Contenido del Resumen

Aspecto Metodolgico
El control del nivel del agua en el tanque se realizar mediante un controlador diseado en
Simulink que pertenece al paquete Matlab instalado en una computadora personal. Utilizando la
tarjeta de adquisicin de datos NI-6006 tendr comunicacin con los actuadores (servomotores) y el
sensor de nivel.
Diagrama del Sistema de Control de Nivel de Liquido de un Tanque
El programa en Simulink utiliza el siguiente interfaz para poder interactuar con la tarjeta de
adquisicin de datos.
Bloques de Entrada y Salida e Interfaces con la tarjeta de adquisicin de datos.
Controladores
Implementaremos controladores para que lleven a cabo la regulacin del nivel del agua en el
tanque. Para realizar el control con una entrada se desarrollarn 3 controladores: Controlador LQR,
Controlador Difuso y Controlador PID, para el control de dos entradas slo se desarrollarn 2
controladores: Controlador LQR y Controlador Difuso.
Controlador Difuso: Para implementarlo utilizamos el bloque Controlador de Lgica Difusa del
paquete de Herramientas de Lgica Difusa de Simulink . Usaremos como entrada del controlador la
seal de error (Referencia Valor Actual) y su salida ser en tasa de cambio. Para que la salida del
controlador llegue al tanque como una seal que pueda utilizar, requiere de bloques posteriores que
lo conviertan en un valor de 0 a 100%
Diagrama del Controlador Difuso.
Controlador PID: El controlador PID es implementado utilizando el bloque Controlador PID de
Simulink. Este bloque recibir como entrada la seal de error y su salida ser de 0 a 1, por lo que es
necesario multiplicar la salida por 100 para luego enviarlo a los servomotores.
Diagrama en Simulink del Controlador PID.
Identificacin de planta: Para realizar la identificacin de la planta necesitamos crear una secuencia
de valores aleatorios para las entradas del tanque, de manera que nos permita visualizar las
caractersticas que posee.
Esquema del procedimiento de identificacin de planta.
Controlador LQR: El controlador LQR esta compuesto por dos bloques: un bloque que generar los
valores del modelo discreto dependiendo del valor de la altura, es decir, los valores de A, B
1
, B
2
y c
para cada valor de altura y un segundo bloque, que utilizando los valores del modelo y la referencia
realizar el control.
Diagrama General del Controlador LQR.
Planteamiento del Problema
Se puede realizar un control efectivo de una sistema de control de nivel con controladores
diseados utilizando el modelo de la planta?
Objetivos
Objetivo General
Disear controladores utilizando el modelo difuso de un sistema de control de nivel en computadora
y comparar su desempeo con el desempeo de los controladores en interaccin con la planta fsica.
Objetivos Especficos
Generar un modelo difuso del proceso basado en las entradas y salidas del proceso en lazo
abierto utilizando lgica difusa.
Disear controladores en lazo cerrado utilizando el modelo obtenido.
Comparar el desempeo de los controladores en el modelo de la computadora y con la
planta fsica.
Mostrar que Matlab es una herramienta que puede ayudar en el diseo de controladores en
procesos industriales.
Hiptesis
Se puede realizar un control efectivo de la planta utilizando controladores diseados a partir del
modelo difuso de esta y su desempeo puede ser comprobado en interaccin con un modelo fsico.
Marco Terico
Definiciones
Sistemas Lineales: Un sistema se denomina lineal si se aplica el principio de superposicin de
seales. En la mayora de modelos de control, el modelo lineal es usado como una ayuda para
anlisis y diseo.
Sistemas No Lineales: Un sistema es no lineal si no se aplica el principio de superposicin. La
mayora de los sistemas son no lineales, de hecho la mayora de los llamados sistemas lineales slo
lo son en rangos de operacin limitados.
Sistemas en Tiempo Continuo: Son sistemas en los cuales las seales en las partes del sistema son
funciones del tiempo y son usualmente descritos mediante ecuaciones diferenciales.
Sistemas en Tiempo Discreto: Son sistemas en los cuales las seales en las partes del sistema son
pulsos, cdigos digitales o seales muestreadas.
Control Clsico: Es el estudio de los sistemas de control basado en mtodos de respuesta en
frecuencia y en el lugar geomtrico de las races.
Funcin de Transferencia: Es la funcin matemtica que relaciona la salida y la entrada de un
sistema lineal invariante con el tiempo H (s)=
Y (s)
U(s)
. Tambin es definido como la respuesta al
impulso de un sistema lineal invariante con el tiempo.
Anlisis en Frecuencia
Diagrama de Bode: Es la representacin de la ganancia y la fase de la funcin de transferencia en el
dominio de la frecuencia, la cual se representa usando la escala logartmica.
Anlisis en el Tiempo
Respuesta al Escaln: Se utiliza para obtener las caractersticas de la respuesta transitoria de un
sistema lineal. De la respuesta al escaln obtenemos las siguientes caractersticas:
Sobrepaso Mximo: Es el valor mximo que alcanza la seal. Se representa generalmente como un
porcentaje del valor en estado estacionario.
Tiempo de retardo: Es el tiempo requerido para que la seal alcance el 50% de su valor en estado
estacionario.
Tiempo de levantamiento: Es el tiempo requerido para que la seal vaya del 10% al 90 % de su
valor en estado estacionario.
Tiempo de asentamiento: Es el tiempo requerido para que la seal disminuya y permanezca dentro
del 5% de su valor en estado estacionario.
Tipos de Control
Control en Lazo abierto: El control en lazo abierto requiere de un conocimiento completo del
sistema, as como de las perturbaciones que la afecten para reducir el efecto de estas.
Control en Lazo Cerrado: El control en lazo cerrado o control por realimentacin utiliza como
medio de control la relacin que existe entre la medicin y la referencia, esta diferencia entre la
referencia y la medicin se denomina error. Entre las ventajas que presenta estn: el rechazo a
perturbaciones, la estabilizacin de procesos, reduce la sensibilidad a la variacin de parmetros y
mejora en el seguimiento de seales de referencia.
Modos de Control Bsicos
Control Proporcional:Es el algoritmo de control lineal ms simple. En el control proporcional, la
salida del controlador es proporcional a la seal de error
p(t )=K
c
e(t )
donde: p(t) es la salida del
controlador y K
c
es la ganancia proporcional del controlador.
Control Integral:La salida del controlador depende de la integral del error sobre el tiempo. Se
define mediante la siguiente ecuacin:
p(t )=
1

