Tesis Dora

CENTRO de INVESTIGACIÓN
y de ESTUDIOS AVANZADOS
del IPN
DEPARTAMENTO DE CONTROL
AUTOMÁTICO
Control Difuso Adaptable de un Servomecanismo

No Lineal
Tesis que Presenta el:

Ing. Dora María Calderón Nepamuceno
para obtener el grado de Maestro en Ciencias en la

especialidad de Control Automático
Directores de la tesis
Dr. Rubén Garrido Moctezuma

Dr. Alberto Soria López
México, D.F. Noviembre de 2003

2
Índice general
1. Introducción 1
1.1. Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2. Objetivo de la tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3. Organización de la tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2. Lógica Difusa (LD), Control Difuso y Aproximación de funciones 5

2.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2. Teoría de Conjuntos difusos . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2.1. Razonamiento Aproximado . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.2. Variables Lingüísticas . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.3. Proposiciones Difusas . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.2.4. Reglas de Inferencia o Razonamiento . . . . . . . . . . . . . . . . . . 15
2.3. Control Difuso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4. Fuzzyficación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.5. Defuzzyficación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.5.1. Tipos de Controladores Difusos . . . . . . . . . . . . . . . . . . . . . 21
2.6. Aproximación de funciones utilizando LD . . . . . . . . . . . . . . . . . . . . 22
2.6.1. Aproximación de una función senoidal utilizando LD . . . . . . . . . 24
3. Control de un Servomecanismo de Segundo Orden 31

3.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4 ÍNDICE GENERAL
3.2. Planteamiento del Problema . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

3.3. Ley de control . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.3.1. Primer Caso: Compensación exacta . . . . . . . . . . . . . . . . . . . 34
3.3.2. Segundo Caso: Control Adaptable Clásico . . . . . . . . . . . . . . . 37
3.3.3. Tercer Caso: Control Adaptable Difuso . . . . . . . . . . . . . . . . . 41
4. Resultados Experimentales 47
4.1. Servomecanismo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.1.1. Controlador Adaptable Clásico y Compensación Exacta . . . . . . . . 50
4.1.2. Controlador Adaptable Difuso. . . . . . . . . . . . . . . . . . . . . . 50
4.2. Robot de un Grado de Libertad (Robot de un GDL) . . . . . . . . . . . . . 55
4.2.1. Controlador Adaptable Clásico . . . . . . . . . . . . . . . . . . . . . 56
4.2.2. Controlador Adaptable Difuso . . . . . . . . . . . . . . . . . . . . . . 57
4.3. Estudio Comparativo del Control Adaptable Clásico y el Control Adaptable
Difuso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5. Conclusiones 63
5.1. Trabajo Futuro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
A. Experimentos 65
A.1. Resultados de los Experimento Realizados en un Servomecanismo . . . . . . 65
A.2. Resultados de los Experimento Realizados en un Robot de un GDL . . . . . 70
B. Fundamentos Matemáticos 75
B.1. Propiedades de los Conjuntos Difusos . . . . . . . . . . . . . . . . . . . . . . 75
B.2. Operaciones con Conjuntos Difusos . . . . . . . . . . . . . . . . . . . . . . . 77
B.3. Relaciones Difusas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
B.3.1. Relaciones Clásicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
B.3.2. Relaciones difusas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
B.3.3. Operaciones sobre Relaciones Difusas . . . . . . . . . . . . . . . . . . 80
ÍNDICE GENERAL 5
B.4. Criterio de estabilidad Routh-Hurwitz . . . . . . . . . . . . . . . . . . . . . 82

B.5. Estabilidad de Lyapunov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
B.5.1. Formas Cuadráticas y Funciones de Lyapunov . . . . . . . . . . . . . 85
B.5.2. Estabilidad de Lyapunov . . . . . . . . . . . . . . . . . . . . . . . . 87
B.5.3. Estabilidad de Lyapunov para Sistemas Lineales. . . . . . . . . . . . 88
B.5.4. Teorema de La Salle . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
B.6. Estabilidad Uniforme, Finalmente Acotada . . . . . . . . . . . . . . . . . . . 89
6 ÍNDICE GENERAL
Índice de figuras
2.1. Funciones de Pertenencia más comunes. . . . . . . . . . . . . . . . . . . . . . 8

2.2. Función de pertenencia para una función seno. . . . . . . . . . . . . . . . . . 10
2.3. Representación de las valores lingüísticos de la función seno. . . . . . . . . . 12
2.4. Sistema de Control. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.5. Esquema general de un controlador difuso. . . . . . . . . . . . . . . . . . . . 18
2.6. Funciones de Pertenencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.7. Resultado del.sistema de inferencia difuso. . . . . . . . . . . . . . . . . . . . 28
2.8. Comparación de la función ideal y su aproximación. . . . . . . . . . . . . . . 29
4.1. Plataforma del Servomecanismo. . . . . . . . . . . . . . . . . . . . . . . . . . 48

4.2. Servomecanismo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.3. Controlador Adaptable Clásico (Servomecanismo). . . . . . . . . . . . . . . . 51
4.4. Controlador Adaptable Difuso (Servomecanismo). . . . . . . . . . . . . . . . 52
4.5. Funciones de pertenencia utilizadas en los Experimentos. . . . . . . . . . . . 53
4.6. Robot de un Grado de Libertad. . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.7. Controlador Adaptable Clásico (Robot de un GDL). . . . . . . . . . . . . . . 57
4.8. Controlador Adaptable Difuso (Robot de un GDL). . . . . . . . . . . . . . . 58
4.9. Comparación entre caso de Control Adaptable Clásico y el Control Adaptable
Difuso (Servomecanismo). . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
4.10. Comparación entre caso de Control Adaptable Clásico y el Control Adaptable
Difuso (Robot de un GDL). . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
8 ÍNDICE DE FIGURAS
A.1. Controlador Adaptable Difuso con 2 Reglas (Servomecanismo). . . . . . . . . 66

A.2. Controlador Adaptable Difuso con 4 Reglas (Servomecanismo). . . . . . . . . 67
A.3. Controlador Adaptable Difuso con 10 Reglas (Servomecanismo). . . . . . . . 68
A.4. Controlador Adaptable Difuso con 20 Reglas (Servomecanismo). . . . . . . . 69
A.5. Controlador Adaptable Difuso con 2 Reglas (Robot de un GDL). . . . . . . . 71
A.6. Controlador Adaptable Difuso con 4 Reglas (Robot de un GDL). . . . . . . . 72
A.7. Controlador Adaptable Difuso con 10 Reglas (Robot de un GDL). . . . . . . 73
A.8. Controlador Adaptable Difuso con 20 Reglas (Robot de un GDL). . . . . . . 74
B.1. Ilustración de la definición de estabilidad. . . . . . . . . . . . . . . . . . . . . 86

B.2. Uniforme, Finalmente Acotado . . . . . . . . . . . . . . . . . . . . . . . . . . 90
Índice de Tablas
2.1. Implicaciones Difusas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

2.2. Antecedente de las Reglas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3. Consecuentes de las Reglas. . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.4. Resultado de las Reglas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.1. Resultados en el Servomecanismo. . . . . . . . . . . . . . . . . . . . . . . . . 53

4.2. Reglas Utilizadas en los Experimentos. . . . . . . . . . . . . . . . . . . . . . 54
4.3. Resultados en el Robot de un Grado de Libertad . . . . . . . . . . . . . . . 59
10 ÍNDICE DE TABLAS
Capítulo 1
Introducción
La necesidad cada vez más apremiante de aumentar la productividad y conseguir pro-

ductos acabados de una calidad uniforme, está haciendo que la industria se oriente cada vez
más hacia una automatización basada en un computador. Actualmente, la mayoría de las
tareas de fabricación automatizadas se realizan mediante máquinas de uso especial diseñadas
para realizar funciones predeterminadas en un proceso de manufactura. La inflexibilidad y
generalmente el alto costo de estas máquinas, a menudo llamadas sistemas de automatización
duros, han llevado a un interés creciente en el uso de sistemas capaces de efectuar una va-
riedad de funciones de fabricación en un entorno de trabajo más flexible y a un menor costo
de producción [24]. Los servomecanismos son uno de los componentes clave dentro de estos
nuevos sistemas.
Los sistemas convencionales de control, son diseñados tradicionalmente usando modelos

matemáticos de sistemas físicos. Los modelos matemáticos que describen el comportamien-
to dinámico del sistema son primeramente obtenidos para posteriormente aplicar técnicas
de diseño para obtener controladores apropiados para el sistema. Más aún, los modelos
matemáticos deben ser lo suficientemente simples para poder ser analizados con los métodos
disponibles y la precisión debe ser suficiente para describir el comportamiento dinámico del
sistema. Sin embargo, en la realidad, el modelo y sus parámetros son con frecuencia des-
conocidos; cambios en el ambiente de trabajo, dinámicas no modeladas y la presencia de no
2 Introducción
linealidades e incertidumbres son difíciles de tratar con los controladores convencionales que
no son capaces de aprender o de adaptarse a nuevas situaciones.
Por esta razón surgen, las tecnologías llamadas Inteligentes, tal como los son las redes
neuronales, la lógica difusa, los algoritmos genéticos, y la programación evolutiva. Estos
enfoques se utilizan como alternativas a los controladores clásicos como son el control PD,
PID etc, con el fin de lograr un mejor desempeño y para adaptarse a nuevas situaciones del
sistema. En nuestro caso se hablará del empleo de la Lógica Difusa (LD) en los controladores.
La LD es una teoría que se ha implantado en el campo científico-técnico, y que en defini-

tiva resulta realmente útil si lo que interesa es, que un determinado dispositivo, máquina,
programa, aplicación, etc., “piense” tal como lo haría la mente humana. La LD se basa
fundamentalmente en la creación de una relación matemática entre un elemento y un de-
terminado conjunto difuso con el fin de que una computadora sea capaz de realizar una
valoración similar a como lo realiza un ser humano.
1.1. Antecedentes
El desarrollo de sistemas de control y controladores que se fundamentan en teorías no
lineales y en expresiones no necesariamente presentadas como ecuaciones matemáticas, sino,
como proposiciones gramaticales y que están siendo implementados en la industria por su
mejor adaptación con ciertos procesos, como es el caso del control difuso adaptable, hacen
necesario ofrecer trabajos en esta área y presentar temas de investigación que permitan
profundizar en este aspecto. A continuación se describe brevemente algunos trabajos sobre
esta temática.
Lei Pan & Peng-Yung [21], presentan el modelo de un controlador proporcional derivati-
vo con compensación de gravedad utilizando lógica difusa. Este controlador es mostrado
a nivel simulación utilizando el programa Matlab-Simulink. Los resultados de este con-
trolador difuso adaptable muestran que la posición del manipulador converge a una
posición deseada.
1.2 Objetivo de la tesis 3
Li-Xin Wang [28], presenta un controlador difuso adaptable estable para sistemas no
lineales. Este controlador es diseñado para el seguimiento de trayectoria de la referencia
del sistema con un conjunto de reglas difusas si-entonces, las cuales, son obtenidas a
partir de la experiencia de las personas que conocen el sistema. Este controlador es
probado a nivel simulación con un sistema inestable y un sistema caótico.
S. Commuri & F. L. Lewis [2], presentan una metodología para el diseño de un contro-
lador lógico difuso, el cual garantiza el funcionamiento para un robot manipulador. El
objetivo de esta metodología es que el controlador aproxime cualquier función no lineal
con una exactitud arbitraria. Este controlador es puesto a prueba a nivel simulación
con el modelo de un robot de dos grados de libertad.
Zdenko Kovacic, Mario Balenovic & Stjepan Bogdan, [16], ellos describen un contro-
lador lógico difuso el cual está basado en el auto-aprendizaje para un servo sistema.
Este controlador es probado a nivel experimental en cual se utiliza un modelo de
referencia de segundo orden y como carga dependiente de la gravedad y una fricción
bastante alta.
1.2. Objetivo de la tesis

El objetivo principal es presentar un controlador Proporcional-Derivativo (PD) más una
compensación utilizando lógica difusa la cual es aplicada a sistemas electromecánicos de
segundo orden. La ley de adaptación para la compensación de este término es obtenida
utilizando la Teoría de Estabilidad de Lyapunov, la cual garantiza la estabilidad del sistema
en lazo cerrado.
El desempeño del controlador propuesto será mostrado a nivel experimental estudiando

el caso de control de posición (set-point regulation), además de la comparación en el caso
compensación exacta (conociendo el término no lineal), caso adaptable clásico (término no
lineal parcialmente conocido) y caso Fuzzy (término no lineal totalmente desconocido).
4 Introducción
1.3. Organización de la tesis

El material de la presente tesis está organizado de la siguiente forma: en el capítulo (2) se
introduce los conceptos básicos de Lógica Difusa y Control difuso, en el capítulo (3) se des-
cribe el control de un servomecanismo de segundo orden y las leyes de control aplicadas, asi
como los análisis de estabilidad para los distintos casos (compensación exacta, compensación
con un control adaptable clásico y con un controlador adaptable difuso). En el capítulo 4 se
presentan los resultados obtenidos de los experimentos realizados al implementar práctica-
mente las leyes de control. Finalmente se presentan las conclusiones y el trabajo futuro en
el capítulo 5.
Capítulo 2
Lógica Difusa (LD), Control Difuso y

Aproximación de funciones
2.1. Introducción
Se considera que el concepto de lógica difusa fue propuesto en 1965, en la Universidad

de California en Berkeley, por Lotfi A. Zadeh [31] quién combinó los conceptos de la lógica
y de los conjuntos de Lukasiewicz mediante la definición de grados de pertenencia.
Así, la Lógica Difusa ha cobrado una gran fama por la variedad de sus aplicaciones, las
cuales van desde el control de procesos industriales complejos hasta el diseño de dispositivos
artificiales de deducción automática, pasando por la construcción de artefactos electrónicos
de uso doméstico y de entretenimiento, así como también de sistemas de diagnóstico. De
hecho, desde hace ya al menos década y media, la expedición de patentes industriales de
mecanismos basados en la lógica difusa tiene un crecimiento sumamente rápido en todas las
naciones industrializadas.
Mientras la motivación original fue ayudar a controlar la imprecisión en el mundo, los

primeros practicantes de lógica difusa trataron principalmente con problemas teóricos. Mu-
6 Lógica Difusa (LD), Control Difuso y Aproximación de funciones
chos de los primeros artículos se dedicaron a sus fundamentos básicos y a las aplicaciones
potenciales. Esta fase temprana también era marcada por una necesidad fuerte de distin-
guir la lógica difusa de la teoría de probabilidad que se encarga de los diferentes tipos de
incertidumbre. La próxima fase del desarrollo de la disciplina se manejó por el éxito tenido
particularmente en Japón, el cual consistió en usar la lógica difusa en controladores simples.
En este capítulo se introducen algunos de los fundamentos básicos la lógica difusa ,

así como, el control difuso y los términos de fuzzyficación y defuzzyficación. También se
habla de la aproximación de funciones, esto es, de la utilización de la lógica difuso y más
específicamente del control difuso en la aproximación de funciones.
2.2. Teoría de Conjuntos difusos

Un conjunto clásico es una colección de objetos de cualquier clase. El concepto de un
conjunto se ha vuelto una de las nociones más fundamentales de la Matemática. La deno-
minada Teoría de Conjuntos se fundó por el matemático alemán George Cantor (1845-1918)
[5]. En la teoría de conjuntos la noción de “conjunto” y “elemento” es primitiva. Ellos no
se definen por lo que se refiere a otros conceptos. Un conjunto se especifica totalmente por
los elementos que contiene. Permitiendo A ser un conjunto, “x ∈ A” significa que x es un
elemento del conjunto A y “x ∈
/ A” significa que x no pertenece al conjunto A.
Nota 1 En la Teoría de la Lógica Difusa los conjuntos no difusos son llamados conjuntos
“crisp” y sus elementos o valores son llamados de igual manera valores “crisp”, y de esta
manera se hace referencia a dichos conjuntos clásicos [5]. Para diferenciar a los conjuntos
clásicos de los conjuntos difusos se coloca una tilde “~” sobre la letra que indica el nombre
del conjunto difuso.
Una manera de definir un conjunto es enumerar sus elementos y otra es usar un predicado
P (x), esto significa que cada elemento x del conjunto tiene una propiedad P . Una tercera
manera es la definición de un conjunto A usando su función característica µA , que permite
definir A en el dominio X, el cual es un conjunto clásico con los elementos 1 y 0.
2.2 Teoría de Conjuntos difusos 7
Definición 1 µA : X → [0, 1] es una función característica del conjunto A si y solo si para

toda x ½
1 x ∈ A.
µA (x) =
0 x∈/ A.
La función característica de un conjunto difuso asigna un valor entre 0 y 1 a cada uno de

los elementos del conjunto universal (conjunto que contiene a todos los elementos del discurso,
es un término relativo). Esta función puede generalizarse tal que los valores asignados a los
elementos del conjunto de discurso (llamado también universo local, el cual es el marco de
referencia dentro del cual se está trabajando) se encuentre dentro de un rango específico e
indiquen el número de miembros de estos elementos en el conjunto de disrcurso. Los valores
grandes denotan los grados más altos de pertenencia del conjunto. Tal función se llama
“función de pertenencia” (FP), y el conjunto definido por ésta, “conjunto difuso” [5].
El rango normalmente usado de valores de funciones de pertenencia es el intervalo [0, 1].

