Este trabajo propone disear un sistema neuro-difuso
adaptivo (ANFIS) para reemplazar el controlador del
lazo externo. stos consisten en un sistema de
inferencia construido con reglas difusas que
incorpora las capacidades de aprendizaje de las redes
neuronales (Jang, 1993).
 2. MODELADO TERICO
2.1 Modelo matemtico del dispositivo.
Para el modelado terico del sistema se utiliz la
formulacin de Lagrange por resultar ventajosa
frente al empleo de las leyes de Newton. Esta
consiste en obtener la diferencia entre las energas
cintica y potencial del sistema, por lo tanto no es
necesario conocer de forma explcita las fuerzas que
actan sobre un cuerpo. Se considera que la bola gira
sin resbalamiento y despreciable el efecto del
rozamiento (Puglesi y Bernasconi, 2012).
Dado que el actuador es un motor de CC, no hay
elasticidad en el sistema y por lo tanto la energa
cintica se plantea como
1 1 1 Lin Rin = inductancia y resistencia del inducido
U m v 2 J b o 2 J ba 2
2 2 2 Jm Fr = momento de inercia y rozamiento
donde
m = masa de la bola
v = velocidad de traslacin de la bola
= velocidad angular de la bola
= ngulo de la barra
Jba = momento de inercia de la barra
Jbo = momento de inercia de la bola
El sistema emplea dos sensores que miden la
posicin x de la bola y el ngulo de inclinacin de
la barra, por lo que se escribe la ecuacin (1) en
trmino de estas dos variables
J ( s)
m bo x m g ( 2)
r2
En la ecuacin (2) se asume que el sistema de
control, para pequeas perturbaciones, acta de tal
forma que lleva la bola al reposo con un mnimo de
movimiento de la barra. De este modo, el ngulo de
la barra y sus derivadas son de valor reducido siendo
vlida la simplificacin sen . Considerando la
transformada de Laplace de la ecuacin (2) se
obtiene la expresin de la funcin de transferencia de
la planta
X ( s) mg 1
Gp(s)
( s) J bo s 2
m
r2
siendo
2 fsico o desde una simulacin generada a partir de los
J bo m R2 ( 4)
5 modelos matemticos. Este ltimo es el mtodo
y aplicando los valores numricos del sistema que se
ha considerado (Puglesi y Bernasconi, 2012)
R = radio de la bola = 2 cm
r = despeje entre bola y barra = 1.73 cm
g = 9.793 m/s2
X (s) 5.3984
Gp(s) ( 5)
( s) s2
2.2 Modelo matemtico del motor.
Este modelo, que ha sido profusamente desarrollado
en la bibliografa, presenta una dinmica que puede
representarse por la ecuacin (6).
(s) km
Gm(s) ( 6)
Vin (s) s (Rin Lin s) Jm s Fr kb km
(1)
kb km = constantes de fem y par
Dado que en la mayora de los motores de CC la
constante de tiempo elctrica Tin Lin / Rin es
mucho menor que la constante de tiempo mecnica
Tm Jm / Fr , la respuesta queda dominada por el
polo mecnico (Obando Correa, 2010).
Mediante un procedimiento de identificacin (Puglesi
y Bernasconi, 2012) se obtuvieron los siguientes
valores en promedio, km = 25.66 y Tm = 0.14s para el
modelo simplificado, resultando
km 25.66
Gm(s) (7)
Vin (s) s (Tm s 1) s (0.14 s 1)
3. CONTROL DEL SISTEMA
Para controlar el funcionamiento de este sistema,
inherentemente inestable por su naturaleza, se han
desarrollado diferentes estrategias como la
incorporacin de compensadores de adelanto de fase,
diseo de reguladores cuadrticos lineales (LQR) o
gaussianos (LQG), diseo de observadores de estado
con control realimentado, controladores PD o PID
convencionales, tcnicas de control difuso,
controladores adaptivos, etc. (Keshmiri et al, 2012;
( 3) Wei Wang, 2007). En este trabajo se emplea un
sistema de inferencia difuso que utiliza una red
neuronal adaptiva (ANFIS) (Jang, 1993), el cual
puede disearse a partir de los los datos recolectados,
ya sea desde la operacin misma del dispositivo
utilizado cuando no se dispone del equipo necesario,
no obstante permite verificar un procedimiento de
diseo que, en una etapa posterior, puede validarse a
partir de un modelo real del sistema.
 Fig. 4. Estabilizacin del lazo externo del sistema
Step Resp onse
En primer trmino utilizando el software Matlab y 1.4

aplicando la tcnica del lugar de races (Ogata, 2003)

