CONTROL DIGITAL Integrantes: Francisco Ortiz

Nancy Velasco Diana Romero Nivel: Octavo Electrnica TEMA: Controlador Difuso, Neuronal y Robusto. OBJETIVO GENERAL

Analizar los controladores difuso, neuronal y robusto.

OBJETIVOS ESPECFICOS

Determinar el modo de funcionamiento de los controladores difuso, neuronal y robusto. Establecer las ventajas del empleo de los controladores. Determinar las aplicaciones de cada controlador.

ABSTRACT Adems de los controladores ms conocidos que van desde el control on off hasta el PID existen otros controladores como controlador difuso, neuronal y robusto, los controladores digitales son pequeas instalaciones inteligentes que se componen de una entrada de un sensor, un indicador digital y una salida de regulacin. Existen controladores digitales para diferentes trabajos de medicin y regulacin. Los controladores digitales se configuran a travs de las teclas del propio controlador. Besides the known drivers ranging from on-off control to other controllers such as PID controller are fuzzy, neural and robust digital controllers are small facilities that consist of intelligent input sensor, digital display and output regulation. There are digital controllers for different measurement and control work. The digital controllers are configured via the keys on the controller. CONTROL DIFUSO Este control utiliza la lgica difusa a travs de conceptos de inteligencia artificial, para convertir una muestra de la seal real a nmeros difusos, para tratarlos luego segn las reglas de inferencia y las bases de datos determinados en las unidades de decisin,

permitiendo as la estabilizacin del sistema son la necesidad de fijar un punto de referencia. Se trata de un control que se basa en la experiencia adquirida para actuar como la hara una persona, es decir en base a reglas empricas. Es un control que se puede utilizar en procesos no lineales que son difciles de modelar. El problema que tiene radica en que el programador no tenga la suficiente experiencia, es decir no conozca a la perfeccin cmo evoluciona la variable a regular. Para este caso se puede programar el control con lgica difusa con la ayuda de una red neuronal, que es un sistema complejo de aprendizaje, es decir, la red neuronal aprendera del sistema lo suficiente como para informar al control difuso cuales son las reglas a usar en cada momento para obtener un buen control. La lgica difusa es considerada como una tcnica para fabricar decisiones. En muchas aplicaciones de control de procesos, el algoritmo resultante est gobernado por un nmero de decisiones claves que estn implcitas en el mismo. Cuando la experiencia o comprensin del problema no es buena o no se tiene, optimizar el algoritmo es muy difcil. Esta es la razn por la cual la lgica difusa es utilizada. Con lgica difusa, podemos dividir el problema dentro de un nmero discreto de posibles decisiones para asociar las funciones de membreca con cada entrada y salida. La exactitud de la salida depende de cmo sean definidas las funciones de memorice y de que reglas sean implementadas. Sistemas basados en el conocimiento o sistemas basados en reglas: Regla si_entonces: describe qu hacer cuando se presenta una determinada situacin Si la velocidad del coche es alta entonces pisar con fuerza baja el acelerador El control difuso representa actualmente una novedosa e importante rama de la tcnica de regulacin. Los procedimientos convencionales no se sustituyen, sino que se complementan de forma considerable en funcin del campo de aplicacin. Los mayores xitos en el campo de las aplicaciones industriales y comerciales de los mtodos difusos los ha logrado hasta la fecha el regulador difuso. Los reguladores difusos son reguladores no-lineales. Por medio de la seleccin adecuada de funciones de pertenencia y del establecimiento de una base de reglas se pueden compensar nolinealidades en el sistema de regulacin de procesos.

Las funciones de pertenencia son modelos matemticos para los trminos lingsticos, como p. Ej. Las funciones de pertenencia triangulares, trapezoidales o gaussianas. Como en el caso de un regulador convencional, en el regulador difuso se transforman variables de entrada en variables de salida, que actan en el proceso o en el sistema de control. Mltiples variables de entrada y salida se pueden enlazar entre s de forma que sistemas complejos se pueden regular fcilmente. Los valores de entrada y salida son valores exactos en forma de seales. El diseo de un regulador difuso contiene la seleccin de variables de entrada/ salida, el establecimiento de funciones de pertenencia y la disposicin de la base de reglas. Pasos del control difuso En un regulador difuso se ejecutan tres pasos de procesamiento:

Fuzzificacin: en donde una entrada real es trasladada a un valor difuso Inferencia o evaluacin de reglas: en donde los valores de verdad de salida difusos son calculados Defuzzificacin: en donde el valor de salida difuso es trasladado a un valor de salida real.