En este caso, cada función de pertenencia mapea los elementos del conjunto universal U, den-
tro los números reales [0, 1]. El conjunto que se define con base en una función de pertenencia
se le da el nombre de conjunto difuso.
Definición 2 La función de pertenencia µÃ de un conjunto difuso Ã es una función
µÃ : U → [0, 1].
Así, cada elemento x de U tiene un grado pertenencia µÃ (x) ∈ [0, 1]. Ã está completamente
determinada por el conjunto de duplas
Ã = {(x, µÃ (x)) |x ∈ U } . (2.1)
La notación comúnmente empleada en la literatura para denotar las funciones de perte-

nencia es la mostrada en la definición anterior.
Según la notación, el símbolo del conjunto difuso (Ã) es distinguido por su función de
pertenencia µÃ [12].
Así, cada elemento x ∈ U tiene un grado de pertenencia µÃ (x) ∈ [0, 1]. Ã es completa-
mente determinado por el conjunto de duplas de la ecuación (2.1). El grado de pertenencia
se cuantifica mediante la función de pertenencia µÃ como sigue:
Si µÃ (x) indica la función de pertenencia de x al conjunto Ã, entonces:
µÃ (x) está entre 0 y 1.
Si µÃ (x) = 1, x pertenece totalmente a Ã.
Si µÃ (x) = 0, x no pertenece a Ã.
Existen diferentes formas de una función de pertenencia. Las más importantes se presen-
tan en la figura(2.1)
Figura 2.1: Funciones de Pertenencia más comunes.

Aquí solo se describirá la función de pertenencia del tipo gaussiana ya que es la se utilizará
a lo largo del desarrollo de esta tesis.
Una función de pertenencia gausiana se especifica con dos parámetros {c, σ}; c representa
el centro de la función de pertenencia y σ determina su anchura,
µ ¶2
1
x−c
−2
gauss (x, c, σ) = e σ (2.2)
Ejemplo 1 Supongase que alguien quiere describir la función sen(x), cuando la variable x
¡ ¢
f (x) , se
se encuentra cercana a π. Utilizando un conjunto difuso con los elementos x, µCπ
proponen las siguientes duplas
½ ³π ´ µ ¶ ¾
f = (0, 0.072) , 3π
Cπ , 0.291 , (π, 1) , , 0.291 , (2π, 0.072) , (2.3)
2 2
π
es decir, el punto 0 tiene un grado de pertenencia de 0.072, el punto 2
de 0.0291, el punto
π de 1 etc. Para este ejemplo se utilizó una función de pertenencia (FP) del tipo gaussinana
(con centro en π y de anchura 1) la cual es obtenida utlizando la ecuación (2.2), y se ilustra en
la figura 2.2.Si el valor de x es menor a cero o mayor a 2π, entonces, el grado de pertenencia
es cero ya que no está dentro del rango de la variable que se quiere describir, es decir, no
está cerca de π.
2.2.1. Razonamiento Aproximado

El Razonamiento es la habilidad de inferir información sobre alguna faceta desconocida
de un problema a partir de la información disponible [30], por ejemplo, cuando un sistema
falla, intentamos descubrir por qué ha fallado observando los síntomas.
En tareas de ingeniería es habitual tener que usar técnicas que requieren razonamiento. La
teoría del razonamiento aproximado permite representar también cuantificadores lingüísticos,
esto facilita representar enunciados como “la mayoría de los coches lujosos son caros” o
“bastantes electores votarán en blanco”. Zadeh [31] indicó que un cuantificador como “la
mayoría” puede ser representado como un conjunto difuso sobre un universo de discurso. Los
cuantificadores aproximados se usan para representar al sentido común.
~
CONJUNTO DIFUSO C π ( CERCANO A π )
0.9
0.8
0.7
0.6
µ(x)
0.5
0.4
0.3
0.2
0.1
0
0 π
_ π 3π
_ 2π
2 2
DATOS DE ENTRADA "x" (RADIANES)
Figura 2.2: Función de pertenencia para una función seno.
2.2.2. Variables Lingüísticas

La unidad de representación fundamental del conocimiento en el razonamiento aproxi-
mado es la noción de variable lingüística. Una variable lingüística es aquella en la cual sus
valores son palabras o sentencias en un lenguaje natural o artificial. Por ejemplo, la edad es
una variable lingüística si sus valores son lingüísticos más que numéricos, es decir, joven, no
tan joven, muy joven, bastante joven, viejo, no muy viejo, etc., más que valores numéricos
como 21 años, 22 años, 23, etc.
En el razonamiento aproximado es usual tener la siguiente estructura asociada con la

noción de variable lingüística
hX; LX ; DX ; MX i . (2.4)
Donde :
X denota la variable lingüística, por ejemplo, la edad, temperatura, altura, etc.,

LX es el conjunto de los valores lingüísticos que puede tomar la variable X. (Un valor
lingüístico denota un símbolo para una propiedad en particular de X).
DX es el dominio sobre el cual la variable lingüística X toma sus valores cuantitativos.
MX es una función semántica que proporciona una interpretación del valor lingüístico en
términos de los elementos cuantitativos de DX , es decir
MX : LX → Lf
X, (2.5)
donde :
Lf
X es un conjunto difuso definido sobre DX .
Ejemplo 2 Siguiendo el ejemplo (1) se define la variable lingüística X que puede tomar los
siguientes valores lingüísticos:
½ ¾
π π 3π 3π
LX = Cercano a cero (C C), cercano a (C ), cercano a (C ), cercano a 2π (C 2π )
2 2 2 2
(2.6)
El dominio DX sobre la variable lingüística X toma sus valores en el intervalo [0, 2π] .
La función semántica MX que proporciona una interpretación del valor lingüistico en

términos de los elementos cuantitativos de DX , son lo conjuntos difusos descritos en la
figura (2.3).
Podemos presentar en forma más compacta la variable lingüística X como:

* +
π 3π g π g3π
g C , C , C2π;
X; CC, C , C , C2π; [0, 2π] : CC, g (2.7)
2 2 2 2
Nota 2 Si un mismo elemento tiene dos grados de pertenencia, se utilizará la T-conorma

max, esto es, la generalización de la operación unión (ver apéndice B) para elegir el grado
FUNCIONES DE PERTENENCIA
1
µ(x)
0.8 CC ~ ~
Cπ
_ ~ π
__
C3 ~
C2π
GRADOS DE PERTENENCIA
2 2
0.6
0.4
0.2
0 1 2 3 4 5 6
Figura 2.3: Representación de las valores lingüísticos de la función seno.
de pertenencia correspondiente a este elemento, esto es, a/u + b/u = max (a, b)/u, donde el
operador “+” no denota una suma sino el máximo grado de pertenencia y operador “/” no
denota una división sino una dupla.
2.2.3. Proposiciones Difusas

El razonamiento aproximado se usa para representar y razonar con conocimiento ex-
presado en “Proposiciones Atómicas”, las cuales son expresadas en un lenguaje de forma
natural.
La información puede venir dada en forma de sentencias o proposiciones atómicas de la

forma:
“X es A”
donde X es el nombre de un objeto (atributo, hecho...) y A es el valor que toma este objeto.
Las Proposiciones Atómicas pueden tomar valores de verdad dentro de un conjunto
definido de valores posibles. Esto implica la existencia de distintas lógicas, clasificadas por el
número de valores de verdad posibles: lógica bivaluada (two-valued logic), trivaluada (three-
valued logic), ..., multivaluada (many-valued logic). Las proposiciones con atributos impre-
cisos conllevan al uso de lógica multivaluada o lógica difusa (fuzzy logic).
La diferencia fundamental entre las proposiciones clásicas y las proposiciones difusas están
en el rango de sus valores de verdad. Mientras que las proposiciones clásicas corresponden a
la lógica bivaluada (verdad o falsedad), la verdad o falsedad de proposiciones difusas son una
cuestión de grado. Asumiendo que esta verdad y falsedad son expresados por los valores 1 y
0, respectivamente, el grado de verdad de cada proposición difusa se expresa por un número
en el intervalo [0 1].
Con base en la notación de proposiciones difusas atómicas y conectores lingüístico tales

como“y”, “o”,“no”, y “si-entonces”, se pueden formar proposiciones difusas complejas ,
X es A y X es B,
X es A o X es B,
X no es A,
(X es A y X no es B) o X es C,
si X es A entonces X es B, etc.
y el significado de esas proposiciones difusas complejas es proporcionado por la interpretación

de los conectores “y”, “o” y “no”, como “conjunción”, “disyunción” y“negación”, respecti-
vamente.
Conjunción Sea p y q dos proposiciones difusas atómicas: p:“ X es A” y q:“ X es B” donde

Ã y B̃ son conjuntos difusos definidos sobre el mismo universo en discurso U. Entonces
la conjunción (∩) es definida como sigue
Simbólico Significado
X es A, µÃ
X es B, µB̃
∴ X es A ∩ B, ∴ µÃ∩B̃
El significado de la conclusión “X es A ∩ B” es proporcionado por µÃ∩B̃ la cual es

definida por una T-norma (ver apéndice A). Por ejemplo, si p=“La presión no es muy
alta” y q=“La presión no es muy baja”, entonces la conclusión producida por la regla
puede ser, “La presión no es muy alta y no es tan baja”, y su significado puede ser
proporcionado por
µ(no muy alta)∩(no baja)
Disyunción La disyunción (∪) está dada por
X es A, µÃ
X es B, , µB̃
∴ X es A ∪ B, ∴ µÃ∪B̃
el significado de la conclusión “X es A ∪ B” es proporcionado por µÃ∪B̃ la cual es

definida por una norma S (ver apéndice A).
Negación La negación “X no es A” de una proposición difusa”, que es dada por “X es A”,

es proporcionado por
X es A, µÃ
∴ X es A , 0
∴ µÃ0
donde A0 es el complemento de A, la negación puede ser definida por cualquier norma

(ver apéndice A).
2.2.4. Reglas de Inferencia o Razonamiento

Las reglas son un modo de representar estrategias o técnicas apropiadas cuando el
conocimiento proviene de la experiencia o de la intuición (careciendo de demostración matemá-
tica o física) que usan conectores lingüísticos SI—ENTONCES (IF—THEN):
SI < antecedente o condición > ENTONCES < consecuente o conclusión >
SI x es Ã ENTONCES y es B̃ (2.8)
Es decir, lo que se busca es una relación difusa R̃ cuya función de pertenencia exprese el
grado de verdad de “SI x es A ENTONCES y es B”.
A esta acción se la denomina “implicar”, y hay muchas formas de hacerlo que más
adelante se explicarán. Implicar es el paso previo a “inferir”, que consiste en extraer una
conclusión a partir de la relación generada por la implicación y de un conjunto difuso de
entrada “x es A”= Ã . Dicha conclusión es un nuevo conjunto difuso “y es B”= B̃.
En otras palabras, el enunciado (2.8) se interpreta como una relación difusa definida sobre
X × Y (donde × es un producto cartesiano) en tres etapas:
1.- Antecedente, parte que viene despues del SI y antes del ENT ONCES
“x es A” se interpreta con el conjunto difuso
X
Ã = µÃ (x) /x (2.9)
x∈X
donde el operador “/” denota una dupla, y los elemento a sumarse son la grados de
pertenencia; el significado de este operador es el mismo para las dos etapas siguientes.
2.- Consecuente, parte que viene despues del ENT ONCES

“y es B” se interpreta con el conjunto difuso
X
B̃ = µB̃ (y) /y (2.10)
y∈Y
3.- Condicionante ENT ONCES se interpreta a partir de la relación difusa

X
R̃ = µR̃ (x, y) / (x, y) (2.11)
(x,y)∈X×Y
con µR̃ (x, y) = µÃ (x) ∗ µB̃ (y) donde ∗ es un operador de implicación difusa.
A todo este proceso se le denomina inferencia.
Implicaciones difusas
Existen varias implicaciones difusas, en la tabla (2.1) se presenta las más utilizadas:
Implicación µR̃ (x,y)

Implicación del mínimo
min (µÃ (x) , µB̃ (y))
propuesta por Mandani
Implicación del máximo-mínimo
max (min (µÃ (x) , µB̃ (y)) , 1 − µÃ (x))
propuesta por Zadeh.
Implicación estocástica
min (1, 1 − µÃ (x) + µB̃ (y))
propuesta por Luktasiewicz
Implicación producto prod (µÃ (x) , µB̃ (y))
Tabla 2.1: Implicaciones Difusas.
Para el presente trabajo sólo se utilizará la implicación producto.
2.3. Control Difuso

Un sistema de control básico se muestra en la figura (2.4). El proceso (o planta) es el
objeto a ser controlado la entrada es u(t) y la salida es y(t), y la entrada de referencia es
r(t) [19].
La teoría de control convencional proporciona numerosos métodos para la construcción
de controladores para sistemas dinámicos.
2.3 Control Difuso 17
Figura 2.4: Sistema de Control.
En general, los controladores difusos son sistemas expertos que emplean el conocimiento
como fundamento, expresado en términos de reglas difusas y de un proceso de inferencia
para resolver un problema de control dado.
Los controladores difusos a diferencia de los controladores clásicos, son capaces de utilizar
el conocimiento obtenido de operadores humanos. El conocimiento de un operador humano
puede ser utilizado como una alternativa para un modelo preciso de un proceso controlado.
Mientras este conocimiento es complicado de expresar en términos precisos, una descripción
lingüística imprecisa de la forma en que se realiza el control puede usualmente ser articulada
por el operador con relativa facilidad. Esta descripción lingüística consiste de un conjunto
de reglas que hacen uso de proposiciones difusas
En general, un controlador difuso está formado por cuatro módulos: una base de reglas
difusas, un proceso de inferencia de reglas, un módulo denominado fuzzyficación y uno de-
nominado defuzzyficación. Las interconexiones entre estos módulos y el proceso principal son
mostradas en la figura (2.5) .
Un controlador difuso opera por repetición de un ciclo de los siguientes cuatro pasos:
1.- Las mediciones de todas las variables que representan condiciones relevantes del proceso
controlado son realizadas.
2.- Las mediciones son convertidas en conjuntos difusos apropiados para expresar medi-
Figura 2.5: Esquema general de un controlador difuso.
ciones insuficientes.
3.- Este paso es llamado fuzzyficación. Las mediciones fuzzyficadas son usadas por el pro-
ceso de inferencia para evaluar las reglas de control almacenadas en las base de reglas
difusas. El resultado de esta evaluación es un conjunto difuso (o varios conjuntos difu-
sos) definido sobre el universo de posibles acciones.
4.- El conjunto difuso encontrado en el paso 3 es convertido en el último paso del ciclo,
es decir, se convierte el conjunto difuso en un solo valor (crisp) o en un vector de va-
lores. Esta conversión es llamada defuzzyficación. Los valores defuzzyficados representan
acciones de control tomadas por el controlador difuso.
2.4. Fuzzyficación
La fuzzyficación (codificación) traduce a valores difusos los valores de las variables de
entrada (del controlador).
La función de la fuzzyficación más simple es la tipo “singleton”, es decir, el valor crisp
será el único valor del conjunto difuso (ver figura 2.1) [4]:
2.5 Defuzzyficación 19
Singleton: Asociación entre un valor crisp x y un conjunto difuso Ã, es decir el conjunto
difuso solo tendra un solo grado de pertenencia.
½
1 x = x’
µÃ (x’) =
0 x 6= x’
donde: x’ es el valor actual de entrada.
No singleton: el grado de pertenencia va disminuyendo según se separa del punto x,
(ver ejemplo 2) para la función de pertenencia del tipo gaussiana:
· ¸
(x’−x)2
−
σ2
µÃ (x’) = e
donde: x’ es el valor actual de entrada.
Ventajas de la fuzzyficación:
Permite minimizar posibles cambios pequeños en las variables de entrada. Por ejemplo,
si medimos 25o C de temperatura, ésta puede variar mientras se efectúa la inferencia,
por lo que puede ser más exacto considerar que la temperatura es “aproximadamente
25o C”.
Permite minimizar los posibles errores al tomar los datos.
Permite suavizar el comportamiento del sistema ampliando el rango de influencia de

la variable.
2.5. Defuzzyficación
La defuzzyficación convierte los valores difusos de las variables de salida en valores con-
cretos dentro del universo de discurso correspondiente. Es decir genera una acción no difusa
a partir de la acción difusa resultante del sistema de inferencia.
Existen diversos métodos de defuzzyficación, a continuación se presentan algunos:
Asociación entre un conjunto difuso Ã y un valor crisp y = (y1 , y2 , · · · , yn , · · · , yN )T ,
donde yn es el valor actual de entrada, M es el numero de reglas, µÃm

n
(yn ) es el grado
de pertencia de valor de entrada actual para la m-ésima regla y el operador “·” indica el
producto escalar.
Máximo
y = sup (µÃ (y))
y∈Y
Centro de media
P
M
yn · µÃm
n
(yn )
m=1
y=
P
M
µÃm
n
(yn )
m=1
Centro de media modificado