System: G sis
se dise un controlador PD para gobernar el 1.2
Peak amp litude: 1.28
O vershoot (%): 28.4
funcionamiento del servomotor en el lazo interno del 1
At time (seconds): 1.06

sistema, Fig. 2, obtenindose el ngulo necesario de System: G sis

Settling time (seconds): 4.95
inclinacin para la barra. A partir de los 0.8

Amplitude
requerimientos propuestos Mp 3% y ts 0.5s, se
obtuvo la siguiente funcin de transferencia para el 0.6

controlador
0.4

Gpd ( s ) 0.1 s 1 (8) 0.2

0
0 1 2 3 4 5 6 7 8 9 10
Time (seconds)

Fig. 5. Respuesta temporal del lazo externo

Fig. 2. Lazo de control del ngulo de inclinacin 4. DISEO DEL CONTROLADOR ANFIS

En la Fig. 3 se pueden observar los parmetros 4.1 Recoleccin de datos

caractersticos correspondientes a la respuesta del La primera fase del procedimiento consisti en
lazo del servomotor. obtener una serie de datos proporcionados por el
funcionamiento del sistema diseado, los cuales se
1.4
Step Resp onse
utilizan posteriormente para el entrenamiento de la
System: untitled1
red neuronal que reemplazar al controlador PID
1.2 Peak amp litude: 1.03
O vershoot (%): 3.04 convencional. Esta informacin se obtuvo a partir de
At time (seconds): 0.224
la simulacin realizada con Simulink segn el
1
System: untitled1
Settling time (seconds): 0.313
diagrama de la Fig. 6, donde los datos de inters son
0.8
recolectados y exportados al workspace para su
Amplitude

tratamiento (MathWorks, 2015).

0.6

0.4

0.2

0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Time (seconds)

Fig. 3. Respuesta temporal del lazo interno

Posteriormente se dise un controlador PID para

adecuar la respuesta del lazo externo que tiene como Fig. 6. Diagrama utilizado para recoleccin de datos
realimentacin la informacin de posicin de la bola
sobre la barra. Con igual tcnica se adopt la
siguiente funcin de transferencia 4.2 Creacin y entrenamiento de la red neuronal
Con la informacin previa y utilizando la interface
0 .5 grfica ANFIS Editor que integra el paquete Fuzzy
Gpid ( s ) 0.75 0.6 s (9)
s Logic Toolbox se efectu el procedimiento de
creacin y entrenamiento de una red neuronal
La Fig. 4 indica el diagrama de bloques completo adaptiva del tipo Takagi-Sugeno-Kang utilizando
utilizado para la simulacin, cuya respuesta se reglas de aprendizaje difusas.
observa en la Fig. 5.
Durante este proceso se ensayaron diversas
estructuras de red neuronal, variando la cantidad de
funciones de membresa y los mtodos de
aproximacin, lo cual permiti evaluar el desempeo
de diferentes alternativas seleccionndose las que
produjeron menores ndices de error durante el
entrenamiento.
La Tabla 1 muestra un resumen de las variantes ms RED est: [4 4] inMF: gauss2 outMF: lin

significativas obtenidas; en todos los casos se PID convencional

consider una funcin de membresa del tipo lineal 1.2
PID ANFIS
Variante 1
para la salida de la red y se emple el mtodo hbrido
de optimizacin. 1

Tabla 1. Variantes de entrenamiento 0.8

Posicin
0.6
MF
Variante Estructura Epochs Error
inputs
1 gauss2 [4 4] 40 0.25467 0.4
2 pi [3 5] 60 0.15867
3 pi [4 5] 60 0.15853 0.2
4 gbell [3 3] 150 0.29541
5 gbell [2 2] 450 0.29377
0
6 gauss [3 3 3] 10 0.0018052 0 2 4 6 8 10 12 14 16 18 20
Tiempo [s]

5. VALIDACIN Y ANLISIS

Para validar los modelos neuro-difusos propuestos se

realizaron las simulaciones de funcionamiento
utilizando, en principio, la seal de error de posicin
y su derivada como entradas de excitacin para la red
ANFIS que controla el lazo, y empleando el
diagrama que se indica en la Fig. 7.

Fig. 9. Respuesta y estructura de la RED gauss2 [4 4]

RED est: [3 5] inMF: pi outMF: lin

PID convencional
Fig. 7. Diagrama para validacin. Variantes 1 a 5 1.2
PID ANFIS
Variante 2

En el caso de la variante 6 se tomaron como entradas 1

la seal de error, su derivada y su integral para el

entrenamiento de la red por lo que se utiliz el 0.8
Posicin

diagrama de la Fig. 8 para realizar la validacin del

0.6
modelo.
0.4

0.2

0
0 2 4 6 8 10 12 14 16 18 20
Tiempo [s]

Fig. 8. Diagrama de bloques para validacin. Variante 6

Con el objetivo de evaluar los resultados, en las Fig.