Ventajas del regulador difuso Las regulaciones multivariables se pueden realizar de forma rpida, comprensible y orientada hacia problemas. Esto se aplica sobre todo cuando no hay ningn modelo de sistema controlado o cuando el modelo presenta una estructura no-lineal desfavorable. El comportamiento de un sistema se describe con expresiones lingsticas, por lo que es ms sencillo que una descripcin matemtica. La base de reglas y la definicin de la cantidad difusa se pueden ampliar o adaptar con posterioridad. Las ventajas principales de los controladores con lgica difusa son su habilidad para capturar estrategias cualitativas de control y para implementar comportamiento de control altamente flexible. Con estos podemos lograr que nuestros sistemas puedan ajustarse a condiciones cambiantes que son muchas veces imposibles de

predecir, tales como los cambios ambientales o las condiciones de desgaste en sus componentes fsicos. Lmites del regulador difuso En la tcnica de regulacin convencional se disear en primer lugar un modelo de sistema de regulacin. A continuacin se disear el regulador basado en este modelo. Por el contrario, si se disea un regulador difuso directamente, se basa en las experiencias de los reguladores existentes o las personas. Por este motivo, los fallos en la fase de creacin apenas se pueden corregir con posterioridad. Con la creciente complejidad del sistema crece de forma sobre proporcional el trabajo necesario para el desarrollo de un regulador difuso. Es difcil encontrar el mtodo correcto en la defuzzificacin. El clculo del valor de salida exacto es: complejo, lento y bueno o bien rpido, pero con malos resultados

Ejemplos: control de la velocidad de un mvil control de temperatura descripciones sobre un sistema Ejemplos de sistemas difusos de control comerciales lavadoras hornos microondas cmaras de videos televisores traductores sistemas: ascensores trenes gras automocin (motores, transmisin, frenos...) control de trfico software: diagnstico mdico seguridad

comprensin de datos

Ejemplo1: estabilizador de imgenes digitales (matsuhita) Objetivo: eliminar vibraciones involuntarias Construido con reglas del tipo: Si todos los puntos de la imagen se mueven en la misma direccin Entonces la mano se mueve Si slo algunos puntos se mueven Entonces la mano no se mueve Se compara la imagen actual con otras imgenes en memoria

Ejemplo2

CONTROL NEURONAL Conseguir, disear y construir mquinas capaces de realizar procesos con cierta inteligencia ha sido uno de los principales objetivos y preocupaciones de los cientficos a lo largo de la historia. Sin embargo a pesar de disponer de herramientas y de lenguajes de programacin diseados para el desarrollo de mquinas inteligentes, existe un problema de fondo que limita los resultados: estas mquinas se implementan sobre ordenadores basados en la filosofa de Von Neumann, y se apoyan en una descripcin secuencial del proceso de tratamiento de la informacin. Estn diseados para actuar como lo hace el cerebro humano, conectando la red ente los elementos de la forma ms sencilla para poder ser entrenados y realizar funciones complejas en diversos campos de aplicacin. Hasta la fecha existe un creciente inters en los sistemas de control que incluyen redes neuronales artificiales como elementos de control, por lo que se han implementado un importante nmero de soluciones. Las redes neuronales y el control Lo que se hace en control es modelar, segn los parmetros aprendidos en sistemas dinmicos, los sistemas para luego controlarlos, sin embargo en ese modelamiento se desprecian muchos datos debido a la alinealidad de los mismos, por ejemplo, al modelar un motor se desprecian datos como el desgaste de mquina, esos son valores importantes, pero al tenerlos en cuenta la solucin de un sistema se hara imposible, as que se hace necesario despreciar esos trminos, sin ellos el modelamiento funciona pero en la vida prctica no es tan preciso. Ese problema se soluciona con redes neuronales, si por ejemplo, usted modela un sistema de manera tradicional y luego este sufre variacin alguna los planteamientos iniciales ya no funcionan, con las redes neuronales eso ya no sucede, porque el sistema despus de haber recibido unos patrones inicales comienza a identificar, acepta, aprende y responde ante diferentes seales. Sin importar que estas no sean idnticas a los patrones iniciales. Estrucutras de los neurocontroladores El roll que juega la red neuronal en la funcin objetivo se convierte en una pista para distinguir entre las distintas estructuras de los neurocontroladores. Esta seccin presenta algunos aspectos importantes para el diseo de un neurocontrolador. Se clasifican en: A. Arquitecturas para el modelado de sistemas. B. Neurocontroladores Indirectos. Controlador neuronal basado en modelo completo.

Controlador neuronal basado en modelo paramtrico parcial. Modelo inverso neuronal. Parametrizador de controladores basado en Redes Neuronales Artificiales. Modelado del controlador. Neurocontrolador libre de modelo. Neurocontrolador basado en modelo. Neurocontrol robusto.