P
M µÃm (yn )
yn ·
δn
n
m=1
y=
P
M µ m (y )
Ã n
n
δn
m=1
donde δ n es la media de los datos de entrada, la cual está dada por
y1 + y2 + · · · + yn + · · · + yN
δn = . (2.12)
N
Centro de gravedad h i
R
yn · máxm µÃmn
(y n ) dy
y
y= R h i .
máxm µÃm n
(yn ) dy
y
Centro de sumas
R M h
P i
yn · µÃm
n
(yn ) dy
y m=1
y= M h i .
R P
µÃm
n
(yn ) dy
y m=1
2.5 Defuzzyficación 21
2.5.1. Tipos de Controladores Difusos

Los controladores difusos se pueden clasificar en dos tipos:
1.- Controlador tipo Mamdani.
2.- Controlador tipo Takagi-Sugeno.
La principal diferencia entre estos controladortes radica en la consecuencia de las reglas.

Para el controlador tipo Mamdani esta consecuencia es un conjunto difuso y para el tipo
Takagi-Sugeno es una función lineal de las entradas.
En este trabajo se utilizará el controlador tipo Takagi-Sugeno con función lineal constante
como consecuencia de sus reglas.
Controlador Difuso del tipo Takagi-Sugeno
Siguiendo la estructura del controlador difuso que se muestra en la figura (2.5), se explica
de manera breve el desarrollo del controlador del tipo Takagi-Sugeno.
1.- Fuzzyficación de los datos de entrada, es decir convertirlos en conjuntos difusos.
2.- Obtención una base reglas. El controlador de Takagi-Sugeno tiene la particularidad de

que las reglas que definen su funcionamiento son de la forma siguiente [5]:
(1) (1) (1)

R(1) : si (x1 es Lx1 ) y. . .y (xn es LXn ) y. . .y (xN es LxN ) entonces u1 = f1 (x1 , x2 , . . ., xN ).
..
.
(m) (m) (m)
R(m) : si (x1 es Lxn ) y. . .y (Xn esLXn ) y. . .y (xN es LxN ) entonces um = fm (x1 , x2 , . . ., xN ).
..
.
(M) (M) (M)
R(M) : si (x1 es LxN ) y. . .y (Xn esLxn ) y. . .y (xN es LxN ) entonces uM = fM (x1 , x2 , . . ., xN ).
donde:
R(m) es la m-ésima regla.

M es el número de reglas, .
X es el conjunto de las variables lingüísticas, la cual es descrito por X = (x1 , x2 , . . . , xn , . . . , xN )T .
N es el número de elementos del conjunto X.
LX es el valor lingüístico que toman la variables lingüísticas.
3.- Obtención de la inferencia de la base de reglas, es decir, extracción de la conclusión

de cada una de las reglas. Con estas reglas se realiza primero para algunos valores de
entradas dadas del proceso o del sistema x∗1 , . . . , x∗n , . . . , x∗N , sus grados de pertenencia
µLm
x
(x∗n ), son calculados y llamados antecedentes de reglas o pesos de reglas, se obtiene
n
el mínimo (Implicación del mínimo) de los N grados de pertenencia para la regla m y
se denota como µum . Posteriormente, los valores um son computados como
u∗m = fm (x∗1 , x∗2 , . . . , x∗N ). Para cada una de las reglas R(m) se obtiene la dupla (µum , u∗m ).
4.- Finalmente, la salida combinada de todas las reglas es la suma de los pesos normalizados
de todos los pares, es decir se utiliza el proceso de defuzzyficación centro de media
para obtener la salida del controlador difuso Takagi-Sugeno
P
M
µum (x∗n ) · u∗m
m=1
u= . (2.13)
PM
µum (x∗n )
m=1
En esta tesis utilizaremos el controlador difuso tipo Takagi-Sugeno como un sistema

difuso para la aproximación de funciones. En la sección siguiente se introduce un ejemplo de
aproximación de funciones utilizando la LD.
2.6. Aproximación de funciones utilizando LD

Un sistema difuso puede aproximar cualquier función uniformemente continua real en
un dominio compacto a cualquier grado de exactitud [15]. Un sistema difuso aproxima la
función cubriendo su gráfico con conjuntos difusos en el espacio entrada-salida y promediando
2.6 Aproximación de funciones utilizando LD 23
los conjuntos que se superponen. Cada regla difusa define un conjunto difuso y conecta el
conocimiento del sentido común .
Considerese un tipo de sistema difuso (es decir un método del fuzzyficación, una regla
difusa y un método de defuzzyficación), y una clase de relaciones difusas. Dado un valor
continuo real arbitrario evaluado en una función f sobre un conjunto compacto, es posible
encontrar una relación difusa tal que el sistema difuso asociado aproxime a f [15]. Tal sistema
se establece por medio de un conjunto de reglas difusas:
R(m) ≡ si X es LX entonces Y es LY , m = 1, 2, · · · , M (2.14)
donde : R(m) es una regla; M es el numero de reglas; si X es LX es el antecedente y Y

es LY es el consecuente.
Cada regla R(m) puede traducirse en una relación difusa R̃m (conjunto difuso bidimen-
sional, llamado así porque está formado de dos conjuntos difusos) usando una función de
implicación I:
³ ´
µR̃m (x, y) = I µX̃ (x) , µỸ (y) , m = 1, 2, · · · , M (2.15)
y todas estas relaciones difusas R̃m pueden unirse en una relación R̃, usando una T-conorma
S, (ver apéndice A):
³ ´
µR̃ (x, y) = S R̃m (x, y) , m = 1 . . . M. (2.16)
Asumiendo que:
1) I es una función de implicación (ver tabla 2.1), tal que, I(x, y) 6= 0, esto es, que x 6= 0
y y 6= 0 (por ejemplo implicaciones producto).
2) Para cada (x, y) ∈ (X × Y ), µR̃ (x, y), es una función pertenencia que satisface
µR̃ (x, y) 6= 0 si y sólo si (x, y) ∈ (X × Y ).
Y de esta manera se obtiene una aproximación dado un valor de entrada, y un número

de reglas de alguna condición desconocida, esto se ejemplifica en la sección siguiente.
2.6.1. Aproximación de una función senoidal utilizando LD

En este sección se presentan un ejemplo con la finalidad de ilustrar todo lo descrito
anteriormente. Se trata de la aproximación de una función senoidal, dicha aproximación fue
hecha en el entorno MATLAB [26].
La aproximación se hará utilizando un sistema difuso del tipo Takagi-Sugeno [25], con
una entrada y una salida. La salida se calcula utilizando la siguiente ecuación,
P
M
µum · u∗m
m=1
y= . (2.17)
PM
µum
m=1
La ecuación (2.17) corresponde al método de defuzzyficación centro de media descrito en

la sección 2.5. El sistema difuso toma la entrada x y como salida genera la aproximación de
la función sen(x).
Los datos de entradas son identificados con la variable x y van desde 0 hasta 2 π radianes
con un intervalo de 0.1 radianes.
Para realizar dicha aproximación, el primer paso consiste en representar estos datos me-
diante varios conjuntos difusos (ver sección 2.4), el tipo de función que se escogió es del tipo
gauusiana (ver ecuación 2.2). El centro y la anchura fueron ajustados para el rango especi-
ficado, en este caso de [0 , 2 π]. En la figura (2.6) se presentan las funciones de pertenencia
utilizadas para el rango [0 , 2 π].
A fin de obtener una aproximación adecuada se utilizan las siguientes cuatro reglas:
R(1) : si x es CC entonces y es −0 .9171

R(2) : si x es C 2π entonces y es 1 .3246
R(3) : si x es C 32π entonces y es −1 .3444
R(4) : si x es C 2 π entonces y es 0 .7924
FUNCIONES DE PERTENENCIA
1
µ(x)
0.8 CC ~ ~
Cπ
_ ~ π
__
C3 ~
C2π
GRADOS DE PERTENENCIA
2 2
0.6
0.4
0.2
0 1 2 3 4 5 6
Figura 2.6: Funciones de Pertenencia
(1)
Donde x es el valor de entrada actual, CC es el valor lingüístico LX de la regla 1, C π2 es
(2)
el valor lingüistico LX de la regla 2 etc. Y el consecuente de la regla es u∗m .
Es importante notar que la consecuencia de las reglas son valores constantes, sin embargo,
a fin de hacer más clara la relación entre la entrada y la salida se pueden “traducir” los valores
constantes de las consecuencias a la variable lingüística de salida sen como,
R(1) : si la entrada es Cercana a cero (CC) entonces la salida es Cercana a cero (CC)
π
R(2) : si la entrada es Cercana a 2
(C π2 ) entonces la salida es Cercana a uno (CU)
3π
R (3)
: si la entrada es Cercana a 2
(C 3π2
) entonces la salida es Cercana a menos uno (CMU)
R(4) : si la entrada es Cercano a 2π (C2π ) entonces la salida es Cercana a cero (CC)
La inferencia es realizada con la relación de implicación producto (ver tabla 2.1) . A

continuación se ejemplifica el proceso de inferencia para la entrada
x = π.
Los antecedentes de cada una de las reglas son obtenidos a partir del grado de pertenencia
que tiene el dato de entrada actual (x = π) en cada una de las funciones de pertenencia, por
g obteniendose un
ejemplo, para la R(1) , x = π es evaluado en la función de pertenencia CC
g
grado de pertenencia µL(1) (x) = 0 .00060166 , para R(2) , x = π es evaluado en la FP C π
,
X
2
obteniendose un grado de pertenencia µL(2) (x) = 0 .5674 y así sucesivamente.
X
En la tabla (2.2) se muestra los grados de pertenencia para cada una de las reglas para
el dato de entrada actual x = π.
Número de Regla Datos de entrada Antecedente µLX (m) (x); m = 1 , 2 , 3 , 4

1 π 0.00060166
2 π 0.5674
3 π 0.5579
4 π 0.00053258
Tabla 2.2: Antecedente de las Reglas.
Los parámetros de las funciones de pertenencia y los valores de u∗m (consecuentes llama-
dos también pesos), mostrados en la tabla (2.3) , fueron obtenidos utilizando el algoritmo
propuesto por Jang [7].
Nota 3 En este caso µLX (1) = µum , ya que solo tenemos una variable lingüística en el
antecedente de cada regla.
Despues de haber obtenido el antecedente y el consecuente se procede a obtener el resul-

tado de la regla, es decir, la inferencia , (ver sección 2.2.4) esto se obtiene a utilizando una
Número de regla Consecuente u∗m

1 −0 .9171
2 1 .3246
3 −1 .3444
4 0 .7924
Tabla 2.3: Consecuentes de las Reglas.
Inferencia de cada una de las Reglas Resultado de la inferencia

prod(µL(1) (x), u∗1 ) = prod (0.00060166 , −0.9171 ) 0
X³ ´
prod µL(2) , u∗2 = prod (0.5674 , 1.3246 ) 0.7516
³ X ´
prod µL(3) , u∗3 = prod (0.5579 , −1.3444 ) -0.7500
³ X ´
prod µL(4) , u∗4 = prod (0.00053258 , 0.7924 ) 0
X
Tabla 2.4: Resultado de las Reglas.
relación de implicación producto (ver tabla 2.1) , el resultado de cada regla se muestra en la
tabla ( 2.4)
Teniendo el antecedente y consecuente de las reglas así como el resultado de de cada una
de ella se puede obtener el resultado de la aproximación para dato actual de entrada x = π
el cual se muestra en la ecuación (2.18) .
P
4
µum · u∗m
i=1
y = (2.18)
P
4
µui
m=1
µLX (1) · u∗1 + µLX (2) · u∗2 + µLX (2) · u∗2 + µLX (3) · u∗3 + µLX (4) · u∗4
= (2.19)
µLX (1) + µLX (2) + µLX (3) · u∗3 + µLX (4)
0 + 0.7516-0.7500 + 0
=
0.00060166 + 0.5674 +0.5579 + 0.00053258
= 0 .00114
Y este proceso anteriormente descrito se repite para cada uno de los datos de entradas
que van desde 0 hasta 2 π con un intervalo de 0.1. En la figura (2.7), se ilustra de manera
gráfica las cuatros reglas por separado.
En cada una se sombrea de manera clara el grado de pertenencia obtenido para el dato
actual de entrada (parte izquierda de la figura). Se sombrea de manera obscura el grado de
pertenencia en la barra para cada una de las reglas (parte derecha de la figura), en esta parte
de la figura se puede observar el peso que tiene este valor en la regla, ubicando una barra
hacia el lado izquierdo del eje donde está ubicado que va desde −1.6 hasta 1.59
Figura 2.7: Resultado del.sistema de inferencia difuso.