0
t
e(

t )d

t
; donde
i
es el parmetro conocido
como tiempo integral o tiempo de restablecimiento. Su principal ventaja es que elimina el offset.
Control Proporcional Integral:Se describe mediante la ecuacin: p(t )=K
c
e(t )+
K
c

e(

t )d

t ;

i
ajusta la accin de control integral y K
c
afecta ambas partes.
Control Proporcional Derivativo: Se describe mediante la ecuacin: p(t )=K
c
e(t )+K
c

D
de(t )
dt
; donde
D
es el parmetro conocido como tiempo derivativo. El control derivativo tiende a
amplificar las seales de ruido (seales de alta frecuencia), por lo que se suele utilizar junto con un
filtro (Filtro Derivativo).
Control Proporcional Integral Derivativo: Es la combinacin de los controladores proporcional,
integral y derivativa. Toma las mejores caractersticas del controlador PD y PI. Las tres
configuraciones que se utilizan comnmente son: Standard o No Interactuante, Interactuante y
Paralelo.
Teora de Control Moderna
Es un nuevo enfoque del anlisis y diseo de sistemas de control complejos. El control moderno se
enfoca en el anlisis en el tiempo. Tiene como elemento fundamental a la variable de estado.
Estado: El estado de un sistema dinmico es el conjunto ms pequeo de variables (denominadas
variables de estado).
Vector de Estado: Es el vector que se compone de las n variables de estado que se necesitan para
poder describir por completo el sistema.
Espacio de Estados: Es el espacio de n dimensiones cuyos ejes de coordenadas estn formados por
el eje x
1
, el eje x
2
,. . . , el eje x
n
. Cualquier estado puede representarse mediante un punto en el
espacio de estados.
Representacin del Sistema por Variables de Estado: Mediante el uso de variables de estado, un
sistema puede ser representado de las siguientes formas:
En Tiempo Continuo: El sistema esta representado por ecuaciones diferenciales dependientes del
tiempo: x(t )=f
1
(x(t ) , u( t )); y(t )= f
2
( x( t ), u(t ))
; donde x es el vector de estado, u es el vector
de entrada y y es el vector de salida
En Tiempo Discreto: El sistema esta representado por ecuaciones en tiempo discreto que tienen la
siguiente forma:
x( k+1)=g
1
( x( k) , u( k)) ; y(k)=g
2
( x(k ) , u(k ))
; donde x es el vector de
estado, u es el vector de entrada, y es el vector de salida y k es el nmero de muestra.
Respuesta en Tiempo Continuo y en Tiempo Discreto
En Tiempo Continuo: Representamos un sistema continuo de la siguiente manera:
x(t )=A(t ) x(t )+B(t )u(t ) y(t )=C(t ) x(t )+D(t )u(t ) . El valor de x(t) puede ser hallado de
la siguiente forma: x(t )=(t , t
0
) x(t
0
)+

