Objetivo:

El alumno probara tres controles vistos durante el curso de algoritmos avanzados de control, los cuales son: PID clsico, PD+I difuso y Narma, a partir de esto, realizara las pruebas pertinentes y observara cual tiene la mejor respuesta para su sistema en cuestin.

Introduccin
Control es un concepto muy comn y es ampliamente usado por muchas personas en la vida cotidiana. El trmino es usado habitualmente para hacer referencia a la interaccin entre el hombre y lo que lo rodea, ms especficamente a la interaccin hombre-mquina, un ejemplo sencillo es el de conducir un automvil donde es necesario controlar el vehculo para lograr llegar al destino deseado, sistemas como este son llamados de control manual. El control automtico involucra solamente a mquinas, un ejemplo comn es el control del nivel de agua de un tanque, donde dependiendo del nivel del lquido se abrir o cerrar la vlvula correspondiente a su llenado. Ambos temas son un amplio campo de estudio con aplicacin en las ms diversas ramas de la ingeniera. Algunas aplicaciones son: en robtica se controla la velocidad, posicin y fuerza con la que manipuladores interactan con el medio, en la industria qumica el control es aplicado al flujo de lquidos, presin de gas, nivel de lquidos en depsitos, etc., incluso el cuerpo humano cuenta con mecanismos que trabajan como control automtico, por ejemplo el dimetro de la pupila del ojo, la presin sangunea, el ritmo respiratorio, etc., son procesos biolgicos que se los puede ver como equivalentes al control automtico realimentado. Los sistemas a controlar pueden ser de la ms variada naturaleza. En los ltimos 50 aos una gran cantidad libros y publicaciones sobre control han sido presentados, de estos, los mtodos de anlisis y diseo son herramientas muy importantes para el ingeniero que realiza control. El control automtico surge para liberar al hombre de tareas repetitivas, donde la complejidad del sistema a controlar es elevada o la operacin es riesgosa, puede haber una gran cantidad de motivos por la cual se opta por el control automtico. El control manual es llevado a cabo por personas que conocen (aunque sea de manera aproximada) el proceso a controlar y saben cmo 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.

Marco Terico
Control Narma El neurocontroller descrito en esta seccin se denomina con dos nombres diferentes: retroalimentacin de control de linealizacin y control Narma-L2. Se denomina linealizacin por realimentacin cuando el modelo de la planta tiene una forma particular (forma compaero). Esto se conoce como control de Narma-L2

cuando el modelo de la planta puede ser aproximada por la misma forma. La idea central de este tipo de control es transformar la dinmica de sistemas no lineales de la dinmica lineal mediante la cancelacin de las no linealidades. Esta seccin comienza con la presentacin del modelo de sistema de forma compaero y mostrar cmo se puede utilizar una red neuronal para identificar este modelo. A continuacin, se describe cmo el modelo de red neuronal identificado puede ser utilizado para desarrollar un controlador. Esto es seguido por un ejemplo de cmo utilizar el bloque de control Narma-L2, que est contenida en el Blockset Neural Network Toolbox. Logica Difusa El concepto de lgica difusa es muy comn, est asociado con la manera en que las personas perciben el medio, por ejemplo ideas relacionadas con la altura de una persona, velocidad con la que se mueve un objeto, la temperatura dominante en una habitacin, cotidianamente se formulan de manera ambigua y depende de quin percibe el efecto fsico o qumico, ser su enunciado acerca de tal fenmeno. Una persona puede ser alta o baja, algo puede moverse rpido o lento, una temperatura puede ser baja o moderada o alta, se dice que estas afirmaciones acerca de una variable son ambiguas porque rpido, bajo, alto son afirmaciones del observador, y estas pueden variar de un observador a otro. Uno se puede preguntar cundo algo es fro o caliente, que tan baja es la temperatura cuando decimos fro, o que tan alta es cuando decimos caliente. Los conjuntos difusos definen justamente estas ambigedades, y son una extensin de la teora clsica de conjuntos, donde un elemento pertenece o no a un conjunto, tal elemento tiene solo 2 posibilidades, pertenecer o no, un elemento es bi-valuado y no se definen ambigedades. Con conjuntos difusos se intenta modelar la ambigedad con la que se percibe una variable. Los conjuntos difusos son la base para la lgica difusa, del mismo modo que la teora clsica de conjuntos es la base para la lgica Booleana. Con los conjuntos difusos se realizan afirmaciones lgicas del tipo si-entonces, definindose estas con Lgica Difusa. Este tema es propio de inteligencia artificial, donde se intenta emular en pensamiento humano. Nuestro campo de estudio es el control industrial, debemos tener en cuenta la experiencia o base de conocimiento del operario, esto ser til para emular el comportamiento humano con una mquina, a pesar de ser esta muy limitada. Desde que Lotfy A. Zadeh (1965) desarroll este concepto de lgica difusa, se ha trabajado en este tema, el principal centro de desarrollo es Japn, donde sus investigadores la han aplicado a muy diversos sistemas, principalmente electrodomsticos, sistemas ms recientes estn vinculados con la industria, la medicina y la actividad espacial. Muchas publicaciones y libros se han escrito de este tema, pero an queda mucho por explorar. La incorporacin de lgica difusa a los sistemas de control da lugar a lo que llamaremos sistemas de control difuso. Dentro de los sistemas de control se encuentran dos grandes reas, el modelado o identificacin y el control