Finalmente, el resultado de la aproximación de la función senoidal comparado con la

función conocida se muestra en la figura (2.8), la función conocida es obtenida aplicando el
operador seno a cada uno de los valores de entrada (función ideal).
FUNCION IDEAL
FUNCION APROXIMADA
1
0.8
0.6
0.4
0.2
-0.2
-0.4
-0.6
-0.8
-1
0 1 2 3 4 5 6 7
DATOS DE ENTRADA "x"(RADIANES)
Figura 2.8: Comparación de la función ideal y su aproximación.
Como se puede observar en la figura (2.8) la aproximación obtenida de la función senoidal

es bastante razonable y se puede concluir que la LD es una herramienta muy poderosa para
aproximación de funciones no lineales. Es por esta razón se utiliza la LD para la aproximación
del término gravitacional de un sistema electromecánico.
Capítulo 3
Control de un Servomecanismo de
Segundo Orden
3.1. Introducción
Actualmente, las técnicas avanzadas de control basadas en modelos, como son el control
predictivo, el control por modos deslizantes, el control adaptable, entre otras, están siendo
combinadas con técnicas de control basadas en los sistemas difusos.
Hasta hace poco tiempo, entre las múltiples críticas al control difuso se contaba la ausen-
cia de métodos formales de prueba de estabilidad y la falta de índices que mostraran las
ventajas y la conveniencia de utilizar controladores difusos en lugar de controladores con-
vencionales. Esto se debe a que en sus orígenes, el diseño del controlador difuso se basaba
exclusivamente en heurística, o conocimiento basado en la experiencia. Sin embargo, ac-
tualmente, se están haciendo esfuerzos [20] para combinar algunas técnicas convencionales
de control, como son el control PD, PID etc., por realimentación del estado, predictivo,
adaptable y de estructura variable, con el diseño de controladores difusos, obteniendose muy
buenos resultados. Los enfoques utilizados se pueden clasificar en aquellos que “remedan” la
estructura del control convencional, dejando el diseño de la base de reglas a la heurística pro-
vista por el experto y/o el diseño de alguno de sus parámetros a un método de aprendizaje, y
32 Control de un Servomecanismo de Segundo Orden
en aquellos que se basan en un modelo (lineal o no lineal) del sistema a controlar. Este último
enfoque permite utilizar métodos de análisis y diseño propios de cada técnica convencional,
asegurando estabilidad y robustez para determinados casos, y la posibilidad de explotar las
mejores características de ambas técnicas. Algunas de estas técnicas son mencionada en la
sección (1.1) .
3.2. Planteamiento del Problema

Como se menciona en el capítulo (1), los sistemas convencionales de control son diseña-
dos tradicionalmente usando modelos matemáticos de sistemas físicos para posteriormente
aplicar técnicas de diseño para obtener controladores apropiados para el sistema. Sin embar-
go, en la realidad, el modelo y sus parámetros son con frecuencia desconocidos. Esto se dede a
cambios en el ambiente de trabajo, dinámicas no modeladas y la presencia de no linealidades
e incertidumbres que son difíciles de tratar con los controladores convencionales los cuales no
siempre no son capaces de aprender o de adaptarse a nuevas situaciones. A continuación se
plantea este problema y la solución del mismo utilizando varias técnicas entre ellas la Lógica
Difusa.
Sea el modelo dinámico de un sistema electromecánico de segundo orden en lazo cerrado,

dado por la siguiente ecuación:
mq̈ + f q̇ + d(q) = τ + p (3.1)
donde
q̇ : Velocidad
q : Posición
d(q) : Término no lineal dependiente de la posición
m, f : Parámetros físicos del sistema
τ : Ley de control
p : Perturbación
3.3 Ley de control 33
Se supone que las mediciones de la posición (q) y la velocidad (q̇) están disponibles.
El problema es diseñar una ley de control que compense el término no lineal d (q) estu-
diando el caso de control de posición (set-point regulation).
La solución del problema de la compensación del término lineal está basada en la aprox-
imación de este término utilizando Lógica Difusa, en donde se emplea el controlador de
Takagi-Sugeno como un sistema difuso para la aproximación del término no lineal. Para
efecto de comparación se presentan en la sección siguiente tres casos de la ley de control:
1.- Ley de control con compensación exacta, en este caso se hace la consideración de que el
término no lineal d (q) es totalmente conocido.
2.- Ley de control adaptable clásico, aquí se hace la consideración de que d (q) es parcial-
mente conocido.
3.- Ley de control adaptable difuso, en este caso d (q) es totalmente desconocido.
3.3. Ley de control

En esta sección se presentan las tres leyes de control para un servomecanismo de segundo
orden: control con compensación exacta (término no lineal conocido), control adaptable
clásico (término no lineal parcialmente conocido) y control adaptable difuso (término no
lineal totalmente desconocido), así como el análisis de estabilidad para cada uno de estos
casos.
d(q) = θ sin(q) (3.2)

3.3.1. Primer Caso: Compensación exacta

En este caso se parte del hecho de que el término no lineal es totalmente conocido,
definiendo a la Ley de Control como sigue:
τ = kp e − kd q̇ + θ sin(q) (3.3)
donde qd es la posición deseada, d(q) = θ sin(q) con θ un parametro conocido y el error

de posicionamiento esta dado por
e = qd − q. (3.4)
y cuya derivada es
ė = −q̇ (3.5)
Sustituyendo (3.3) en (3.1) y asumiendo p = 0 se obtiene el sistema en lazo cerrado

siguiente
mq̈ = −f q̇ + kp e − kd q̇
Notar que la ley de control (3.3) elimina exactamente el término d(q) de manera que el
sistema en lazo cerrado es lineal. El sistema en lazo cerrado queda
1
q̈ = [kp e − (f + kd )q̇] . (3.6)
m
Análisis de estabilidad
Para el análisis en el caso de compensación exacta, utilizaremos el criterio de estabilidad

de Routh-Hurwitz, ver apéndice (B.4).
Primero se escribe el sistema en lazo cerrado (3.6) de la siguiente manera
mq̈ + (f + kd )q̇ − kp e = 0 (3.7)

mq̈ + (f + kd )q̇ − kp (qd − q) = 0 (3.8)
transformando la ecuación anterior utilizando la transformada de Laplace se obtiene

ms2 Q (s) + (f + kd )sQ (s) − kp Qd (s) + kp Q (s) = 0 (3.9)
donde Qd (s) = $ {qd (t)} la entrada y Q (s) = $ {q (t)} la salida, se obtiene la función de
transferencia
Q (s) kp
= (3.10)
Qd (s) ms2 + (f + kd )s + kp
donde
a0 = m (3.11)
a1 = f + kd (3.12)
a2 = kp (3.13)
y como m, kd , kp , y f son constantes positivas se cumple la condiciones (B.3) y (B.4) del

criterio de estabilidad de Routh-Hurwitz, por lo tanto el sistema es asintóticamente estable.
Como el criterio de Routh-Hurwitz solo es empleado para sistemas lineales no podrá ser
aplicado en los casos de leyes de control adaptables. Por esta razón se presentan también
el análisis de estabilidad del sistema (3.3) por medio del método de Lyapunov con el fin de
tener uniformidad en los análisis de estabilidad.
En el análisis de estabilidad del problema de regulación de posición en servomecanismos,

generalmente se hace uso de una función de Lyapunov que está compuesta de la energía
cinética total y de la energía potencial deseada, esta última es usada junto con el principio
de invariancia de LaSalle para demostrar estabilidad asintótica de un controlador PD [9, 27].
Este tipo de funciones de Lyapunov proveen una herramienta muy poderosa para analizar
las propiedades de robustez con respecto a incertidumbres y perturbaciones.
La función candidata de Lyapunov usada durante el siguiente análisis es de la forma

(B.10),
1
V = xT P x (3.14)
2
" #
h i m 0
donde xT = q̇ e ,yP = la cual se puede escribir como:
0 kp
1 1
V = mq̇2 + kp e2 (3.15)
2 2
La derivada de (3.15) es
V̇ = mq̇ q̈ + kp eė. (3.16)
Sustituyendo (3.6) en (3.16)
1
V̇ = mq̇ [kp e − (f + kd )q̇] + kp eė
m
= q̇ [kp e − (f + kd )q̇] + kp eė
= kp eq̇ − (f + kd )q̇ 2 + kp eė.
Ahora sustituyendo (3.5) y cancelando términos se obtiene
V̇ = kp eq̇ − (f + kd )q̇ 2 + kp e(−q̇)

= −(f + kd )q̇ 2 .
Entonces, cumpliendose V̇ (x) ≤ 0 (ver apéndiceB.14) , por lo tanto, el sistema (3.6) es

globalment estable.
Ahora, aplicando el teorema de LaSalle (B.5.4) se tiene que
q̇ = 0 ⇒ V̇ = 0 (3.17)
q̇ = 0 ⇒ q̈ = 0 (3.18)
aplicando (3.18) en el sistema en lazo cerrado (3.6) se obtiene

1
kp e = 0 ⇒ e = 0 (3.19)
m
" #
q̇ = 0
esto es, la solución nula x = es la única que satisface
e=0
V̇ ≡ 0 (3.20)
por lo tanto, el sistema (3.6) es asintóticamente, globalmente estable.

3.3.2. Segundo Caso: Control Adaptable Clásico

Se utiliza la ley de control diseñada por Patricio Tomei [27], quién solo la probó a nivel
∧
simulación. En este caso, la ley de control adaptable emplea un estimado d(q) de d(q), esto
es:
∧
τ = kp e − kd q̇ + d(q). (3.21)
Donde e y ė están dados por (3.4) y (3.5) y

∧
d(q) = θ̂ sin(q). (3.22)
Además, en este caso supóngase que p es diferente de cero pero está acotado.
|p| < P . (3.23)
El término lineal está descrito como
d(q) = θ sin(q); |θ| < β (3.24)
y el error paramétrico y su derivada son
θ̃ = θ − θ̂ (3.25)
· ·
θ̃ = −θ̂.
Sustituyendo 3.21 en 3.1 se obtiene el sistema en lazo cerrado

∧
mq̈ = −f q̇ − d(q) + kp e − kd q̇ + d(q) + p
agrupando términos y sustituyendo (3.24) y (3.22) se obtiene
mq̈ = kp e − (f + kd )q̇ − θ sin(q) + θ̂ sin(q) + p

= kp e − (f + kd )q̇ + (θ̂ − θ) sin(q) + p
= kp e − (f + kd )q̇ − θ̃ sin(q) + p.
Entonces, el sistema en lazo cerrado queda

1 h i
q̈ = kp e − (f + kd )q̇ − θ̃ sin(q) + p . (3.26)
m
La función candidata de Lyapunov usada durante el siguiente análisis consiste de 4 tér-

minos:
1 1 1 2
V = mq̇ 2 + kp e2 − αmeq̇ + θ̃ kw−1 . (3.27)
2 2 2
Los primeros dos términos corresponde a la función candidata Lyapunov utilizada en el caso
anterior (3.14) , más un término cruzado del error de posición y la velocidad el cuarto es un
término cuadrático del error paramétrico θ̃.
·
V̇ = mq̇ q̈ + kp eė − αmeq̈ − αmq̇ ė + θ̃θ̃kw−1
y agrupando términos se obtiene

·
V̇ = (q̇ − αe)mq̈ + (kp e − αmq̇)ė + θ̃θ̃kw−1 .
Sustituyendo la ecuación del sistema en lazo cerrado (3.26) y de (3.5)
1 h i ·
V̇ = (q̇ − αe)m kp e − (f + kd )q̇ − θ̃ sin(q) + p + (kp e − αmq̇)(−q̇) + θ̃θ̃kw−1
m
= kp q̇e − kp αe2 − (f + kd )q̇2 + (f + kd )αeq̇ − q̇ θ̃ sin(q) + αeθ̃ sin(q) + pq̇
·
−αep − kp eq̇ + αmq̇ + θ̃θ̃kw−1 .
2
Eliminando y agrupando términos

·
V̇ = −(f + kd )q̇ + αmq̇ − kp αe + (f + kd )αeq̇ + pq̇ − αep + (−θ̃q̇ + αeθ̃) sin(q) + θ̃θ̃kw−1
2 2 2
V̇ = −(f + kd )q̇ 2 + αmq̇ 2 − kp αe2 + (f + kd )αeq̇ + pq̇ − αep (3.28)

· · ¸
−1
+θ̃ (αe − q̇) sin(q) + θ̃kw .
Considérese ahora el último término de la ecuación anterior igual a un término dependiente

del error e y del estimado θ̂
·
(αe − q̇) sin(q) + θ̃kw−1 = κkw |e| θ̂
o bién ·
θ̃ = kw (q̇ − αe) sin(q) + κkw |e| θ̂ (3.29)
de donde se obtiene la ley de adaptación

·
−θ̂ = kw (q̇ − αe) sin(q) + κkw |e| θ̂
·
θ̂ = kw (αe − q̇) sin(q) − κkw |e| θ̂ (3.30)
sustituyendo la (3.30)en (3.28) se tiene
V̇ = −(f + kd )q̇ 2 + αmq̇ 2 − kp αe2 + (f + kd )αeq̇ + pq̇ − αep + θ̃κ |e| θ̂.
Para hacer más sencillo el análisis se asume f = 0.

Tomando los primeros 4 términos de la ecuación anterior
α α
−kd q̇ 2 + αmq̇ 2 − kp αe2 + kd αeq̇ = −kd q̇ 2 + kd αeq̇ − kp e2 + αmq̇ 2 − kp e2
· 2 2¸
2 2
1 kd kd kd α
= − αkp e2 − 2 eq̇ + 2 q̇2 − 2 q̇ 2 + αmq̇ 2 − kd q̇ 2 − kp e2
2 kp kp kd 2
· ¸2
1 kd 1 kd 2 α
= − αkp e − q̇ + αkp 2 q̇2 + αmq̇ 2 − kd q̇2 − kp e2 .
2 kp 2 kp 2
Entonces,
· ¸2
1 kd 1 kd 2 2 1 1 α T
V̇ = − αkp e − q̇ + α q̇ + αmq̇2 − kd q̇2 − kd q̇ 2 − kp e2 − αep + pq̇ + θ̃ κ |e| θ̂
2 kp 2 kp 2 2 2
· ¸2 · 2
¸
1 kd 1 k 1 1 α T
= − αkp e − q̇ − − α d − αm + kd q̇ 2 − kd q̇ 2 − kp e2 − αep + pq̇ + θ̃ κ |e| θ̂
2 kp 2 kp 2 2 2
h i
k2
en este punto, se asume que dentro del término −q̇ 2
− 12 α kdp
− αm + 1
k
2 d
la ganancia kd es
h 2
i
k
suficientemente grande, es decir, − 12 α kdp − αm + 12 kd = γ > 0.
Ahora, considerando(3.24)y (3.23) se tiene que :
q̇p ≤ |q̇| P ; (3.31)

−αep ≤ α |e| P ; (3.32)
¯ ¯ ¯ ¯2 ¯ ¯ ¯ ¯
2 ¯ ¯ ¯ ¯ ¯ ¯ ¯ ¯
θ̃θ̂ = θ̃(θ − θ̃) = θ̃θ − θ̃ ≤ ¯θ̃¯ β − ¯θ̃¯ = − ¯θ̃¯ (¯θ̃¯ − β). (3.33)
Utilizando las desigualdades anteriores, la derivada V̇ se puede acotar de la manera siguiente
· ¸2 ¯ ¯ ¯ ¯
1 kd 2 1 2 α 2 ¯ ¯ ¯ ¯
V̇ ≤ − αkp e − q̇ − γ q̇ − kd q̇ − kp e + |q̇| P + α |e| P − κ ¯θ̃¯ (¯θ̃¯ − β) |e|
2 kp 2 2
· ¸2 ¯ ¯ ¯ ¯
1 kd 2 1 α ¯ ¯ ¯ ¯
≤ − αkp e − q̇ − γ q̇ + (− kd |q̇| + P ) |q̇| + (− kp |e| + αP ) |e| − κ ¯θ̃¯ (¯θ̃¯ − β) |e|
2 kp 2 2
de donde es claro que ⇒ V̇ ≤¯0.¯

¯ ¯
Si |q̇| > 2k
kd
; |e| > 2k
kp ¯θ̃¯ > β;
Por lo tanto el sistema (3.26)es uniformente, finalmente acotado (Uniform ultimate bound-
edness UUB) (B.6). Es decir, la idea de UUB es que para todos los estados iniciales en un
conjunto S, las trayectorias del sistema eventualmente
¯ ¯ alcanzan después de un lapso de tiem-
¯ ¯
po T , una vecindad acotada por |q̇| , |e| y ¯θ̃¯. El término uniformemente (uniform) indica que
T no depende del tiempo inicial y el término finalmente (ultimate) indica que la propiedad
de acotamiento se mantiene después del tiempo T .
3.3.3. Tercer Caso: Control Adaptable Difuso

∧
En este caso la ley de control adaptable emplea una aproximación d(q) de d(q) utilizando
lógica difusa, dicha aproximación es realizada como en el ejemplo descrito en la sección
(2.6.1):
P
M
µm (q)ŵm
m=1
τ = kp e − kd q̇ + P
m (3.34)
µm (q)
i=1
donde M es el número reglas, µm (q) son las funciones de pertenencia y ŵ son los pesos de los
grados de pertencia, cabe mencionar que los pesos son actualizados en línea e inicializados
en cero. Entonces, un estimado del término no lineal d (q) está dado por
P
M
∧
µm (q)ŵm
m=1
d(q) = = ŵσ(q)
P
M
µm (q)
m=1
   
ŵ1 µ1 (q)
   
 ŵ2   µ2 (q) 
   
 ..   .. 
 .   . 
donde ŵ =  
 ŵ  , σ(q) = P
M
µ(q) 
y µ(q) =  .

 m  µm (q)  µm (q) 
 .  m=1  .. 
 ..   . 
   