t
0
t
(t , )B( )u()d ,
x(t
0
)0
; y(t) tendra la
siguiente forma: y(t )=C(t )(t ,t
0
) x(t
0
)+

t
0
t
C (t )(t , ) B( )u()d +D(t )u(t ) ; donde es
la matriz de transicin del sistema. Sea x
n x1
, entonces es una matriz nxn, que permite
determinar el valor de x(t) utilizando un valor conocido de este, x(t )=(t , ) x( ) . Entre sus
propiedades estn:
( , ) = I
n
, donde I
n
es la matriz identidad de orden n y
(t , ) = (t - , 0) .
En Tiempo Discreto: Un sistema de estado discretas est representado por:
x(k+1)=A(k) x(k )+B(k)u(k) , entonces la matriz de transicin discreta ser definida como:
(k , j) =

p= j
k -1
A( p) , entonces el valor de x(k) es hallado de la siguiente forma:
x(k)=(k , 0)x(0)+

j=1
k
(k , j )B( j -1)u( j-1) .
Para los sistemas lineales invariables en el tiempo existen dos caractersticas que son muy
importantes, estas son: controlabilidad y observabilidad.
Controlabilidad: Un sistema es controlable si en t
0
es posible encontrar una funcin o secuencia de
entrada de manera que podamos llevar el estado inicial x(t
0
) al origen en un tiempo finito. Si esto es
posible para todo t
0
y x(t
0
), entonces el sistema es completamente controlable. Esta propiedad
involucra las matrices A y B.
Observabilidad: Un sistema es observable si en t
0
es posible conocer el valor del estado inicial x(t
0
)
utilizando el valor de la funcin o secuencia de salida. Si esto es posible para todo t
0
y x(t
0
),
entonces el sistema es completamente observable. Esta propiedad involucra las matrices A y C.
Realimentacin de Estado y Realimentacin de Salida: Un sistema representado mediante variables
de estado de la siguiente forma: x(t )=Ax(t )+Bu(t ); y(t )=Cx (t )+Du(t ) o
x(k+1)=Gx(k)+Hu (k ); y(k)=Mx (k )+Nu(k) puede tener dos tipos de realimentacin: de
estado o de salida.
La realimentacin de estado es posible si se tiene conocimiento de los valores reales de los estados
o si estos son medibles. La realimentacin de estado se expresa de la siguiente forma:
u(t )=Fv(t )-Kx(t )
Entonces las ecuaciones de estado cambian a:
x(t )= A-BK| x(t )+ BF| v(t ) y(t )= C-DK| x(t )+ DF| v(t )
La realimentacin de salida se expresa de la siguiente forma:
u(t )=F ' v' (t )-K ' y(t )
x(t )=A-BK ' I
m
+DK ' |
-1
C x(t )+BF ' -K ' I
m
+DK ' |
-1
DF' v ' (t )
y(t )= I
m
+DK ' |
-1
Cx(t )+DF ' v ' (t )
Optimizacin
El problema del control ptimo consiste en encontrar entre todas las funciones o secuencias de
control posibles a aquellas que minimicen la funcin de desempeo (J) sujeto a las limitaciones de
un sistema dinmico , las condiciones iniciales y las condiciones de contorno terminales.
El sistema, al que vamos a aplicar el control ptimo, est descrito por su ecuacin de estado:
x(t )=f (x(t ), u(t )) ; y( t )=x( t ) o x( k+1)=f ( x( k) , u( k)) ; y( k)=x( k) . Adicionalmente, la
entrada u puede estar limitada.
El criterio que se utiliza para el control ptimo es la de minimizar una funcin de desempeo. La
funcin de desempeo ms general es de la siguiente forma:
J =S( x(t
f
) ,t
f
)+

