Anda di halaman 1dari 13

Estrategias de Control

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

Fecha de realización: 04 de Diciembre

Fecha de Entrega: 11 de diciembre

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:

 Realizar un sistema de control difuso empleando Toolbox Fuzzy de MatLab


 Implementar en Simulink el sistema de control difuso a realizar.

3. Fundamento Teórico:

¿Qué es la lógica difusa?

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.

Características de la lógica difusa:

 Logra representar datos imprecisos en un lenguaje natural.


 Utiliza conjuntos disjuntos, las relaciones difusas y variables difusas.
 Dichos elementos se juntan en el proceso de inferencia (pasa de difusa a precisa o
viceversa).

Imagen 1. Concepto de la lógica difusa.

Ejemplo de lógica difusa:

Para la lógica difusa establece que una puerta no tiene que estar solo abierta o cerrada, podemos
encontrar otros estados:

 Puerta abierta (1)

 Puerta bastante abierta (0.8)

 Puerta abierta a medias (0.5)

 Puerta casi cerrada (0.1)

 Puerta cerrada (0)

Imagen 2. Puerta abierta para ejemplo

pág. 4
Lab Estrategias De Control Difuso

4. Procedimiento:

1: Se realizará el control de un sistema de primer orden con retardo, cuya función


de transferencia se muestra a continuación:

0.60571e−1.05s
G(s) =
7.0999 ∗ S + 1

2: Empleo del toolbox Fuzzy:

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

Figura 1. Comando fuzzy en el Command Window de MatLab.

En la figura Nº2 en el grupo 1 y 2 se observa las variables que modificaremos para el proceso.

En el grupo 1 pertenecientes a los operadores lógicos and y or y los métodos de implicación de


agregación y de Defuzzication realizamos la modificación de bisector, como se muestra en la
figura nº 4

pág. 5
Lab Estrategias De Control Difuso

Figura 2. Cambio de variable – bisector

En grupo 2 también se ubica los parámetros input para el cambio de variable.

3. Elección del modelo

Para elegir

Figura 1. Menú principal del Fuzzy Toolbox, FIS Editor.

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.

Derivada del Error

Figura 2. Agregar una variable.

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:

 Error (Variable input1)

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

Figura 3. Configuración de la primera variable de entrada.

 Derivada del Error (Variable input2)

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.

Figura 4. Configuración de la segunda variable de entrada.

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.

Figura 5. Configuración de la 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

Figura 6. Editor de reglas, Rule Editor.

Al finalizar, debemos exportar el trabajo al Works pace con el nombre que deseemos. Tal como se
muestra en la siguiente imagen.

Figura 7. Exportación del trabajo realizado hasta el editor de reglas.

 Simulación:

La simulación se hace en Simulink. Se debe armar el siguiente diagrama de bloques.

pág. 10
Lab Estrategias De Control Difuso

Figura 8. Diagrama de bloques realizada en Simulink.

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.

Figura 9. Señal de salida obtenida.

En la gráfica anterior se observa cómo es que la salida varía ante un SP periódica. La


señal de SP tiene una frecuencia de 0.001 Hz y una amplitud de 0.5. Por otro lado, al
inicio se aplica un escalón de 0.5 de amplitud, por eso es que se observa que la señal
va de 0 a 1 de amplitud. Con respecto a la respuesta del sistema, observamos que a
pesar que el SP varié estrepitosamente, el controlador logra controlarlo óptimamente.

 Con perturbaciones

Para generar perturbaciones debemos aplicar la siguiente función con los mismos parámetros:

pág. 11
Lab Estrategias De Control Difuso

Figura 10. Parámetros a ingresar para generar perturbaciones.

Figura 11. Respuesta del controlador ante una perturbación

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

 También se logró demostrar a través de la simulación que, si le aplicamos una perturbación


del sistema, obtendremos una respuesta como se muestra en la Figura N°13, siendo esta
respuesta muy óptima.

6. Bibliografías:

 Dámaso López Aragón. (2012). Lógica


Difusa https://my.laureate.net/Faculty/webinars/Documents/Ingenieria2013/November2
013_Logica%20Difusa.pdf

pág. 13

Anda mungkin juga menyukai