ŵM µM (q)
Donde e y ė están dados por (3.4) y (3.5). Además, igual que en el caso anterior supóngase
que p es diferente de cero pero está acotado y está dado por (3.23). Por otro lado el término
no lineal es aproximado como
d(q) = wT σ(q) + ζ; |ζ| < kζ ; kwk2 < η. (3.35)

El error en los pesos y su derivada con respecto al tiempo está definido como
w̃ = w − ŵ (3.36)
· ·
w̃ = −ŵ.
Sustituyendo (3.34) en (3.1) se obtiene el sistema en lazo cerrado
mq̈ = −f q̇ − d(q) + kp e − kd q̇ + ŵT σ(q) − ζ + p
agrupando términos y sustituyendola aproximación de d(q) (??) se obtiene
mq̈ = kp e − (f + kd )q̇ − wT σ(q) + ζ + ŵT σ(q)

= kp e − (f + kd )q̇ + (ŵT − wT )σ(q) − ζ + p
haciendo p − ζ = , entonces tenemos que
|p − ζ| ≤ |P | + |kζ | = k (3.37)
|| ≤ k. (3.38)
En consecuencia, el sistema en lazo cerrado queda :

1
q̈ = [kp e − (f + kd )q̇ − w̃σ(q) + ] . (3.39)
m
El análisis de estabilidad es similar al caso anterior. Se utiliza la siguiente función can-

didato de lyapunov la cual consta de 4 términos :
1 1 1
V = mq̇2 + kp e2 − αmeq̇ + w̃T w̃kw−1 . (3.40)
2 2 2
Los primeros dos términos corresponde a la función candidata Lyapunov utilizada en el caso
de compensación exacta (3.14) , más un término cruzado del error de posición y la velocidad,
el último es un término normalizado en función del parametro de estimación.
·
V̇ = mq̇ q̈ + kp eė − αmeq̈ − αmq̇ ė + w̃T w̃kw−1
y agrupando términos se obtiene

·
V̇ = (q̇ − αe)mq̈ + (kp e − αmq̇)ė + w̃T w̃kw−1 (3.41)
sustituyendo la ecuación del sistema en lazo cerrado (3.39) y (3.5)

·
V̇ = (q̇ − αe)(kp e − (f + kd )q̇ − w̃σ(q) + ) + (kp e − αmq̇)(−q̇) + w̃T w̃kw−1
= kp eq̇ − (f + kd )q̇ 2 − w̃σ(q)q̇ + q̇ + kp αe2 + (f + kd )αeq̇ + αew̃σ(q) − αe − kp eq̇ + αmq̇2
·
+w̃T w̃kw−1 .
Eliminando y agrupando términos
V̇ = −(f + kd )q̇ 2 + αmq̇ 2 − kp αe2 + (f + kd )αeq̇ + q̇ − αe (3.42)

· ¸
·
T −1
+w̃ (αe − q̇)σ(q) + w̃kw .
Considerese ahora el último término de la ecuación anterior igual a un término dependiente

del estimado de los pesos y del error de seguimiento
·
(αe − q̇)σ(q) + w̃kw−1 = κkw |e| ŵ
o bién
·
w̃ = kw (q̇ − αe)σ(q) + κkw |e| ŵ (3.43)
de donde se obtiene la ley de adaptación
·
−ŵ = kw (q̇ − αe)σ(q) + κkw |e| ŵ (3.44)
·
ŵ = kw (αe − q̇)σ(q) − κkw |e| ŵ.
Sustituyendo (3.43) en (3.42) se tiene
V̇ = −(f + kd )q̇ 2 + αmq̇ 2 − kp αe2 + (f + kd )αeq̇ + q̇ − αe

T £ ¤
+θ̃ (αe − q̇)σ(q) + (kw (q̇ − αe)σ(q) + κkw |e| ŵ)kw−1
= −(f + kd )q̇ 2 + αmq̇ 2 − kp αe2 + (f + kd )αeq̇ + q̇ − αe + w̃T κ |e| ŵ.
Para hacer más sencillo el análisis se asume f = 0

Tomando los primeros 4 términos de la ecuación anterior
α α
−kd q̇ 2 + αmq̇ 2 − kp αe2 + kd αeq̇ = −kd q̇ 2 + αkd eq̇ − kp e2 + αmq̇ 2 − kp e2
· 2 2¸
2 2
1 kd kd kd α
= − αkp e2 − 2 eq̇ + 2 q̇2 − 2 q̇ 2 + αmq̇ 2 − kd q̇ 2 − kp e2
2 kp kp kd 2
· ¸2
1 kd 1 kd 2 α
= − αkp e − q̇ + αkp 2 q̇2 + αmq̇ 2 − kd q̇2 − kp e2 .
2 kp 2 kp 2
Entonces,
· ¸2
1 kd 1 kd 2 1 1 α
V̇ = − αkp e − q̇ + α q̇ 2 + αmq̇2 − kd q̇ 2 − kd q̇ 2 − kp e2 + q̇ − αe + w̃T κ |e| ŵ.
2 kp 2 kp 2 2 2
h 2
i
1 kd 2 2 2 1 2 2 1 kd 1
En este punto 2 α kp q̇ + αmq̇ − 2 kd q̇ = −q̇ − 2 α kp − αm + 2 kd se asume que, kd es
suficientemente grande de manera que se cumpla
· ¸
1 kd2 1
− α − αm + kd = γ > 0. (3.45)
2 kp 2
Considerando (3.35) y (3.38) tenemos que :
q̇ ≤ |q̇| k ; (3.46)
−αe ≤ |e| k ; (3.47)
w̃T ŵ = w̃T (w − w̃) = w̃w − w̃T w̃ = kw̃k η − kw̃k2 = − kw̃k (kw̃k − η). (3.48)
Utizando las desigualdades anteriores se obtiene finalmente
· ¸2
1 kd 1 α
V̇ ≤ − αkp e − q̇ − q̇ 2 γ − kd q̇ 2 − kp e2 + |q̇| k + |e| k − κ kw̃k (kw̃k − η) |e| (3.49)
2 kp 2 2
· ¸2
1 kd 1 α
≤ − αkp e − q̇ − q̇ 2 γ + (− kd |q̇| + k ) |q̇| + (− kp |e| + k ) |e| − κ kw̃k (kw̃k − η) |e|
2 kp 2 2
de donde se obtiene ⇒ V̇ ≤ 0.
2k 2k
Si |q̇| > kd
; |e| > kp
; kw̃k > η,
Por lo tanto el sistema (3.26)es uniformente, finalmente acotado (Uniform Ultimate

Boundedness UUB) (B.6).
Finalmente se puede observar que para el caso de la ley de control adaptable clásica es
necesario cumplir con la condición de linealidad en los parámetros en el término no lineal a
diferencia del caso de la ley de control adaptable difuso lo cual no es necesario conocer la
estructura del término no lineal, esto genera una gran ventaja ya que el diseño de contro-
ladores tradicionalmente usan modelos matemáticos de sistemas físicos donde con frecuencia
los parámetros del modelo son totalmente desconocidos.
Capítulo 4
Resultados Experimentales
En este capítulo se muestran los resultados experimentales correspondientes a la imple-

mentación de las leyes de control estudiadas en el capítulo anterior en el Centro de Servicios
Experimentales del Departamento de Control Automático.
Los experimentos realizados se dividieron dentro de dos secciones. En la primera se mues-
tran los resultados obtenidos con el servomecanismo compuesto por dos motores de corriente
directa, el cual uno simula un robot de un grado de libertad y el otro el término no lineal.
En la segunda se muestra los resultados obtenidos en un robot de un grado de libertad, en
ambas secciones se analizarón los siguientes casos:
Controlador con compensación exacta
Controlador adaptable clásico
Controlador adaptable difuso
4.1. Servomecanismo.
El servomecanismo (4.2) esta compuesto por dos motores de corriente directa que están
acoplados a traves de sus flechas, uno de estos motores simula un robot de un grado de lib-
ertad (motor 1 ) y el otro el término no lineal (motor 2 ). Los motores son controlados cada
48 Resultados Experimentales
uno por un amplificador de potencia (Copley Controls) configurados en modo corriente. La

posición del motor es medida a traves de un decodificador óptico. La adquisición de datos
se realiza a través de la tarjeta MultiQ 3 de Quanser Consulting. La ejecución de las leyes
°
R
de control es realizada en ambiente Matlab/Simulink (PC servidor), para posteriormente
°
R
mediante el Software WinCon convertir el diagrama Matlab/Simulink de la ley de control
a código ejecutable en tiempo real y descargar el código ejecutable a la computadora de-
nominada cliente. La comunicación entre estas dos cumputadoras es a través del protocolo
TCP-IP. Para ejecutar en tiempo real cambios en los parámetros de la ley de control así
como detener o iniciar la ejecución de los programas se emplea la computadora servidor. El
diagrama a bloques de esta plataforma es mostrada en la figura (4.1).
Cabe mencionar que la estimación de la medición de la velocidad es realizada mediante
el filtro
·
q̂ = a (q − q̂) (4.1)
donde a es una constante positiva a ' 220 y el estimado de la velocidad.
Figura 4.1: Plataforma del Servomecanismo.

4.1 Servomecanismo. 49
En la figura (4.2) se muestra el servomecanismo compuesto por dos motores de corriente

directa, el cual uno simula un robot de un grado de libertad (motor de lado derecho) y el
otro la término no linealidad (motor de lado izquierdo).
Figura 4.2: Servomecanismo.
El término no lineal que se considera es una función senoidal multiplicada por una con-
stante θ.
Término no lineal
d(q) = θ sin(q)
donde θ = 0,7.
Referencia La referencia es una señal del tipo cuadrada con una amplitud de 0.1250 vueltas,
con una frecuencia de 0.2 Hz.
Las ganancias que se utilizarón en los tres casos (compensación exacta, controlador ada-
patable clásico y controlador adaptable difuso), fuerón:
kp = 20
kd = 0,999
α = 20
κ = 20
kw = 0.0225
donde α, κ y kw son los parámetros de la ley de adaptación (ver ecuación 3.30 y 3.44).
4.1.1. Controlador Adaptable Clásico y Compensación Exacta

Para este caso la ley de adaptación es la descrita en la ecuación (3.30) , los resultados son
comparados con la ley de control que asume que el término no lineal es totalmente conocido.
En la figura (4.3) , se hace la comparación entre el caso de compensación exacta y el caso
del controlador adaptable clásico. Se puede observar que la salida sobrepasa mínimamente
a la referencia en el caso del adaptable clásico, y donde se puede notar más la diferencia
entre ambos casos es en la estimación del término no lineal, ahí la diferencia entre término
no lineal y su estimado es muy notable. Además en la señal de control se puede notar que
existen unos sobretiros tanto positivos como negativos en el caso de control adaptable clásico
mientras el caso de coontrol no adaptable no los tiene. En la comparación de los errores de
posición tambien se puede notar la diferencia de desempeño en ambos casos.
4.1.2. Controlador Adaptable Difuso.

En este caso se desconoce totalmente el término no lineal el cual es aproximado utililizan-
do Lógica Difusa. Se hicieron varios experimentos variando el número de reglas. En esta sec-
ción solo se presentan los resultados para 7 reglas, los demas son presentados en el apéndice
(A).
SALIDA ESTIMACION DEL TERMINO NO LINEAL

1.5
REFERENCIA COMPENSACION EXACTA
COMPENSACION EXACTA ADAPTABLE CLASICO
0.15 ADAPTABLE CLASICO
1
POSICION ANGULAR
0.1
0.5
0.05
KSEN(q)
0
0
-0.05
-0.5
-0.1
-1
0 2 4 6 8 10 0 2 4 6 8 10
TIEMPO (SEG) TIEMPO (SEG)
CONTROL ERROR
5 0.3
0.2
VOLTAJE DE CONTROL
ERROR EN POSICION
0.1
0 0
-0.1
-0.2
COMPENSACION EXACTA COMPENSACION EXACTA
ADAPTABLE CLASICO ADAPTABLE CLASICO
-5
0 2 4 6 8 10 0 2 4 6 8 10
Figura 4.3: Controlador Adaptable Clásico (Servomecanismo).
En la figura (4.4) , se hace la comparación entre el caso de compensación exacta y el caso

de adaptable difuso con 7 reglas. En esta figura se puede observar que a diferencia del caso
anterior la estimación del término no lineal es más cercana al real, en el control se puede
notar que no hay una diferencia notable entre los dos casos. En la grafica del error tambien
se puede notar lo dicho anteriormente.
En la tabla (4.1) se presentan el tiempo que tarda la salida en alcanzar la referencia
en ciclo positivo (tiempo de subida) y el tiempo que tarda en alcanzarla en ciclo negativo
(tiempo de bajada).

1.5
COMPENSACION EXACTA CASO 7 REGLAS
0.15 CASO 7 REGLAS
1
POSICION ANGULAR
0.1
0.5
KSEN(q)
0.05
0 0
-0.05
-0.5
-0.1
-1
0 2 4 6 8 10 0 2 4 6 8 10
CONTROL ERROR
5 0.3
0.2
VOLTAJE DE CONTROL
ERROR EN POSICION
0.1
0 0
-0.1
-0.2
CASO 7 REGLAS CASO 7 REGLAS
-5
0 2 4 6 8 10 0 2 4 6 8 10
Figura 4.4: Controlador Adaptable Difuso (Servomecanismo).
Como se puede observar en este tabla, en el caso del control adaptable difuso con 7 reglas
es el que tiene menor tiempo de subida y bajada.
También se puede apreciar que entre más numero de reglas la salida puede subir y bajar
en menos tiempo (ver graficas mostradas en el apéndice A). Se puede observar que para el
caso de 20 reglas la compensación ya no es tan buena como en el caso de 7 reglas.
La ventaja de probar las leyes de control en el servomecanismo es que, en éste se puede
programar el término no lineal.
Los resultados para los casos de 2, 4 , 10 y 20 reglas son mostradas en el apendice (A).
C a so s tiem p o d e su b id a tiem p o d e b a ja d a
C o m p en sa ció n ex ac ta 0,19 0,19

2 reg la s 0,21 0,21
4 reg la s 0,20 0,20
7 reg la s 0,18 0,18
1 0 reg la s 0,18 0,18
2 0 reg la s 0,18 0,18
A d a p ta b le C lá sico 0,23 0,22
Tabla 4.1: Resultados en el Servomecanismo.
En la figura (4.5)e muestran las funciones de pertencias utilizadas para ambos casos
FUNCION DE PERTENENCIA
CM 3π/8 CM π/4 CM π/8 CC C π/4 C π/8 C 3π/8

1
0.8
0.6
µ(q)
0.4
0.2
-1.5 -1 -0.5 0 0.5 1 1.5

DATOS DE ENTRADA "q" (radianes)
Figura 4.5: Funciones de pertenencia utilizadas en los Experimentos.

donde:
CM 3π
8
: es Cercano a Menos 3π
8
.
CM π4 : es Cercano a Menos π
4
.
CM π8 : es Cercano a Menos π
8
.
CC : es Cercano a Cero
C π8 : es Cercano a π8 .
C π4 : es Cercano a π
4
C 3π
8
: es Cercano a 3π
8
.
Las reglas utilizadas para este caso son las siguientes:
3π
R(1) :SI la entrada es Cercana a Menos 8
(CM 3π8
) ENTONCES la salida es Cercana a Menos Uno (CMU)
π
R(2) :SI la entrada es Cercana a Menos 4
(CM π4 ) ENTONCES la salida es Cercana a Menos Uno (CMU)
π π
(3)
R :SI la entrada es Cercana a Menos π
8 (CM 8 ) ENTONCES la salida es Cercana a Menos 6
(CM π6 )
R(4) :SI la entrada es Cercana a Cero (CC) ENTONCES la salida es Cercana a Cero (CC)
π
R(5) :SI la entrada es Cercana a 8
(C π8 ) ENTONCES la salida es Cercana a π6 (C π6 )
π
(C π4 ) ENTONCES la salida es Cercana a Uno (CU)
3π
(C 3π8
) ENTONCES la salida es Cercana a Uno (CU)
Tabla 4.2: Reglas Utilizadas en los Experimentos.