t
o
t
f
L(x(t ), u(t ) ,t )dt o J =S( x(N))+

k=0
N-1
L( x(k ), u(k )) ; donde S es el
costo o penalidad asociado con el error de estado final y L es la funcin de costo o perdida asociado
con el error de estado transitorio y el esfuerzo de control.
Regulador Cuadrtico Lineal (LQR)
Regulador Cuadrtico Lineal (LQR) Discreto en Tiempo Finito: Un sistema discreto representado
por la siguiente ecuacin discreta: x(k+1)=Ax(k)+Bu(k ) con x(0) conocido, necesita llegar a
x(N) de manera ptima para lo cual se requiere encontrar una secuencia finita u(k) que minimice la
funcin cuadrtica de costo J: J =
1
2
x(N )
T
M x(N)+
1
2

k=0
N-1
x
T
(k )Q x(k)+u
T
(k) Ru(k) M, Q son
matrices n x n simtricas semidefinidas positivas y R es una matriz r x r simtrica definida positiva.
Sea g[x(k)] el mnimo costo de x desde k (x(k)) hasta N (x(N)):
g x(k)|=min
u(k)

1
2
x
T
(k)Qx(k)+
1
2
u
T
(k) Ru(k)+g x(k+1)|

y como condicin limitante a:

g x( N)|=
1
2
x
T
(N )Mx( N)
, entonces se asume como solucin:
g x(k)|=
1
2
x
T
(k)W( N-k) x(k)+x(k)
T
V ( N-k)+Z (N-k)
, donde W es una matriz n x n, V
es un vector n x 1 y Z es un escalar, estos valores sern seleccionados para forzar que sea la
respuesta al mnimo del costo. Definimos k ' =N -k como un indice de tiempo en retroceso y
definimos W(N-k)=M (k ' ) . Introducimos dos variables intermedias H y P, entonces tenemos
las siguiente ecuaciones:
M(k ' )=A
T
P(k ' -1) A+Q
H (k ' )=M (k ' ) B B
T
M (k ' ) B+R|
-1
P(k ' )= I -H (k ' ) B
T
| M (k ' )
Entonces tendremos como entrada ptima: u*(k)=-H
T
(k ' -1) A x(k)=-K x(k) , teniendo a
M(0)=M . Sintetizando las ecuaciones anteriores llegamos a la denominada Ecuacin de
Riccati en tiempo discreto:
W(k ' )=Q+A
T
W(k ' -1) A-A
T
W(k ' -1) B R+B
T
W(k ' -1) B|
-1
B
T
W(k ' -1) A , W(k') se
halla usando iteracin inversa.
Regulador Cuadrtico Lineal (LQR) Discreto en Tiempo Infinito: Cuando el horizonte sobre el cual
vamos a disear el controlador es infinito es decir k ' , W(k') se convierte en una constante,
por lo que W(k ' )=W(k ' -1) . Entonces la entrada ptima sera de la siguiente forma:
u*(k)=-K

x(k)
, donde K

= B
T
W

B+R|
-1
B
T
W

A y la ecuacin de Riccati en tiempo

discreto sera: W

=Q+A
T
W

A-A
T
W

B R+B
T
W

B|
-1
B
T
W

A
Introduciendo la Seal de Referencia en un Sistema con Regulador Cuadrtico lineal (LQR): Para
introducir la seal de referencia definimos la entrada como u(k)=r (k)-Kx (k ) .
Sin embargo, para ser acoplado correctamente necesita de complementos para lo cual se utilizan dos
matrices Nu y Nx, de la siguiente forma: u(k)=Nu r(k)-K (x(k)-Nx r(k)) . Su valor proviene
de resolver la ecuacin:

Nx
Nu
|
=

A-I
C
B
0
|
-1

0
1
|
. Sin embargo este mtodo produce error en
estado estacionario. Para evitar esto se utiliza otro procedimiento basado en la integracin.
La integracin est descrita con la siguiente ecuacin:
x
I
(k+1)=x
I
(k)+T (r(k)-x(k))
, por lo
que definimos el sistema completo como:

x
I
(k+1)
x(k+1)
|
=

1 -T
0 A
|

x
I
(k)
x(k )
|
+

0
B
|
U(k)+

T
0
|
r(k)
,
luego
x(k+1)=

A x(k)+

BU (k)
donde:
x=

x
I
(k)
x(k )
|
,

A=

1 -T
0 A
|
,

B=

0
B
|
. Con el
nuevo sistema, resolvemos el problema del LQR:
U (k)=-

-K
I
K
f
|

x
I
(k)
x(k )
|
.
Lgica Difusa
Utiliza conjuntos difusos para representar y manipular datos que no son muy precisos. Los
conjuntos difusos no tienen lmites bien definidos. La pertenencia a un conjunto u otro es gradual y
representado por una funcin de membresa, la cual determina el grado de pertenencia del elemento
al conjunto. El valor de la funcin de membresa se encuentra entre 0 y 1.
Funciones de Membresa: Las funciones de membresa pueden ser entre otras:
Membresa Delta:
( x)=

