Automático
V CICLO
INFORME
Laboratorio
“Estrategias de Control Difuso)”
Integrantes:
BERROCAL MENDOZA, José Miguel Steven
DE LA CRUZ VILLARROEL, Luis Anibal
HUAMAN CHIPANA, Elio
HUAMANI SANCHEZ, Jhon Sotil
Profesor:
SOBRADO MALPARTIDA, Eddie Ángel
2017-II
Lab Estrategias De Control Difuso
Índice general
1. Introducción ................................................................................................... 3
2. Objetivos generales ....................................................................................... 4
3. Objetivos específicos..................................................................................... 4
4. Fundamento Teorico ..................................................................................... 4
6. Procedimiento................................................................. ……………………..9
7. Comclusiones .. …………………………………………………………………….9
8. Biblografia …………………………………………………………………….......10
pág. 2
Lab Estrategias De Control Difuso
1. Introducción:
El control automático surge para liberar al hombre de tareas repetitivas, donde la complejidad
del sistema a controlar es elevada o la operación es riesgosa, puede haber una gran cantidad
de motivos por la cual se opta por el control automático. El control manual es llevado a cabo
por personas que conocen (aunque sea de manera aproximada) el proceso a controlar y saben
cómo debe ser el resultado de su control y como lograrlo, en la industria, estas personas
(operarios) cuentan con experiencia y conocimiento suficiente para cumplir con los objetivos
de control. Este concepto de experiencia o base de conocimiento es muy importante en
sistemas de control difuso, para el desarrollo de este proceso de control difuso realizaremos
las simulaciones respectivas utilizando el softwater Matlab donde emplearemos Toolbox Fuzzy
Logic.
pág. 3
Lab Estrategias De Control Difuso
2. Objetivos General:
3. Fundamento Teórico:
Es una lógica la cual se encuentra basada en una teoría de conjuntos la cual se encarga de imitar
el comportamiento lógico de las personas.
Esta se utiliza con el fin de representar la información que es imprecisa, vaga o ambigua, para
tomar decisiones razonables en un entorno.
Para la lógica difusa establece que una puerta no tiene que estar solo abierta o cerrada, podemos
encontrar otros estados:
pág. 4
Lab Estrategias De Control Difuso
4. Procedimiento:
0.60571e−1.05s
G(s) =
7.0999 ∗ S + 1
Para el empleo del comando escribimos en la pantalla del Command Window del MatLab la
palabra fuzzy. Donde se puede ver en la figura N°2 también dividido en los grupos 1 y 2.
1 2
En la figura Nº2 en el grupo 1 y 2 se observa las variables que modificaremos para el proceso.
pág. 5
Lab Estrategias De Control Difuso
Para elegir
pág. 6
Lab Estrategias De Control Difuso
Como se puede observar en la imagen se presentan dos grupos, el Grupo I se muestran las operaciones
logicas and y or, los metodos d implicacion, de agregacion y de defuzzification, en este caso para
nuestra simulacion seleccionamos en Defuzzification la opción Bisector.
Con respecto al Grupo II, se muestra el nombre, donde lo cambiaremos por “Error” o cuel otro nombre
que creamos conveniente para nuestro porceso de control
Ahora si queremos cambiar el modelo a usar, nos dirigimos al menú File-New FIS…-Mamdami, así como
se muestra en la Figura N°3. En este caso por defecto ya salio el tipo de modelo Mamdami, por lo tanto
no lo cambiamos.
Ahora si queremos agregar una variable, ya sea de entrada o de salida nos dirigimos al menú Edit-
Add Variable-Input (output), asi como se muestra en la siguiente Figura.
Una ves agregada la variable se cambia el nombre de esta por “Derivada del Error”, así como se
muestra en la Figura N°4, ya que siempre es recomendable tener como segunda variable comparativa
a la derivada de la primera variable de entrada que en este caso es el “Error”.
Luego procedemos a configurar cada una de las variables tanto las de entrada como la única que
tenemos como salida. A continuacion se muestra las configuraciones de cada una de estas:
Como se puede observar en la Figura N°5, hemos modificado cada una de sus funciones de pertenencia
siendo estas NL, NS, Z, PS Y PL, además consideramos un rango de [-1 1].
NOTA:
NL y PL Trapeciales
NS, Z y PS: Triangulares
pág. 7
Lab Estrategias De Control Difuso
Para esta segunda variable de entrada, se configura de forma similar que el ERROR. A continuación, en
la Figura N°6 se muestra como se debe configurar esta variable.
pág. 8
Lab Estrategias De Control Difuso
Salida (output1)
Finalizamos las configuraciones de las variables con la variable de salida (output1), en este caso se
puede observar en la Figura N°7 que ya no existen funciones de pertenencia de forma trapecial sino
solo de forma triangular, siendo estos CL, CS, Z, OS y OL al igual que las entradas le colocamos un rango
de [-1 1], de lo contrario no estaría bien definida nuestra variable de salida.
Reglas
Una vez definidas la salida, el error y la derivada del error, procedemos a definir nuestras reglas según
la tabla que nos proporcionaron en el laboratorio. En la siguiente imagen se muestra las reglas ya
definidas.
NOTA: Las reglas deben estar definidas correctamente sin ninguna variación; hacerlo diferente va a
cambiar por completo el sistema a la hora de simular.
pág. 9
Lab Estrategias De Control Difuso
Al finalizar, debemos exportar el trabajo al Works pace con el nombre que deseemos. Tal como se
muestra en la siguiente imagen.
Simulación:
pág. 10
Lab Estrategias De Control Difuso
En el bloque Fuzzy Logic Controller, ponemos el archivo que exportamos al Workspace anteriormente.
En la señal del generador ponemos una onda cuadrada de amplitud 0.5 a una frecuencia de 0.001 Hz.
Por otro lado, en el bloque Transfer Fcn se introducen los parámetros que se mencionaron
anteriormente. Por último, en el tiempo se introduce 4000. Los resultados se muestran en la siguiente
imagen.
Con perturbaciones
Para generar perturbaciones debemos aplicar la siguiente función con los mismos parámetros:
pág. 11
Lab Estrategias De Control Difuso
La respuesta del controlador ante una perturbación se muestra en la gráfica anterior. Al inicio podemos
observar que el PV iguala al SP. Continuando con la simulación, el PV tiende a seguir a la señal de SP,
siendo su respuesta muy óptima. Se observa que el error es mínimo en todo el transcurso de la
simulación.
pág. 12
Lab Estrategias De Control Difuso
5. Conclusiones:
e logró realizar el control por lógica difusa empleando Fuzzy Logic del software MatLab de un
sistema de control de primer orden con retardo, obteniendo una respuesta final como se
muestra en la figura N° 11
6. Bibliografías:
pág. 13