4.2 Robot de un Grado de Libertad (Robot de un GDL) 55
4.2. Robot de un Grado de Libertad (Robot de un

GDL)
Para estos experimentos se empleo la misma plataforma que en el caso del servomeca-
nismo. Solo se omite un amplificador de potencia y en lugar del segundo motor se utiliza el
Robot de un GDL.
Para este sistema electromecánico el término lineal es el correspondiente a los pares
gravitacionales, dicho sistema se muestra en la figura (4.6). El modelo de este sistema es
proporcionado por la ecuación (3.1).
Figura 4.6: Robot de un Grado de Libertad.

Las ganancias empleadas fueron:
kp = 20
kd = 2,345
α = 20
κ = 20
kw = 0.0225
donde α, κ y kw son los parámetros de la ley de adaptación (ver ecuación 3.30 y 3.44).
4.2.1. Controlador Adaptable Clásico

Para este caso la ley de adaptación utilizada se muestra en la ecuación (3.44), los re-
sultados son comparados con aquellos obtenidos cuando el término no lineal es totalmente
conocido.
En la figura (A.7) se hace la comparación entre el caso de compensación exacta y el caso
de adaptable clásico. El caso del brazo de robot es diferente al del servomecanismo presentado
en la sección 4.1 debido a que existen parámetros no modelados en este sistema. En esta
figura se observa la diferencia entre el caso de compensación exacta y el adaptable clásico,
donde se puede notar más está diferencia es en la estimación del término no lineal donde se
puede observar que existen unos pequeños sobretiros cada que la referencia sube o baja esto
es debido a que no existe una excitación persistente, en el control se puede notar que para el
caso adaptable hay como pequeñas oscilaciones que el caso de compensación exacta no las
tiene, en la comparación del error tambien se puede notar la diferencia entre ambos casos.

1.5
COMPENSACION EXACTA ADAPTABLE CLASICO
0.15 ADAPTABLE CLASICO
1
POSICION ANGULAR
0.1
0.05 0.5
G(q)
0 0
-0.05
-0.5
-0.1
-1
0 2 4 6 8 10 0 2 4 6 8 10
CONTROL ERROR
5 0.3
0.2
VOLTAJE DE CONTROL
ERROR EN POSICION
0.1
0 0
-0.1
-0.2
-5
0 2 4 6 8 10 0 2 4 6 8 10
Figura 4.7: Controlador Adaptable Clásico (Robot de un GDL).
4.2.2. Controlador Adaptable Difuso
Al igual que en el caso del servomecanismo se desconoce totalmente el término no lineal

y se aproxima utilizando Lógica Difusa. Se hicieron varios experimentos variando el número
de reglas. Aquí se presenta el resultado para 7 reglas, los demas serán presentados en el
apéndice (A) .
En la figura (4.8) , se hace la comparación entre el caso de compensación exacta y el
caso de adaptable difuso con 7 reglas. En esta figura se puede observar que a la salida en el
caso adaptable difuso es mas cercana a la referencia a diferencia del caso de compensación

2
0.15 CASO 7 REGLAS
POSICION ANGULAR
1
0.1
0.05
G(q)
0
0
-0.05
-1
-0.1
-2
0 2 4 6 8 10 0 2 4 6 8 10
CONTROL ERROR
5 0.3
0.2
VOLTAJE DE CONTROL
ERROR EN POSICION
0.1
0 0
-0.1
-0.2
-5
0 2 4 6 8 10 0 2 4 6 8 10
Figura 4.8: Controlador Adaptable Difuso (Robot de un GDL).
exacta. La estimación del término no lineal se puede notar que para el caso adaptable difuso
tiene unos sobretiros cuando la referencia sube o baja pero estos van disminuyendo conforme
avanza el tiempo a diferencia del caso anterior. En la señal de control se puede observar que
no existe mucha diferencia en ambos caso al igual que en la grafica del error.
Las reglas utilizadas para este caso fueron las mismas que las del caso anterior mostradas
en la tabla (4.2). En la tabla (4.3) se presentan el tiempo que tarda la salida en subir y bajar.
De igual manera que en el caso del servomecanismo, el caso de compensación con adaptable
difuso para siete reglas, fue el que tiene menos tiempo de subida y bajada.
C a so s tie m p o d e su b id a tie m p o d e b a ja d a
Id ea l 0,43 0,43
2 reg la s 0,45 0,45
4 reg la s 0,45 0,45
7 reg la s 0,42 0,43
1 0 reg la s 0,47 0,47
2 0 reg la s 0,48 0,48
A d a p ta b le C lá sico 0,55 0,51
Tabla 4.3: Resultados en el Robot de un Grado de Libertad
La ventaja de probar las leyes de control en el Robot de un GDL es de que no solo se el

término no lineal de la gravedad, si no, otras perturbaciones como la masa de la carga que
no son modeladas en el sistema (3.1). Los resultados para los casos de 2, 4 , 10 y 20 reglas
son mostradas en el apendice (A).
4.3. Estudio Comparativo del Control Adaptable Clási-

co y el Control Adaptable Difuso
Como resultado se tiene que para los dos sistemas electromecánicos la ley de control
difuso adaptable da mejores resultados que el caso de la ley de control adaptable clásico.
Para el caso del servomecanismo la comparación de la ley de control adaptable clásico y
el adaptable difuso es mostrada en la figura (4.9) , donde se puede apreciar en la gráfica del
control el caso adaptable tiene unos sobretiros algo que ni el caso de compensación exacta y
el caso de adaptable difuso no los tiene. En la grafica de la estimación se puede observar que
el caso del adaptable difuso es mejor la compensación ya que el adaptable clásico sobrepasa
a la compensación exacta.
Para el caso del robot de un grado de libertad la comparación de la ley de control adap-
table clásico y el adaptable difuso es mostrada en la figura (4.10) , donde se puede apreciar
en la grafica de la estimación los dos casos en comparación tienen sobretiros a diferencia
del caso de compensación exacta pero para el caso adaptable difuso estos van disminuyendo
conforme avanza el tiempo y en el caso adaptable clásico permenecen constantes. En la
posición angular se puede apreciar que el caso adaptable difuso es mejor al caso adaptable
clásico ya que tiene menor error con respecto a la referencia aunque el desempeño de ambos
casos es similar.
4.3 Estudio Comparativo del Control Adaptable Clásico y el Control Adaptable Difuso 61

1.5
0.15 ADAPTABLE DIFUSO ADAPTABLE DIFUSO
1
POSICION ANGULAR
0.1
KSIN(q) Y G(q)
0.05 0.5
0 0
-0.05
-0.5
-0.1
-1
0 2 4 6 8 10 0 2 4 6 8 10
CONTROL ERROR
5 0.3
0.2
VOLTAJE DE CONTROL
ERROR EN POSICION
0.1
0 0
-0.1
COMPENSACION EXACTA -0.2 COMPENSACION EXACTA

ADAPTABLE DIFUSO ADAPATBEL DIFUSO
-5
0 2 4 6 8 10 0 2 4 6 8 10
Figura 4.9: Comparación entre caso de Control Adaptable Clásico y el Control Adaptable
Difuso (Servomecanismo).

1.5
0.15 ADAPTABLE DIFUSO ADAPTABLE DIFUSO
1
POSICION ANGULAR
0.1
KSIN(q) Y G(q)
0.05 0.5
0 0
-0.05
-0.5
-0.1
-1
0 2 4 6 8 10 0 2 4 6 8 10
CONTROL ERROR
5 0.3
0.2
VOLTAJE DE CONTROL
ERROR EN POSICION
0.1
0 0
-0.1
COMPENSACION EXACTA -0.2 COMPENSACION EXACTA

ADAPTABLE DIFUSO ADAPATBEL DIFUSO
-5
0 2 4 6 8 10 0 2 4 6 8 10
Figura 4.10: Comparación entre caso de Control Adaptable Clásico y el Control Adaptable
Difuso (Robot de un GDL).
Capítulo 5
Conclusiones
En el presente trabajo de tesis se presentó el diseño de un controlador Proporcional-

Derivativo (PD) más una compensación del término no lineal del sistema utilizando Lógica
Difusa aplicado a sistemas de no lineales de segundo orden cuyo desempeño fue mostrado
experimentalmente.
Como un prerrequisito al desarrollo de las leyes de control estudiadas se presentaron los
conceptos fundamentales en el área de Lógica Difusa así como su empleo en la aproximación
de funciones.
Despues de proponerse la ley de control adaptable difuso para la compensación del térmi-
no no lineal, en un sistema electromecánico de segundo orden, y llevarla a la práctica a nivel
experimental en dos sistemas electromecánicos, se comprobó que la ley de control adaptable
difusa era capaz de compensar el término no lineal sin la necesidad de conocer este término
en comparación al control adaptable clásico, el cual requiere que el término no lineal esté
parametrizado linealmente.
64 Conclusiones
5.1. Trabajo Futuro

Con el fin de enriquecer y desarrollar métodos que amplien las aplicaciones de la técnica
utilizada en esta tesis se sugieren los siguientes trabajos a futuro.
Ampliar esta técnica para Robots Manipuladores.
Tratar de evitar el uso de la medición de la velocidad
Diseñar un programa que proporcione el número de reglas adecuadas para una apli-
cación específica.
Apéndice A
Experimentos
A.1. Resultados de los Experimento Realizados en un

Servomecanismo
En esta sección se presentan los resultados obtenidos para la ley de control difuso adap-
table, para los casos de 2 reglas, 4 reglas, 10 reglas y 20 reglas.
A continuación se puede observar que en las gráficas de la estimación del término no

lineal tiene un sobreimpulso pequeño el cual va disminuyendo conforme aumenta el número
de reglas (hasta el caso de 7 reglas) para el caso de 10 y 20 reglas no existe el sobreimpulso,
sin embargo la estimación no es tan precisa en el primer ciclo de la posición angular en
comparación con el caso de la ley de control con compensación exacta, pero esto va mejorando
conforme el tiempo aumenta. Cabe mencionar que este sobre impulso es debido a que no
existe una excitación persistente en la entrada.
66 Experimentos

1.5
0.15 CASO 2 REGLAS
1
POSICION ANGULAR
0.1
0.5
KSEN(q)
0.05
0 0
-0.05
-0.5
-0.1
-1
0 2 4 6 8 10 0 2 4 6 8 10
CONTROL ERROR
5 0.3
0.2
VOLTAJE DE CONTROL
ERROR EN POSICION
0.1
0 0
-0.1
-0.2
-5
0 2 4 6 8 10 0 2 4 6 8 10
Figura A.1: Controlador Adaptable Difuso con 2 Reglas (Servomecanismo).

A.1 Resultados de los Experimento Realizados en un Servomecanismo 67

1.5
0.15 CASO 4 REGLAS
1
POSICION ANGULAR
0.1
0.5
KSEN(q)
0.05
0 0
-0.05
-0.5
-0.1
-1
0 2 4 6 8 10 0 2 4 6 8 10
CONTROL ERROR
5 0.3
0.2
VOLTAJE DE CONTROL
ERROR EN POSICION
0.1
0 0
-0.1
-0.2
-5
0 2 4 6 8 10 0 2 4 6 8 10

68 Experimentos

1.5
0.15 CASO 10 REGLAS
1
POSICION ANGULAR
0.1
0.5
KSEN(q)
0.05
0 0
-0.05
-0.5
-0.1
-1
0 2 4 6 8 10 0 2 4 6 8 10
CONTROL ERROR
5 0.3
0.2
VOLTAJE DE CONTROL
ERROR EN POSICION
0.1
0 0
-0.1
-0.2
-5
0 2 4 6 8 10 0 2 4 6 8 10

A.1 Resultados de los Experimento Realizados en un Servomecanismo 69

1.5
0.15 CASO 20 REGLAS
1
POSICION ANGULAR
0.1
0.5
KSEN(q)
0.05
0 0
-0.05
-0.5
-0.1
-1
0 2 4 6 8 10 0 2 4 6 8 10
CONTROL ERROR
5 0.3
0.2
VOLTAJE DE CONTROL
ERROR EN POSICION
0.1
0 0
-0.1
-0.2
-5
0 2 4 6 8 10 0 2 4 6 8 10

70 Experimentos
A.2. Resultados de los Experimento Realizados en un

Robot de un GDL
En esta sección se presentan los resultados obtenidos para la ley de control difuso adap-
table, para los casos de 2 reglas, 4 reglas, 10 reglas y 20 reglas.
A continuación se puede observar que en las gráficas de la estimación del término no lineal
tiene un sobreimpulso más grande en comparación al caso del servomecanismo, el cual va
disminuyendo conforme aumenta el número de reglas. Observe que para el caso 20 reglas no
existe el sobreimpulso teniendo una estimación del término no lineal con un menor error en
comparación con la ley de control con compensación exacta. Cabe mencionar que este sobre
impulso es debido a que no existe una excitación persistente en la entrada y a dinámicas no
modeladas del sistema.
A.2 Resultados de los Experimento Realizados en un Robot de un GDL 71

2
0.15 CASO 2 REGLAS
POSICION ANGULAR
1
0.1
0.05
G(q)
0
0
-0.05
-1
-0.1
-2
0 2 4 6 8 10 0 2 4 6 8 10
CONTROL ERROR
5 0.3
0.2
VOLTAJE DE CONTROL
ERROR EN POSICION
0.1
0 0
-0.1
-0.2 COMPENSACION EXACTA

CASO 2 REGLAS
COMPENSACION EXACTA
CASO 2 REGLAS
-5
0 2 4 6 8 10 0 2 4 6 8 10
Figura A.5: Controlador Adaptable Difuso con 2 Reglas (Robot de un GDL).

72 Experimentos

2
0.15 CASO 4 REGLAS
POSICION ANGULAR
1
0.1
0.05
G(q)
0
0
-0.05
-1
-0.1
-2
0 2 4 6 8 10 0 2 4 6 8 10
CONTROL ERROR
5 0.3
0.2
VOLTAJE DE CONTROL
ERROR EN POSICION
0.1
0 0
-0.1
-0.2
-5
0 2 4 6 8 10 0 2 4 6 8 10

A.2 Resultados de los Experimento Realizados en un Robot de un GDL 73

2
0.15 CASO 10 REGLAS
POSICION ANGULAR
1
0.1
0.05
G(q)
0
0
-0.05
-1
-0.1
-2
0 2 4 6 8 10 0 2 4 6 8 10
CONTROL ERROR
5 0.3
0.2
VOLTAJE DE CONTROL
ERROR EN POSICION
0.1
0 0
-0.1
-0.2
-5
0 2 4 6 8 10 0 2 4 6 8 10

74 Experimentos

2
0.15 CASO 20 REGLAS
POSICION ANGULAR
1
0.1
0.05
G(q)
0
0
-0.05
-1
-0.1
-2
0 2 4 6 8 10 0 2 4 6 8 10
CONTROL ERROR
5 0.3
0.2
VOLTAJE DE CONTROL
ERROR EN POSICION
0.1
0 0
-0.1
-0.2
-5
0 2 4 6 8 10 0 2 4 6 8 10

Apéndice B
Fundamentos Matemáticos
B.1. Propiedades de los Conjuntos Difusos

Sea Ã y B̃ dos conjuntos difusos, definidos sobre X y Y respectivamente, y sea R̃ una
relación difusa definida sobre X × Y .
El soporte de un conjunto difuso Ã es el conjunto crisp que contiene todos los elementos
de Ã con grado de pertenencia no cero. Es denotado por S(Ã) y formalmente definido como
Definición 3 El soporte de un conjunto difuso Ã está definido por
S(Ã) = {x ∈ X|µÃ (x) > 0}.
Cuando se trata o se habla de los conjuntos difusos convexos como en el caso de la

teoría de control difuso, el soporte de un conjunto difuso es un intervalo. Por lo tanto, en la
teoría de control difuso se usa el término de anchura de un conjunto difuso adicionalmente
al término de soporte.
Definición 4 La anchura del conjunto difuso convex1o Ã con el conjunto soporte S(Ã) está
definida por
anchura(Ã) = sup(S(Ã)) − inf(S(Ã)).
76 Fundamentos Matemáticos
El soporte de un conjunto difuso es estrechamente relacionado con el núcleo de un con-

junto difuso. El núcleo de conjunto difuso Ã es el conjunto crisp que continene todos los
valores con grado de pertenencia 1. Formalmente
Definición 5 El núcleo de de un conjunto difuso Ã está definido por
N úcleo(Ã) = {x ∈ X|µÃ (x) = 1}.
Si hay sólo un punto con grado de membresía igual a 1, entonces este punto se llama el
valor máximo de Ã.
La Altura es el grado de pertenencia más grande de los elementos del conjunto formal-
mente:.
Definición 6 La altura de un conjunto difuso Ã en X, denotado por hgt(Ã), está definida

como
hgt(Ã) = supµÃ (x).
x∈X
Un conjunto difuso Ã es llamado normal, si hgt(Ã) = 1, y subnormal si hgt(Ã) < 1.