9 a 14 se observan las curvas comparativas de
respuesta que produjo el sistema controlado con un
PID convencional y con la red neuronal ANFIS, para
cada una de las configuraciones seleccionadas en la
Tabla 1. Tambin se presentan las estructuras
internas de cada una de las redes para comparar el
grado de complejidad en cada caso.

Fig. 10. Respuesta y estructura de la RED pi [3 5]

 RED est: [4 5] inMF: pi outMF: lin RED est: [2 2] inMF: gbell outMF: lin

PID convencional PID convencional

PID ANFIS PID ANFIS
1.2 1.2
Variante 3 Variante 5

1 1

0.8 0.8
Posicin

Posicin
0.6 0.6

0.4 0.4

0.2 0.2

0 0
0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16 18 20
Tiempo [s] Tiempo [s]

Fig. 11. Respuesta y estructura de la RED pi [4 5] Fig. 13. Respuesta y estructura de la RED gbell [2 2]

RED est: [3 3] inMF: gbell outMF: lin RED est: [3 3 3] inMF: gauss outMF: lin

PID convencional PID convencional

PID ANFIS PID ANFIS
1.2 1.2
Variante 4 Variante 6

1 1

0.8 0.8
Posicin

Posicin

0.6 0.6

0.4 0.4

0.2 0.2

0 0
0 2 4 6 8 10 12 14 16 18 20 0 2 4 6 8 10 12 14 16 18 20
Tiempo [s] Tiempo [s]

Fig. 12. Respuesta y estructura de la RED gbell [3 3] Fig. 14. Respuesta y estructura de la RED gauss [3 3 3]

Es de notar que en todos los casos se verific una
relativa diferencia que se manifest
fundamentalmente en el periodo transitorio, no
obstante los valores mximos de sobrepaso y del
tiempo de establecimiento se mantuvieron cercanos o
an inferiores a los alcanzados con el controlador
convencional.
Para la variante 6 el efecto de incluir la informacin
de la integral del error de posicin disminuy
significativamente el error de entrenamiento de la
red, sin embargo el aumento en la complejidad de la
estructura, en comparacin con la variante 1, no
present mejoras notables en la curva de respuesta.
Las variantes 2 y 3 con funciones de membresa de
entrada tipo spiline mejoran los valores de sobrepaso
respecto de la curva con PID convencional. En tanto
que para la variante 4 con 2 funciones de entrada tipo
gbell se obtuvo una desmejora en el tiempo de
establecimiento, sin embargo aumentando a 3 las
funciones de entrada se logr reducir este parmetro.
International Journal on Smart Sensing and
Intellegent Systems, Vol. 5, N 1.
MathWorks (2015). Fuzzy Logic Toolbox. Users
Guide. The Math Works Inc. EE UU.
Obando Correa, O.A., y H. Romero Brand (2010).
Desarrollo de un sistema ball and beam, para
implementar estrategias de control mediante
LabVIEW. Tesis de especializacin. Universidad
Pontificia Bolivariana.
Ogata, K. (2003). Ingeniera de Control Moderna.
4ta. Ed., Prentice Hall, Mxico.
Oporto Peredo, M. (2015). Diseo de control para
una planta Bola y Viga. E.T.S.I.I.T. Universidad de
Cantabria.
Puglesi, E. y M. Bernasconi (2012). Equipo
educativo para la enseanza de la mecatrnica.
Revista Iberoamericana de Ingeniera Mecnica.
Vol. 16, N 2, pp. 57-70.
Wang, W. (2007). Control of Ball and Beam System.
Tesis de Maestra. School of Mecanical
Engineering. The University of Adelaide. Australia.

Las variantes 2 o 4 podran ser recomendadas

considerando un compromiso entre precisin y
complejidad de estructura.

6. CONCLUSIONES

Los procedimientos de recoleccin de datos,

generacin y entrenamiento de las redes neuronales
se efectuaron conforme a la metodologa habitual.
El resultado obtenido fue aceptable, logrndose
disear un controlador neuro-difuso con capacidad de
desempearse correctamente en el lazo de control del
problema planteado.

La utilizacin de redes neuronales combinadas con

reglas difusas permite modelar y/o controlar plantas o
procesos, an inestables y no lineales, de los cuales
no se dispone de la suficiente informacin para
desarrollar un modelo preciso.

REFERENCIAS

Amjad, M., M.I. Kashif, S.S. Abdullah y Z. Shareef

(2010). Fuzzy Logic Control of Ball and Beam
System. 2nd. I.C.E.T.C.
Jang, J.-S. R. (1993). ANFIS: Adaptive-Network-
Based Fuzzy Inference System. IEEE Transactions
on Systems, Man and Cybernetics. Vol. 23, N 3,
pp. 665-685.
Keshmiri, M., A. Jahromi, A. Mohebbi, M.
Amoozgar y Wen-Fang Xie (2012). Modeling and
Control of Ball and Beam System using Model
based and Non-model based Control Approaches.