Escolar Documentos
Profissional Documentos
Cultura Documentos
y de ESTUDIOS AVANZADOS
del IPN
DEPARTAMENTO DE CONTROL
AUTOMÁTICO
Directores de la tesis
1. Introducción 1
1.1. Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2. Objetivo de la tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3. Organización de la tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
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
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.
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.
2.1. Introducción
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.
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.
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
Así, cada elemento x de U tiene un grado pertenencia µÃ (x) ∈ [0, 1]. à está completamente
determinada por el conjunto de duplas
Según la notación, el símbolo del conjunto difuso (Ã) es distinguido por su función de
pertenencia µÃ [12].
8 Lógica Difusa (LD), Control Difuso y Aproximación de funciones
Así, cada elemento x ∈ U tiene un grado de pertenencia µÃ (x) ∈ [0, 1]. à 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)
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.
~
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)
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] .
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
DATOS DE ENTRADA "x" (RADIANES)
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.
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].
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.
Simbólico Significado
X es A, µÃ
X es B, µB̃
∴ X es A ∩ B, ∴ µÃ∩B̃
Simbólico Significado
X es A, µÃ
X es B, , µB̃
∴ X es A ∪ B, ∴ µÃ∪B̃
SI x es à 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
à = 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.
con µR̃ (x, y) = µÃ (x) ∗ µB̃ (y) donde ∗ es un operador de implicación difusa.
Implicaciones difusas
Existen varias implicaciones difusas, en la tabla (2.1) se presenta las más utilizadas:
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-
18 Lógica Difusa (LD), Control Difuso y Aproximación de funciones
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
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”.
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 à y un valor crisp y = (y1 , y2 , · · · , yn , · · · , yN )T ,
20 Lógica Difusa (LD), Control Difuso y Aproximación de funciones
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
m=1
y=
P
M µ m (y )
à n
n
δn
m=1
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
En este trabajo se utilizará el controlador tipo Takagi-Sugeno con función lineal constante
como consecuencia de sus reglas.
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.
donde:
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.
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
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:
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 ).
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
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:
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
DATOS DE ENTRADA "x" (RADIANES)
(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)
26 Lógica Difusa (LD), Control Difuso y Aproximación de funciones
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.
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.
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
28 Lógica Difusa (LD), Control Difuso y Aproximación de funciones
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
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)
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) .
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.
τ = kp e − kd q̇ + θ sin(q) (3.3)
y cuya derivada es
ė = −q̇ (3.5)
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
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)
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.
" #
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.
q̇ = 0 ⇒ V̇ = 0 (3.17)
q̇ = 0 ⇒ q̈ = 0 (3.18)
V̇ ≡ 0 (3.20)
∧
τ = kp e − kd q̇ + d(q). (3.21)
Además, en este caso supóngase que p es diferente de cero pero está acotado.
θ̃ = θ − θ̂ (3.25)
· ·
θ̃ = −θ̂.
Análisis de estabilidad
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
o bién ·
θ̃ = kw (q̇ − αe) sin(q) + κkw |e| θ̂ (3.29)
V̇ = −(f + kd )q̇ 2 + αmq̇ 2 − kp αe2 + (f + kd )αeq̇ + pq̇ − αep + θ̃κ |e| θ̂.
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.
· ¸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
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 Ley de control 41
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
El error en los pesos y su derivada con respecto al tiempo está definido como
w̃ = w − ŵ (3.36)
· ·
w̃ = −ŵ.
|p − ζ| ≤ |P | + |kζ | = k (3.37)
|| ≤ k. (3.38)
Análisis de estabilidad
La derivada de (3.40) es
·
V̇ = mq̇ q̈ + kp eė − αmeq̈ − αmq̇ ė + w̃T w̃kw−1
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.
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)
· ¸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.
3.3 Ley de control 45
2k 2k
Si |q̇| > kd
; |e| > kp
; kw̃k > η,
Resultados Experimentales
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
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.
50 Resultados Experimentales
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).
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
TIEMPO (SEG) TIEMPO (SEG)
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
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
CASO 7 REGLAS CASO 7 REGLAS
-5
0 2 4 6 8 10 0 2 4 6 8 10
TIEMPO (SEG) TIEMPO (SEG)
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).
4.1 Servomecanismo. 53
C a so s tiem p o d e su b id a tiem p o d e b a ja d a
En la figura (4.5)e muestran las funciones de pertencias utilizadas para ambos casos
FUNCION DE PERTENENCIA
0.8
0.6
µ(q)
0.4
0.2
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
.
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
R(6) :SI la entrada es Cercana a 4
(C π4 ) ENTONCES la salida es Cercana a Uno (CU)
3π
R(7) :SI la entrada es Cercana a 8
(C 3π8
) ENTONCES la salida es Cercana a Uno (CU)
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).