En la teoría de control difuso, es usual sólo tratar con los conjuntos difusos convexos.
Un conjunto difuso se llama convexo si su función de pertenencia no contiene inmersión.
Esto significa que la función de pertenencia pueden tener las siguientes formas: crecientes,
decrecientes, forma de campana, etc.
Un α − corte de un conjunto Ã es el conjunto crisp Sα tal que:
Sα (Ã) = {x ∈ X : µÃ (x) ≥ α} . (B.1)
Definición 7 Un conjunto difuso Ã es convexo si y solamente si
∀x, y ∈ X∀λ ∈ [0, 1] : µÃ (λ · x + (1 − λ) · y) ≥ mı́n (µÃ (x) , µÃ (y)) . (B.2)
Es fácil ver que un conjunto difuso Ã es convexo si y sólo si sus α − cortes son convexos
en el sentido matemático clásico [4].
B.2 Operaciones con Conjuntos Difusos 77
B.2. Operaciones con Conjuntos Difusos

Las nociones como la igualdad e inclusión de dos conjuntos difusos se derivan inmediata-
mente de la teoría de conjuntos clásica. Dos conjuntos difusos son iguales si cada elemento
del universo tiene el mismo grado de pertenencia en cada uno de ellos. Un conjunto difuso
Ã es un subconjunto de un conjunto difuso B̃ si los grados de pertenencia de cada elemento
del conjunto Ã son menores que los grados de pertenencia de los elemento en B̃ [8].
Unión de µÃ y µB̃ C̃ = Ã ∪ B̃
µc̃ (x) = máx{µÃ (x), µB̃ (x)}.
Intersección de µÃ y µB̃ C̃ = Ã ∩ B̃
µc̃ (x) = mı́n{µÃ (x), µB̃ (x)}.
Complemento Relativo de µÃ y µB̃ Ẽ = Ã − B̃
µẼ (x) = máx{0, µÃ (x) − µB̃ (x)}.
Complemento de µÃ Ã = X − Ã
µÃ = máx{0, 1 − µÃ (x)}.
Suma Acotada de µÃ y µB̃ C̃ = Ã ⊕ B̃
µc̃ (x) = mı́n{1, µÃ (x) + µB̃ (x)}.
Alfa Corte de µÃ (x)

Ãα = {x|µÃ (x) > α, x ∈ X}.
Operadores de Agregación.Generalizan operaciones con conjuntos, para poder aplicar

razonamiento con los conjuntos.
T-norma: generaliza el concepto de intersección. La T-norma min es la más grande de

todas las T-normas.
• Conmutativa:
T (a, b) = T (b, a).
• Asociativa:
T (a, T (b, c)) = T (T (a, b), c).
• Monotonía:
T (a, b) ≥ T (c, d), si a ≥ c y b ≥ d.
• 1-Identidad:
T (a, 1) = a.
T-conorma: generaliza el concepto de unión. La T-conorma max es la más pequeña de

todas las T-conormas.
• Conmutatividad:
S(a, b) = S(b, a).
• Asociativividad:
S(a, S(b, c)) = S(S(a, b), c).
• Monotocidad:
S(a, b) ≥ S(c, d), si a ≥ c y b ≥ d.
• 0-Identidad:
S(a, 0) = a.
B.3 Relaciones Difusas 79
B.3. Relaciones Difusas
B.3.1. Relaciones Clásicas

Una relación puede ser considerada como un conjunto de tuplas, donde una tupla es un
par ordenado, una tupla binaria se denota como (x, y), un ejemplo de una tupla ternaria es
(x, y, z) y el ejemplo de una tupla del n-esima es (x1 , ..., xn ).
Es claro que el producto cartesiano es una relación binaria, y que la potencia de un
conjunto, es una relación n-ésima
Los conjuntos clásicos y las relaciones clásicas por una función característica supongase
que R es una relación n-esima definida sobre X1 × · · · × Xn entonces:
Definición 8 Sea R una relación definida sobre U × U entonces esta relación es llamada
Reflexiva si para toda u ∈ U , se tiene que (u, u) ∈ R.
Antireflexiva si para toda u ∈ U, se tiene que (u, u) ∈

/ R.
Simétrica si para toda u, v ∈ U, si (u, v) ∈ R,entonces también (v, u) ∈ R.
Antisimétrica si para toda u, v ∈ U , si (u, v) y (v, u) están en R,entonces u = v.
Transitiva si para toda u, v, w ∈ U, si (u, v) y (v, w) están en R,entonces tambien

(u, w) está en R.
Definición 9 µR̃ :X1 × · · · × Xn → [0, 1] es una función característica del conjunto Ã si para
todo x1 , · · · , xn , ½
1 (x1 , · · · , xn ) ∈ R
µR̃ (x1 , · · · , xn ) =
0 (x1 , · · · , xn ) ∈
/R
en una relación difusa esta función característica es extendida al intervalo [0, 1] .
Otras propiedades importantes concernientes a las relaciones binarias son:
R es una relación de equivalencia, si R es reflexiva, simétrica y transitiva.

R es una relación de orden parcial, si R es reflexiva, antisimétrica y transitiva.
R es una relación de orden total, si R es una relación de orden parcial y además para
cada (u,v) se sostiene que (u,v) o (v,u) están en R.
B.3.2. Relaciones difusas

Una relación difusa es un conjunto difuso de tuplas, esto es, cada dupla tiene un grado
de pertenencia entre 0 y 1 esta definición es
Definición 10 Sea U y V universos no contables (continuos), y µR : U × V → [0, 1] ,

entonces Z
R̃ = µR̃ (u, v)/(u, v)
U ×V
es una relacion difusa binaria sobre U × V .

Si U y V son universos contables (discretos), entonces
X
R̃ = µR̃ (u, v)/(u, v).
U ×V
B.3.3. Operaciones sobre Relaciones Difusas

Las relaciones difusas son muy importantes en el control difuso porque ellas pueden
describir las interacciones entre las variables. Esto es particularmente interesante en reglas
si-entonces. Se describirá cómo tal una relación puede describirse por una relación difusa, y
cómo esto normalmente se hace en el control difuso [4].
Dos operaciones muy importante en los conjuntos difusos y la relación difusa es la proyec-
ción y la extensión cilíndrica. La operación de la proyección devuelve una relación ternaria a
una relación binaria, o una relación binaria a un conjunto difuso, o un conjunto difuso a un
solo valor crisp. La definición entera de proyección es bastante complicada, por lo cual, se
presentas por causa de la integridad. Sea R una relación sobre (i1 ,···, ik ) una subsecuencia de
k
(1···n), y sea (j1 ···jl ) , la subsecuencia complementaria de (1···n) y V = Xm=1 Vim se tiene
B.3 Relaciones Difusas 81
Definición 11 La proyección de R̃ sobre V es definida por

Z
proj R̃ sobre V = sup µR (x1 , · · · , xn )/(xi1 , · · · , xik ).
xj1 ...xjl
V
En el caso binario esto es más simple (sea R̃ definido sobre X × Y ):

Z
proj R̃ sobre Y = sup µR̃ (x, y)/y.
x
Y
La extensión cilíndrica es lo contrario de la proyección. Extiende los conjuntos difusos a

las relaciones binarias difusas, las relaciones binarias difusas a las relaciones ternarias difusas,
etc.
Definición 12 La extensión cilindrica de Ã dentro de U

Z
ce(Ã) = µÃ (xi1 , · · · , xik )/(x1 , · · · , xn ).
U
En el caso binario (sea Ã un conjunto difuso definido sobre Y ), la extensión cilindrical de

Ã sobre X × Y es el conjunto de todas las tuplas (x, y) ∈ X × Y con grado de pertenencia
igual a µÃ (y), esto es, Z
ce(Ã) = µÃ (y)/(x, y).
X×Y
La combinación de conjuntos difusos y relaciones difusas con la ayuda de extensión cilín-
drica y proyección se llama la composición. Se denota por ◦.
Definición 13 Sea Ã un conjunto difuso definido sobre X y R̃ una relación difusa definida
sobre X × Y, entonces la composición resultante de Ã y R̃ en un conjunto difuso B̃ definido
sobre Y esta dada por
³ ³ ´ ´
B̃ = Ã ◦ R̃ = proj ce Ã ∩ R sobre Y
o si la intersección es llevada a cabo con la operación minimo y la proyección con máximo,
µB̃ (y) = máx mı́n (µÃ (x) , µR̃ (x, y)) .

x
Esta es llamada composición max−min . Si la intersección es llevada a cabo con la operación

producto y la proyección con máximo, tenemos
µB̃ (y) = máxµÃ (x) · µR̃ (x, y) .

x
esta es llamada composición max − producto o max − punto.
B.4. Criterio de estabilidad Routh-Hurwitz

El criterio de estabilidad de Routh, [22], permite determinar la estabilidad asintótica de
la ecuación característica de un sistema sin tener que encontrar primero los valores propios
de éste. La prueba, que consta de dos condiciones, se aplica como sigue:
1.- Ponga la ecuación caracteristica de interés en la forma polinomial:
ao sn + a1 sn−1 + · · · + an−1 s + an = 0; ao > 0. (B.3)
2.- La condición necesaria para la estabilidad es
ai > 0; i = 0, 1, 2, · · · , n. (B.4)
Esta es soló una condición necesaria. Si se viola, el sistema es inestable. Si se satisface,

el sistema puede o no ser asintóticamente estable.
Por lo cual Hurwitz establece la tercera condición suficiente para determinar si el sistema
es estable asintóticamente.
3.- La condición suficiente para la estabilidad asintótica (esto es, para sistemas que sa-
tisfacen la condición necesaria) es que si todos los valores numéricos de la primera
B.4 Criterio de estabilidad Routh-Hurwitz 83
columna del arreglo siguiente:
sn ao a2 a4 a6 · · · (B.5)
sn−1 a1 a3 a5 a7 · · ·
sn−2 b1 b2 b3 · · ·
sn−3 c1 c2 c3 · · ·
sn−4 d1 d2 d3 · · ·
.. ..
. .
s2 e1 e2
s f1
s0 g1
son positivos, esto es,
ao > 0, a1 > 0, b1 > 0, c1 > 0, etc. (B.6)
el sistema es asintóticamente estable.

Los coeficientes b1 , b2 , b3 , etc., se evalúan como sigue:
a1 a2 − ao a3
b1 =
a1
a1 a4 − ao a5
b2 =
a1
a1 a6 − ao a7
b2 =
a1
..
.
La evaluación continua hasta que todas las restantes sean cero. En las dos filas previas se
sigue el mismo procedimiento de multiplicación cruzada de los coeficientes para la evaluación
de las c, d, e, etc. Es decir,

b1 a3 − a1 b2
c1 =
b1
b1 a5 − a1 b3
c2 =
b1
a1 a7 − a1 a4
c3 =
b1
..
.
c1 b3 − b1 c2
d1 =
c1
c1 b3 − b1 c3
d2 =
c1
..
.
De otra forma,
(i) El sistema no es asintóticamente estable, y

(ii) El número de cambios de signo en la primera columna es igual al número de
raíces en la mitad derecha del plano complejo (esto es, las raíces inestables).
Esta segunda conlusión vale asimismo para los sistemas que no cumplen con la
condición necesaria.
B.5. Estabilidad de Lyapunov

Un punto de equilibrio se dice estable si todas las soluciones que inicien en las cercanías
del punto de equilibrio permanecen en las cercanías del punto de equilibrio. Un punto de
equilibrio se dice asintóticamente estable si todas las soluciones que inicien en las cercanías
del punto de equilibrio no solo permanecen en las cercanías del punto de equilibrio, si no
además tienden hacia el equilibrio a medida de que el tiempo se aproxima al infinito.
Definición 14 Considérese el sistema no lineal en Rn
ẋ = f (x) (B.7)
B.5 Estabilidad de Lyapunov 85
Donde f (x) es un vector sobre el campo Rn . Supongamos que x̄ es un punto de equilibrio

de (B.7), es decir f (x̄) = 0. Ahora se estudiará la estabilidad de x̄. Por conveniencia, asu-
mimos que x̄ = 0, esta es llamda solución nula. (Esto no hace perder generalidad ya que si
el punto de equilibrio no estuviera en el origen a través de un cambio de variable podríamos
llevarlo a él).
Definición 15 El punto de equilibrio de (B.7) es
Estable si, para cada ε > 0, existe δ = δ(ε) > 0 tal que
kx(0)k < δ ⇒ kx(t)k < ε, ∀t ≥ 0. (B.8)
Inestable si no es estable.
Asintoticamente estable si es estable y δ puede elegirse tal que
kx(0)k < δ ⇒ lı́m x(t) = 0. (B.9)

t→∞
Las nociones anteriores de estabilidad son locales, es decir, solo son para condiciones ini-
ciales “suficientemente” cerca del punto de equilibrio pero pueden fallar para más condiciones
de iniciales más lejos del punto de equilibrio. La estabilidad, estabilidad asintoticamente se
dice que es el global si las se cumple (B.8), (B.9) para condiciones iniciales arbitrarias.
B.5.1. Formas Cuadráticas y Funciones de Lyapunov

Definición 16 Dada una matriz simetrica P = (pij ) la función escalar
X
n
V (x) = xT P x = pij xi xj (B.10)
i,j=1
se dice que es una forma cuadratica. V (x), equivalentemente la forma cuadrática, es definida
positiva si y solamente si
V (x) > 0 ∀x 6= 0. (B.11)
Note que V (0) = 0. V (x) sera definida positiva si y solamente si la matriz P es definida
positiva, esto es, que todo los valores sean definidos positivos.
Figura B.1: Ilustración de la definición de estabilidad.
El nivel de superficie de V , muestra una solución de V (x) = constante son elipsoides en

Rn . Una forma cuadrática definida positiva es llamada norma. Dada la norma kxk en Rn , la
función V es dada como
V (x) = xT x = kxk2 (B.12)
es una forma cuadrática definida positiva.
Definición 17 (Función Candidata de Lyapunov): Sea V (x) → Rn → R es una fun-

ción continua con primeras derivadas parciales en un vecindario del origen en Rn . Suponien-
do adicionalmente que V es definida positiva, esto es, V (0) = 0 y V > 0 para x 6= 0. Entonces
V es llamada una Función Candidata de Lyapunov (para el sistema B.7).
La función definida porsitiva V es tambien llamada una norma. La mayoria de las veces
se utilizan funciones candiadatas de Lyapunov que tienen la forma cuadrática, pero el poder
de teoría de estabilidad de Lyapunov viene del hecho que cualquier función puede usarse
en un esfuerzo pora demostrar estabilidad de un sistema dado con tal de que esta función
candidata de Lyapunov este acorde según la definición anterior.
B.5 Estabilidad de Lyapunov 87
Por la derivada de V a lo largo de las trayectoria de (B.7), o la derivada de V en dirección

del campo de vector definido B.7, esta dada por
∂V ∂V
V̇ (x) = hdV, f i = f1 (x) + · · · + fn (x). (B.13)
∂x1 ∂xn
B.5.2. Estabilidad de Lyapunov

Teorema 1 La solución nula de (B.7) es estable si existe una función candidata de Lyapunov
V tal que V̇ es negativa semi-definida a lo largo de la trayectoria de solución de (B.7), esto
es, si
V̇ = hdV, f (x)i = dV T f (x) ≤ 0. (B.14)
La ecuación (B.14) muestra que la derivada de V computada a lo largo de la solución

de (B.7) es no-positiva, esto dice que V es no-creciente a lo largo de la solución. Ya que V
es una medida de que tan lejos esta la solución del origen, (B.14) dice que la solución debe
permanecer cercana al origen. Si la función candidata de Lyapunov V puede encontrarse, tal
que, satisfaga (B.14) entonces V es llamada función de Lyapunov para el sistema (B.7) Note
que el teorema anterior muestra una condición suficiente para estabilidad del sistema (B.7).
Teorema 2 La solución nula de (B.7)es asintoticamente estable si existe una función can-
didata de Lyapunov V tal que V̇ es estrictamente definida negativa a lo largo de la solución
de (B.7), esto es,
V̇ (x) < 0. (B.15)
La estricta desigualdad de (B.15) muestra que V es actualmente decreciente a lo largo

de las trayectoria de solución (B.7) y de que las trayectorias tienen que converger al punto
de equilibrio.
Corolario 3 Sea V una función cadidata de Lyapunov y sea S algún superficie de nivel de
V, esto es,
S (c0 ) = {x ∈ Rn |V (x) = c0 } (B.16)
para alguna c0 > 0 Entonces una solución x(t) de (B.7) es uniformemente finalmente acotada
con respecto a S si
V̇ = hdV, f (x)i < 0 (B.17)
para x fuera de S.
B.5.3. Estabilidad de Lyapunov para Sistemas Lineales.