C. Neurocontroladores Directos.

Son tres familias de arquitecturas para la aplicacin de las redes neuronales artificiales en sistemas de modelado y control. En primer lugar tenemos las arquitecturas de modelado de sistemas, donde se utiliza una red neuronal para imitar el comportamiento de un elemento fsico real. Con este objetivo se desarrollan cuatro propuestas. En el esquema de neurocontroladores indirectos, la red neuronal no enva seales de control directamente al proceso. En lugar de esto, la red indica algunas caractersticas dinmicas de relevancia en el proceso. Este indicador puede ser un modelo que se comporta de forma similar al proceso bien un parametrizador que ajusta a un controlador produciendo configuraciones apropiadas basadas en el comportamiento de dicho proceso. En el esquema de un neurocontrol directo, una red neuronal es empleada como un controlador de retroalimentacin que enva seales directamente al proceso. Dependiendo del concepto del diseo, los elementos del neurocontrolador directo se categorizan principalmente atendiendo su dependencia al modelo del sistema. Aplicaciones Las aplicaciones exitosas ms relevantes incluyen desde elementos que operan como identificadores hasta aquellos que trabajan como controladores de optimizacin utilizando modelos del proceso. Dependiendo de las caractersticas de cada aplicacin en particular podrn utilizarse diferentes algoritmos.

CONTROL ROBUSTO El primer paso para el diseo de un sistema de control es la obtencin del modelo matemtico de la planta u objeto de control. En realidad, cualquier modelo de una planta que se quiere controlar incluir un error debido al proceso de modelado. Esto es, la planta real difiere del modelo que se va a utilizar en el diseo del sistema de control. Una aproximacin razonable para asegurar que el controlador diseado basado en un modelo funcionar adecuadamente cuando se

utilice con la planta real, consiste en asumir desde el comienzo que existe una incertidumbre o error entre la planta real y su modelo matemtico e incluir dicha incertidumbre o error en el proceso de diseo del sistema de control. El sistema de control diseado basado en esta aproximacin se denomina sistema de control robusto. Aplicaciones Si se supone que la planta real que se desea controlar es G3 (s) y que el modelo matemtico de la planta real es G(s), esto es o de otras formas.

Puesto que no se conoce la descripcin exacta de la incertidumbre o error B(s), se utiliza una estimacin de B(s) y en el diseo del controlador se emplea esta estimacin, W(s).W(s) es una funcin de transferencia escalar del tipo

Si se utiliza el teorema de la pequea ganancia, el proceso de diseo conlleva la determinacin del controlador K(s) que satisfaga la desigualdad, donde G(s) es la funcin de transferencia del modelo utilizada en el proceso de diseo, K(s) es la funcin de transferencia del controlador y W(s) se escoge como una funcin de transferencia que aproxima B(s). En la mayora de los casos prcticos, se debe satisfacer ms de una desigualdad dependientes deG(s), K(s) y W(s). Por ejemplo, para garantizar la estabilidad robusta y el comportamiento robusto se requiere que se satisfagan las dos desigualdades siguientes

Hay muchas desigualdades de este tipo que se tienen que satisfacer en muchos sistemas diferentes de control robusto. (Estabilidad robusta significa que el controlador K(s) garantiza la estabilidad interna de todos los sistemas que pertenecen a un grupo de sistemas que representan el sistema de la planta real. Comportamiento robusto significa que el comportamiento especificado se satisface para todos los sistemas que pertenecen a este grupo). CONCLUSIONES El control difuso se trata de un control que se basa en la experiencia adquirida para actuar como la hara una persona, es decir en base a reglas empricas. El regulador difuso se transforman variables de entrada en variables de salida, que actan en el proceso o en el sistema de control. Si ciertas partes del sistema son desconocidas, no medibles o con incertidumbre, se debe optar por un diseo basado en lgica difusa. Si se desconoce el modelo matemtico del sistema o ste es complejo, un sistema difuso puede ser la solucin. Si tenemos una buena solucin en trminos de control pid, con rendimiento del sistema, costes de desarrollo y mantenimiento satisfactorios debemos mantenernos en esa lnea. EL neurocontrol est diseado para actuar como lo hace el cerebro humano, conectando la red ente los elementos de la forma ms sencilla para poder ser entrenados y realizar funciones complejas en diversos campos de aplicacin. Con el neurocontrol el sistema despus de haber recibido unos patrones inicales comienza a identificar, acepta, aprende y responde ante diferentes seales.

BIBLIOGRAFIA http://www.gunt.de/download/fuzzy_control_spanish.pdf http://www.slideshare.net/capobiancoc/control-difuso http://es.scribd.com/doc/51413217/22/y-control-difuso http://es.scribd.com/doc/55968566/32/control-difuso http://www.itescam.edu.mx/principal/sylabus/fpdb/recursos/r36 271.pdf http://proton.ucting.udg.mx/materias/moderno/u56.htm http://www.monografias.com/trabajos12/redneur/redneur.shtml http://www.mailxmail.com/curso-sistemas-control-conceptosbasicos/sistema-control-robusto