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
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
TIEMPO (SEG) TIEMPO (SEG)
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
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
CASO 7 REGLAS CASO 7 REGLAS
-5
0 2 4 6 8 10 0 2 4 6 8 10
TIEMPO (SEG) TIEMPO (SEG)
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.
4.2 Robot de un Grado de Libertad (Robot de un GDL) 59
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
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
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
TIEMPO (SEG) TIEMPO (SEG)
CONTROL ERROR
5 0.3
0.2
VOLTAJE DE CONTROL
ERROR EN POSICION
0.1
0 0
-0.1
Figura 4.9: Comparación entre caso de Control Adaptable Clásico y el Control Adaptable
Difuso (Servomecanismo).
62 Resultados Experimentales
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
TIEMPO (SEG) TIEMPO (SEG)
CONTROL ERROR
5 0.3
0.2
VOLTAJE DE CONTROL
ERROR EN POSICION
0.1
0 0
-0.1
Figura 4.10: Comparación entre caso de Control Adaptable Clásico y el Control Adaptable
Difuso (Robot de un GDL).
Capítulo 5
Conclusiones
Diseñar un programa que proporcione el número de reglas adecuadas para una apli-
cación específica.
Apéndice A
Experimentos
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
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
CASO 2 REGLAS CASO 2 REGLAS
-5
0 2 4 6 8 10 0 2 4 6 8 10
TIEMPO (SEG) TIEMPO (SEG)
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
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
CASO 4 REGLAS CASO 4 REGLAS
-5
0 2 4 6 8 10 0 2 4 6 8 10
TIEMPO (SEG) TIEMPO (SEG)
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
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
CASO 10 REGLAS CASO 20 REGLAS
-5
0 2 4 6 8 10 0 2 4 6 8 10
TIEMPO (SEG) TIEMPO (SEG)
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
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
CASO 20 REGLAS CASO 20 REGLAS
-5
0 2 4 6 8 10 0 2 4 6 8 10
TIEMPO (SEG) TIEMPO (SEG)
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
TIEMPO (SEG) TIEMPO (SEG)
CONTROL ERROR
5 0.3
0.2
VOLTAJE DE CONTROL
ERROR EN POSICION
0.1
0 0
-0.1
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
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
CASO 4 REGLAS CASO 4 REGLAS
-5
0 2 4 6 8 10 0 2 4 6 8 10
TIEMPO (SEG) TIEMPO (SEG)
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
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
CASO 10 REGLAS CASO 10 REGLAS
-5
0 2 4 6 8 10 0 2 4 6 8 10
TIEMPO (SEG) TIEMPO (SEG)
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
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
CASO 20 REGLAS CASO 20 REGLAS
-5
0 2 4 6 8 10 0 2 4 6 8 10
TIEMPO (SEG) TIEMPO (SEG)
Fundamentos Matemáticos
Definición 4 La anchura del conjunto difuso convex1o à con el conjunto soporte S(Ã) está
definida por
anchura(Ã) = sup(S(Ã)) − inf(S(Ã)).
76 Fundamentos Matemáticos
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:.
∀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 à es convexo si y sólo si sus α − cortes son convexos
en el sentido matemático clásico [4].
B.2 Operaciones con Conjuntos Difusos 77
Complemento de µÃ à = X − Ã
• 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.
• 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
Definición 8 Sea R una relación definida sobre U × U entonces esta relación es llamada
Definición 9 µR̃ :X1 × · · · × Xn → [0, 1] es una función característica del conjunto à 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] .
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.
Definición 13 Sea à un conjunto difuso definido sobre X y R̃ una relación difusa definida
sobre X × Y, entonces la composición resultante de à y R̃ en un conjunto difuso B̃ definido
sobre Y esta dada por
³ ³ ´ ´
B̃ = à ◦ R̃ = proj ce à ∩ R sobre Y
ai > 0; i = 0, 1, 2, · · · , n. (B.4)
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
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
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
84 Fundamentos Matemáticos
De otra forma,
ẋ = f (x) (B.7)
B.5 Estabilidad de Lyapunov 85
Estable si, para cada ε > 0, existe δ = δ(ε) > 0 tal que
Inestable si no es estable.
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.
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.
86 Fundamentos Matemáticos
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
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)
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)
88 Fundamentos Matemáticos
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.
y el sea
V (x) = xT P x
V̇ = ẋT P x + xT P ẋ
= xT (AT P + P A)x
= −xT Qx
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
V̇ ≤ 0 (B.20)
V̇ ≡ 0 (B.21)
es la solución nula.
kx(t) − xe k ≤ B ∀t ≥ to + T
90 Fundamentos Matemáticos
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 .
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.
92 Fundamentos Matemáticos
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
[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.