Considere el sistema lineal
ẋ = Ax (B.18)
y el sea
V (x) = xT P x
una función candidata de Lyapunov, donde P es simetrica y definida positiva Calculando

V̇ a lo largo de la solución de B.18 obtenemos
V̇ = ẋT P x + xT P ẋ
= xT (AT P + P A)x
= −xT Qx
donde definimos Q como
AT P + P A = −Q. (B.19)
El teorema (2) dice que si Q dado por (B.19) es definida positiva (esto es automaticamente
puesto que P es simétrica) entonces el sistema lineal (B.18) es estable. Una aproximación que
nosotros podemos hacer primero es fijar Q simétrica, definida positiva y resolver (B.18), que
es llamada la ecuación matriz Lyapunov, para P. Si puede encontrarse para esta ecuación P
una solución simétrica definida positiva, entonces (B.18) es estable y xT P x es una función
de Lyapunov para el sistema (B.18).
B.6 Estabilidad Uniforme, Finalmente Acotada 89
Teorema 4 Dada una matriz A n × n entonces todos los eigenvalores de A tienen parte real
negativa si y solo si para cada matriz Q simétrica definida positiva, la ecuación de Lyapunov
(B.19) tiene una unica solución P definida positiva.
Asi,se reduce la determinación de estabilidad de sistemas lineales a la solución de un
sistema de ecuación lineal,es decir, (B.19), el cuál es ciertamente fácil que encontrar todas
las raíces del polinomio caracteristico y, para un sistema largo, es mas eficiente que, ver la
prueba de Routh.
La estricta desigualdad en (B.11) puede ser dificil dado un sistema obtener una función
candidata de Lyapunov. Nosotros discutiremos el teorema de LaSalle‘s que puede usarse para
demostrar la estabilidad asintótica incluso cuando V̇ es sólo semi-definida negativa
B.5.4. Teorema de La Salle

Teorema 5 Dado el sistema (B.7) suponga que encontramos una función candidata de Lya-
punov V tal que, a lo largo de la taryectoria la solución
V̇ ≤ 0 (B.20)
entonces (B.7) es asintoticamente estable si V̇ no desaparece idénticamente a lo largo de

cualquier solución de (B.7) otra es que la solución nula, estos es, (B.7) es asintóticamente
estable si la única solución de (B.7) que satisface
V̇ ≡ 0 (B.21)
es la solución nula.
B.6. Estabilidad Uniforme, Finalmente Acotada

Definición 18 [17, 11] Un punto de equilibrio xe se dice que es uniformemente, finalmente
acotado (Uniform ultimate boundedness UUB) si existe un conjunto compacto S ⊂ <n que
para todo xo ∈ S se tiene una cota B y un tiempo T (B, xo ) tal que:
kx(t) − xe k ≤ B ∀t ≥ to + T
La figura (B.2) ilustra la definición anterior, la idea de UUB es que para todos los estados
iniciales en el conjunto compacto S, las trayectorias del sistema eventualmente alcanzan
después de un lapso de tiempo T , una vecindad acotada de xe . El término uniformemente
(uniform) indica que T no depende del tiempo inicial to y el término finalmente (ultimate)
indica que la propiedad de acotamiento se mantiene después del tiempo T .
Figura B.2: Uniforme, Finalmente Acotado
El siguiente teorema muestra las condiciones necesarias para establecer que un sistema
de la forma:
·
x = f (x, t) + d(t) (B.22)
con d(t) término lineal desconocido totalmente, es uniformemente, finalmente acotado (UUB)
si la derivada de la funcion de Lyapunov es negativa fuera de una región acotada de <n .
Teorema 6 [17] Si para el sistema (B.22), existe una función L(x, t) con derivadas parciales
conti nuas tal que para toda x perteneciente a un conjunto compacto S ⊂ <n , L(x, t) es
·
definida positiva, L(x, t) > 0 y L(x, t) < 0 con kxk > B, para algún B > 0, donde la esfera
de radio B está contenida en S, entonces el sistema es UUB y la norma del estado x esta
acotada dentro de la vecindad de B.
·
Para este resultado L(x, t) debe ser estrictamente menor que cero fuera de la esfera de
·
radio B, si solamente tenemos que L(x, t) ≤ 0 para kxk > B no es posible concluir nada
acerca de la estabilidad del sistema.
B.6 Estabilidad Uniforme, Finalmente Acotada 91
Para los sistemas que satisfacen este teorema, pueden existir algunas perturbaciones que
fuercen al estado fuera del equilibrio, sin embargo, si el estado llega a alejarse demasiado,
la dinámica del sistema regresa el estado al equilibrio, debido a estos dos efectos que se
balancean cuando kxk ≈ B las trayectorias del sistema tienden a permanecer en una vecindad
de kxk = B en un tiempo finito [1, 3], por lo tanto, la norma del estado está acotada por B.
Bibliografía
[1] Corless, Martin & George Leitmann “Continuous State Feedback Guaranteeing Uni-
form Ultimate Boundedness for Uncertain Dynamic Systems”, IEEE Transactions on
Automatic Control, vol. AC-26, no. 5, pp. 1139-1144, 1981.
[2] Commuri S. & Lewis F. L. “Adaptive-Fuzzy Logic Control of Robot Manipulators”, IEEE
International Conference on Robotics and Automation, pp. 2604-2609, Minneapolis
Minesota Abril 1996.
[3] Chen, Y. & G. Leitmann, “Robstness of Uncertain Systems in the Absence of Matching
Assumptions”, Int. J. Control, vol. 45, no. 5, pp. 1527-1542, 1987.
[4] Driankov D. & Hellendorn H. , “Fuzzy Logic with Unless-Rules”. Report IDA- RKL-92-
TR 50, Laboratory For Representation of Knowledge in Logic, Dept. of Computer and
Information Science, Linkoping University, Sweden , 1992.
[5] Driankov D., Hellendoorn & Reinfrank M., “An Introduction to Fuzzy Control” New
York 1996
[6] Dubois D. & Prade H. , “Gradual Inference Rules in Approximate Reasoning”. Infor-
mation Sciences, 61, pp. 103-122, 1992.
[7] Jang, S., “ANFIS: Adaptive-Network-based Fuzzy Inference Systems”, IEEE Transac-
tions on Systems and Cybernetics, Vol. 23, No. 3, pp. 665-685, Mayo 1993.
[8] Kaufman A., “Introduction to the: Theory of fuzzy Subsets Vol. I Paris 1973
94 BIBLIOGRAFÍA
[9] Kelly, R. “Global Positioning on Robot Manipulators via PD control plus a class of
Nonlinear Integral Actions”, IEEE Trans. Automat. Contr., vol 43, no. 7, pp. 934-938,
1998.
[10] Kelly, R. “Comments on Adaptive PD controller for Robot Manipulator”, IEEE Trans.
Robotics and Automation, vol. 9, no. 1, pp. 117-119, Febrero 1993.
[11] Kim, Young H. & Frank L. Lewis, “Neural Network Output Feedback Control of Robot
Manipulators”, IEEE Trans. on Robotics and Automation, vol. 15, no. 2, pp. 301-309,
Abril 1999.
[12] Klir J. George & Folger Tina A., “Fuzzy Sets Uncertainty and Information” ,New York
1992.
[13] Klir J. George & Bo Yuan, “Fuzzy Sets and Fuzzy Logic: Theory and Applications” ,New
Jersey 1932.
[14] Kosko Bart, “Fuzzy Engineering” Prentice Hall, New Yerser 1997.
[15] Kosko Bart, “Fuzzy Systems as Universal Approximators”, IEEE Transactions on Com-
puters, Vol. 43, No.11, , pp. 1329-1333, Noviembre 1994
[16] Kovacic Zdenko, Balenovic M & Bogdan Stjepan, “Sensitivity-Based Self-Learning

Fuzzy Logic Control for a Servo System”, IEEE International Symposium on Intelli-
gent control pp. 41-51, Julio 1997.
[17] Lewis, F. L., S. Jagannathan & A. Yesildirek, “Neural Network Control of Robot Ma-
nipulators and Nonlinear Systems”, Taylor & Francis, Philadelphia 1999.
[18] Pedrycz W., “Fuzzy Control and Fuzzy Systems”, John Wiley & Sons, 1993.
[19] Passino M. Kevin & Yurkovich Stephen, “Fuzzy Control”, Addison-Wesley, Estados
Unidos 1998.
BIBLIOGRAFÍA 95
[20] Palm Rainer, Driankov D. & Hellendoorn Hans, “Model Based Fuzzy Control”, Springer,
Germany, 1997.
[21] Pan Lei & Woo Peng-Yung, “PD Manipulator Controller witch Fuzzy Adaptive Gravity
Compensation”,
[22] Routh E. J.,“Dynamics of a System of Rigid Bodies”, 3a ed., Macmillan, Nueva York,
1977.
[23] Santibáñez, V. & R. Kelly, “Strict Lyapunov Functions for Control of Robot Manipula-
tors”, Automatica, vol. 33, no. 4, pp. 675-682, 1997.
[24] Spong, M. & Vidyasagar M. , “Robot Dynamics and Control”, Wiley, New York 1989.
[25] Sugeno, M., “Industrial applications of fuzzy control”, Elsevier Science, 1985.
[26] “The Math Works Inc.”, Using matlab-Natic, MA: The math Works, 1997. Versión 5.1.
[27] Tomei, P., “Adaptive PD Controller for Robot Manipulator”, IEEE Transactions on
Automatic Control, Vol. 7, No. 4 pp. 565-570, 1991.
[28] Wang Li-Xin, “Stable Adaptive Fuzzy Control Of Nonlinear Systems” IEEE Transactions
on Fuzzy Systems Vol. 1, No.2, , pp. 146-155, Mayo 1993
[29] Wen, J. T., K. K. Delgado & D. S. Bayard, “Lyapunov Function-Based Control Laws
for Revolute Robot Arms: Tracking Control, Robustness, and Adaptive Control”, IEEE
Trans. on Automatic Control, vol. 37, no. 2, pp. 231-237, Febrero 1992.
[30] Yager R.. “Approximate Reasoning as a Basis for Rule-Based Expert Systems”. IEEE
Trans. on Systems, Man and Cybernetics, 14(4), pp. 636-643, 1984.
[31] Zadeh & L. A. “Fuzzy Sets:Information and Control”, Vol. 8. 1965

Tesis Dora

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Tesis Dora

Enviado por

Direitos autorais:

Formatos disponíveis

CENTRO de INVESTIGACIÓN

Control Difuso Adaptable de un Servomecanismo

Tesis que Presenta el:

para obtener el grado de Maestro en Ciencias en la

Dr. Rubén Garrido Moctezuma

México, D.F. Noviembre de 2003

2. Lógica Difusa (LD), Control Difuso y Aproximación de funciones 5

3. Control de un Servomecanismo de Segundo Orden 31

3.2. Planteamiento del Problema . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

B.4. Criterio de estabilidad Routh-Hurwitz . . . . . . . . . . . . . . . . . . . . . 82

2.1. Funciones de Pertenencia más comunes. . . . . . . . . . . . . . . . . . . . . . 8

4.1. Plataforma del Servomecanismo. . . . . . . . . . . . . . . . . . . . . . . . . . 48

A.1. Controlador Adaptable Difuso con 2 Reglas (Servomecanismo). . . . . . . . . 66

B.1. Ilustración de la definición de estabilidad. . . . . . . . . . . . . . . . . . . . . 86

2.1. Implicaciones Difusas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

4.1. Resultados en el Servomecanismo. . . . . . . . . . . . . . . . . . . . . . . . . 53

La necesidad cada vez más apremiante de aumentar la productividad y conseguir pro-

Los sistemas convencionales de control, son diseñados tradicionalmente usando modelos

La LD es una teoría que se ha implantado en el campo científico-técnico, y que en defini-

1.2. Objetivo de la tesis

El desempeño del controlador propuesto será mostrado a nivel experimental estudiando

1.3. Organización de la tesis

Lógica Difusa (LD), Control Difuso y

Se considera que el concepto de lógica difusa fue propuesto en 1965, en la Universidad

Mientras la motivación original fue ayudar a controlar la imprecisión en el mundo, los

En este capítulo se introducen algunos de los fundamentos básicos la lógica difusa ,

2.2. Teoría de Conjuntos difusos

Definición 1 µA : X → [0, 1] es una función característica del conjunto A si y solo si para

La función característica de un conjunto difuso asigna un valor entre 0 y 1 a cada uno de

El rango normalmente usado de valores de funciones de pertenencia es el intervalo [0, 1].

Definición 2 La función de pertenencia µÃ de un conjunto difuso Ã es una función

µÃ : U → [0, 1].

Ã = {(x, µÃ (x)) |x ∈ U } . (2.1)

La notación comúnmente empleada en la literatura para denotar las funciones de perte-

Figura 2.1: Funciones de Pertenencia más comunes.

2.2.1. Razonamiento Aproximado

Figura 2.2: Función de pertenencia para una función seno.

2.2.2. Variables Lingüísticas

En el razonamiento aproximado es usual tener la siguiente estructura asociada con la

X denota la variable lingüística, por ejemplo, la edad, temperatura, altura, etc.,

La función semántica MX que proporciona una interpretación del valor lingüistico en

Podemos presentar en forma más compacta la variable lingüística X como:

Nota 2 Si un mismo elemento tiene dos grados de pertenencia, se utilizará la T-conorma

Figura 2.3: Representación de las valores lingüísticos de la función seno.

2.2.3. Proposiciones Difusas

La información puede venir dada en forma de sentencias o proposiciones atómicas de la

Con base en la notación de proposiciones difusas atómicas y conectores lingüístico tales

y el significado de esas proposiciones difusas complejas es proporcionado por la interpretación

Conjunción Sea p y q dos proposiciones difusas atómicas: p:“ X es A” y q:“ X es B” donde

la conjunción (∩) es definida como sigue

El significado de la conclusión “X es A ∩ B” es proporcionado por µÃ∩B̃ la cual es

Disyunción La disyunción (∪) está dada por

el significado de la conclusión “X es A ∪ B” es proporcionado por µÃ∪B̃ la cual es

Negación La negación “X no es A” de una proposición difusa”, que es dada por “X es A”,

donde A0 es el complemento de A, la negación puede ser definida por cualquier norma

2.2.4. Reglas de Inferencia o Razonamiento

SI < antecedente o condición > ENTONCES < consecuente o conclusión >

2.- Consecuente, parte que viene despues del ENT ONCES

3.- Condicionante ENT ONCES se interpreta a partir de la relación difusa

A todo este proceso se le denomina inferencia.

Implicación µR̃ (x,y)

Tabla 2.1: Implicaciones Difusas.

Para el presente trabajo sólo se utilizará la implicación producto.