propiamente dicho o control directo. Nos enfocaremos en el control de procesos suponiendo conocido el modelo de este. La idea es muy simple, se trata de determinar de manera lgica que se debe hacer para lograr los objetivos de control de mejor manera posible a partir de una base de conocimiento proporcionada por un operador humano, sin esta base no es posible desarrollar una aplicacin y que esta funcione de manera correcta. Control PID Un controlador PID (Proporcional Integrativo Derivativo) es un mecanismo de control genrico sobre una realimentacin de bucle cerrado, ampliamente usado en la industria para el control de sistemas. El PID es un sistema al que le entra un error calculado a partir de la salida deseada menos la salida obtenida y su salida es utilizada como entrada en el sistema que queremos controlar. El controlador intenta minimizar el error ajustando la entrada del sistema. Viene determinado por tres parmetros: el proporcional, el integral y el derivativo. Dependiendo de la modalidad del controlador alguno de estos valores puede ser 0, por ejemplo un controlador Proporcional tendr el integral y el derivativo a 0 y un controlador PI solo el derivativo ser 0, etc. Cada uno de estos parmetros influye en mayor medida sobre alguna caracterstica de la salida (tiempo de establecimiento, sobre oscilacin,...) pero tambin influye sobre las dems, por lo que por mucho que ajustemos no encontraramos un PID que redujera el tiempo de establecimiento a 0, la sobre oscilacin a 0, el error a 0,... sino que se trata ms de ajustarlo a un trmino medio cumpliendo las especificaciones requeridas.

Accin proporcional La respuesta proporcional es la base de los tres modos de control, si los otros dos, control integral y control derivativo estn presentes, stos son sumados a la respuesta proporcional. Proporcional significa que el cambio presente en la salida del controlador es algn mltiplo del porcentaje del cambio en la medicin. Este mltiplo es llamado ganancia del controlador. Para algunos controladores, la accin proporcional es ajustada por medio de tal ajuste de ganancia, mientras que para otros se usa una banda proporcional. Ambos tienen los mismos propsitos y efectos.

Accin integral La accin integral da una respuesta proporcional a la integral del error. Esta accin elimina el error en rgimen estacionario, provocado por el modo proporcional. Por contra, se obtiene un mayor tiempo de establecimiento, una respuesta ms lenta y el periodo de oscilacin es mayor que en el caso de la accin proporcional.

Accin derivativa

La accin derivativa da una respuesta proporcional a la derivada del error (velocidad de cambio del error). Aadiendo esta accin de control a las anteriores se disminuye el exceso de sobre oscilaciones. Existen diversos mtodos de ajuste para controladores PID pero ninguno de ellos nos garantiza que siempre encuentre un PID que haga estable el sistema. Por lo que el ms usado sigue siendo el mtodo de prueba y error, probando paramentos del PID y en funcin de la salida obtenida variando estos parmetros.

Desarrollo
Primeramente debemos de entender con qu vamos a trabajar, como ya observamos en el marco terico, trabajaremos con 3 tipos de control, los cuales sern aplicados a un sistema, en el cual volvemos a redundar con el tipo, para este caso ser un sistema Masa-Resorte-Amortiguador, como el mostrado a continuacin:

Cuya funcin de transferencia general se muestra a la derecha de la figura anterior, teniendo la particularidad que para este caso los valores sern los siguientes: M=1 B=1 K=4*

*El 4 se debe a que mi nombre es Jos siendo esta la constante determinante dentro de cada sistema a analizar. A partir de los datos anteriores tenemos que la planta nos queda de la siguiente manera:

A partir de los resultados anteriores se procedi a desarrollar un diagrama en simulink con el cual se pudieran representar los 3 controles, con base en las prcticas anteriores el resultado fue el siguiente:

Como podemos observar en la imagen anterior, en ella se contienen los 3 tipos de controles Narma, Fuzzy y PID clsico, donde cada uno de ellos trabaja con una planta del mismo valor. Siguiendo a esto ahora procedemos a configurar cada uno de los controles para que trabajen de la mejor manera posible, comenzando con el control PID clsico, con el que solo necesitamos abrir su men de configuracin, y presionar el botn tune para que se sintonice solo como se muestra a continuacin.