1 x = M
0 otro valor

Membresa Escaln: (x) =

1 M-M
1
xM+M
1
0 otrovalor

Membresa Rampa o Triangular:
( x)=

0 xM-M
1
o x>M+M
1
1+
x-M
M
1
M-M
1
<x<M
1-
x-M
M
1
M<x<M+M
1

Membresa Exponencial: (x)=exp(-x-M)
Membresa Gaussiana:
(x)=exp
(
-( x-M)
2
(2
2
)
)
Definiciones Bsicas de los Conjuntos Difusos:
Soporte: Supp( A)=x( x)>0
Ncleo: Core( A)=x( x)=1
Altura:
hgt ( A)=sup
xX

A
( x)
Conjunto Difuso Normalizado: Cuando existe al menos un valor de x X tal que

A
( x) = 1
Corte : A
o
=x
A
( x)<o
Operaciones en Conjuntos Difusos: Asumiendo que A y B son dos conjuntos difusos dentro del
universo X y C es un conjunto difuso resultado de la operacin de A y B, definiremos las siguientes
operaciones bsicas.
Complemento:

A
( x) = 1-
A
( x)
Interseccin:

C
( x) = min(
A
( x) ,
B
( x)) =
A
( x)
B
( x)
Unin:

C
( x) = max(
A
( x) ,
B
( x)) =
A
( x)
B
( x)
Equidad:
A = B
A
( x) =
B
( x)
Subconjunto:
A B
A
( x)
B
( x)
Relaciones Difusas: Representan la presencia o ausencia de asociacin, interaccin o interconexin
entre elementos de dos o ms conjuntos difusos. La relacin difusa R(x,y) es un subconjunto de X x
Y. Una relacin difusa puede ser representada por una funcin de membresa, una matriz (si el
nmero de elementos es finito) o un dibujo con escala de grises correspondiendo a los valores de .
La funcin de membresa (x,y) es definida como: R=( x , y): X Y - 0,1|
Controlador Difuso: Se compone de cuatro elementos: un fuzzificador, una mquina de inferencia
difusa, una base de reglas difusas y un defuzzificador.
Fuzzificador: Convierte una entrada numrica en una variable lingstica. Usualmente, convierte el
valor preciso x
0
en un singletn difuso y caracterizndolo con una funcin de membresa.
Base de Reglas Difusas: Se construye en base a una coleccin de reglas difusas IF-THEN, las
cuales pueden ser expresadas como:
Modelo Difuso Lingstico Mamdani:
R
i
: IF x
1
is A
1i
AND AND x
n
is A
ni
, THEN yis B
i
Modelo Difuso Takagi-Sugeno (TS):
R
i
: IF x
1
is A
1i
AND AND x
n
is A
ni
, THEN y = f
i
(x
1
,, x
n
)
Mquina de Inferencia Difusa: Se encarga de asignar una salida difusa para cada entrada difusa.
Utiliza las reglas difusas para generar el conjunto difuso R
ix
(y), tambin llamado salida de control
de la regla R
i
.
Defuzzificador: Se encarga de convertir una salida difusa en una salida precisa
Identificacin No Lineal
La identificacin no lineal es un procedimiento que nos permite generar un modelo analtico no
lineal de una planta. Antes de realizar la identificacin no lineal se debe verificar que la planta no
sea modelable por un sistema lineal. Para realizar la identificacin no lineal debemos seguir los
siguientes pasos sugeridos:
Eleccin de las entradas del modelo
Existen cuatro estrategias que podemos usar:
Usar todas las entradas.
Intentar todas las combinaciones de entradas.
Seleccin de entradas no supervisadas.
Seleccin de entradas supervisadas.
Eleccin de las seales de excitacin
Este paso es uno de los ms importantes ya que de l depende la calidad del modelo.
Podemos tomar en cuenta las siguientes consideraciones:
Propsito del modelo.
Tamao mximo de los datos de entrenamiento.
Caractersticas de las diferentes seales de entrada.
Rango de las seales entrada.
Distribucin equitativa de los datos.
Propiedades dinmicas.
Eleccin de la arquitectura del modelo
Para seleccionar una arquitectura debemos considerar:
El tipo de problema que enfrentamos.
El uso que se le va a dar al modelo.
La dimensin del problema.
La cantidad y calidad de los datos disponibles.
Las limitaciones en el tiempo de desarrollo, entrenamiento y evaluacin.
Las restricciones de en la capacidad de memoria de los sistemas computacionales.
Si el aprendizaje del sistema se va a realizar en linea o fuera de linea.
La experiencia del usuario.
Las herramientas disponibles.
Contar con la aprobacin del cliente.
Eleccin de la representacin de la dinmica del modelo
Para generar los modelos dinmicos no lineales se tienen dos aproximaciones: aproximacin
por dinmicas externas y aproximacin por dinmicas internas. La aproximacin por
dinmicas externas se basa en la representacin de las dinmicas de entrada y salida, esta
aproximacin es la ms utilizada. La aproximacin por dinmicas internas representa un
modelo no lineal de espacio de estados.
Eleccin del orden del modelo
Se utiliza el conocimiento que se tiene del proceso, as como numerosas pruebas hasta
alcanzar una representacin adecuada.
Eleccin de los parmetros del modelo
Este paso es generalmente resuelto utilizando tcnicas de optimizacin lineal y no lineal
dependiendo del mtodo elegido, las estimaciones iniciales y algunos parmetros especficos
de cada tcnica de optimizacin.
Validacin del modelo
Luego de obtener el modelo y optimizarlo se debe proceder a verificarlo. Para este fin se
debe contar con datos de entrada y salida que no hallan sido utilizados en la generacin ni en
el entrenamiento del modelo y comparar el desempeo del modelo con el sistema real.
Sistema de Control de Nivel de Agua
El sistema en el cual se ejecutar el control de nivel cuenta con dos entradas (vlvula 1 (V1) y
vlvula 2 (V2)) y una salida h(t) (Nivel/altura del agua en el tanque). El flujo de entrada es
controlado mediante la vlvula V1 y el flujo de salida es controlado por la vlvula V2. V1 permite
el paso de una fraccin del flujo total producido por la bomba M1, mientras el flujo que pasa por
V2 depender del nivel del lquido en el tanque.
Diagrama general del tanque.
Las entradas y salidas del tanque estn relacionados por la siguiente ecuacin:
A
dh
dt
(t )= f
1
(t )- f
2
(t )
; donde A es el rea del tanque, f
1
(t) y f
2
(t) son los flujos que pasan a
travs de las vlvulas V1 y V2 respectivamente y h(t) es la altura del lquido en el tanque.
Adicionalmente definimos f
1
(t )=P
V1
(t ) F , f
2
(t )=P
V2
(t )C
V
.
p g h(t )
G
f
; donde F es el flujo
producido por la bomba M1 que ser considerado constante, P
V1
y P
V2
son los porcentajes de
apertura de las vlvulas V1 y V2 respectivamente, C
V
es el coeficiente de la vlvula, es la
densidad del lquido, g es la aceleracin de la gravedad, h(t) es la altura del lquido en el tanque y G
f
es la gravedad especifica del lquido.
Entonces tenemos que: A
dh
dt
(t )=F P
V1
(t )-C
V