Ahora continuamos con el control neuronal Narma, de igual manera que en el PID abrimos el men del bloque narma, y nos aparecer algo como la imagen que se muestra a continuacin, posteriormente generamos una Data con 10000 muestras de entrenamiento, una vez concluido este proceso, verificamos la arquitectura de la red, que tenga 16 neuronas en la capa oculta, 3 entradas y 2 salidas, siendo esta la mejor para mi caso, verificamos que sean 100 pocas de entrenamiento y entrenamos nuestra red neuronal, cerramos las ventanas emergentes y damos click en Apply, con esto la configuracin de nuestro control Narma est terminada y optimizada.

Ahora como ultima optimizacin de nuestros controles procedemos a configurar el control fuzzy, para lo cual nos vamos al workspace, tipeamos el comando fuzzy, damos enter y nos aparecer una pantalla como la de abajo, a lo que daremos click en file y exportaremos el archivo utilizado en la prctica del control fuzzy llamada Difuso1, el cual usaremos como referencia para el control.

Una vez que abrimos el archivo .fis, obtendremos una pantalla igual a la de arriba, daremos click sobre la entrada llamada error, y editaremos los tipos de conjunto, ahora sern gaussmf esto se puede apreciar en la siguiente imagen, en la cual cada uno de los valores, cero, negativo y positivo han cambiado este parmetro, posteriormente procedemos a realizar la misma accin pero ahora con la otra entrada derror y la salida

Una vez que se cambiaron estos parametros, damos click en edit, y luego en rules para verificar que las reglas sean las correctas para el funcionamiento de nuestro sistema, en este caso se usaran las mismas que en la prctica en la que se us este control. Las reglas se muestran a continuacin.

Despus de esto regresamos a la pantalla principal del bloque fuzzy y exportamos nuestro archivo al workspace, posteriormente ya dentro del diagrama de simulink damos click en el bloque Fuzzy y escribimos el mismo nombre del archivo .fis que exportamos al workspace. Despus de esta accin nuestro control fuzzy ya est optimizado y ahora ya podemos correr nuestros controles y ver sus respuestas. Corremos los controles y el primero en analizar es el PID clsico, en el cual observamos que el tiempo de respuesta es muy rpido e inferior a 20, sin embargo nos presenta un sobre impulso el cual pudiese ser daino.

El siguiente control en analizar es el control neuronal Narma, en el cual cmo podemos ver, dura muy poco en llegar al nivel deseado, sin embargo presenta una serie de perturbaciones, generalmente considerada como ruido, el cual es muy daino, haciendo de este sistema inestable.

Como ltimo control a analizar, presentaremos el control difuso o fuzzy, en el cual cmo podemos ver no presenta variaciones muy grandes, y su estabilizacin es suave, sin embargo, es muy lenta comparada con el PID, pero mucho ms limpia que el Narma.

Por ltimo se muestra una grfica en la cual se aprecia el comportamiento de cada una de las respuestas de los controladores.

Conclusiones
Con el diseo realizado en esta prctica pude observar cmo se comporta cada uno de los controles cuando es aplicado a la misma planta, pude observar sus tiempos de respuesta y de estabilizacin, adems de cmo se pueden optimizar cada uno de los valores dentro de los controladores para tener la mejor respuesta posible, a partir de estos principios se pudo trabajar sobre el sistema de masa resorte amortiguador, a mi punto de vista el control PID con su auto-tune es el ms eficiente de todos, debido a que su tiempo de respuesta es mnimo respecto al escaln, adems de que su tiempo de estabilizacin tambin es muy corto, a comparacin del Narma el cual generaba una serie de seales las cuales no representaban un control muy optimo si no que tienden a un sistema inestable, mientras que con el Fuzzy el control se lleva a cabo de manera suave, mucho ms que en el PID, pero repercute en el tiempo en el que la seal se estabiliza, siendo mucho mayor al del PID. Cabe aclarar que no siempre un control PID ser el mejor, esto depender de las condiciones con las que est trabajando nuestro sistema.