g h(t )
G
f
P
V2
(t ) .
Conclusiones
Los resultados obtenidos en este estudio demuestran que los tres controladores (Controlador PID,
Controlador Difuso y el Control LQR) lograron regular el nivel de agua en el tanque en el valor
para el cual fueron diseados. Adicionalmente, se pudo constatar que se puede realizar un control
efectivo de la planta utilizando controladores diseados a partir del modelo difuso de esta y su
desempeo pudo ser comprobado en interaccin con la planta fsica comprobando la hiptesis que
motivo este trabajo. A continuacin se describen las ventajas y desventajas o dificultades que
presentaron los controladores a lo largo de la ejecucin del proyecto.
Controlador PID
Es el controlador ms simple en trminos matemticos. A pesar de ser un controlador exclusivo de
sistemas lineales, pudo controlar de manera satisfactoria el nivel de agua que es un sistema no
lineal.
Ventajas
Es de fcil implementacin.
No requiere de conocimientos matemticos complejos.
Desventajas
Tiene problemas operando en sistemas no lineales.
No tiene como objetivo la optimizacin de costos.
No puede realizar el control de un sistema de mltiples entradas y mltiples salidas.
En un proceso no lineal, el sintonizado del controlador es complicado.
Controlador Difuso
El controlador difuso diseado es un sistema difuso tipo Mamdani. Este controlador fue el que
result ser el ms sencillo de implementar.
Ventajas
Fcil Implementacin.
No requiere de conocimientos matemticos.
Permite el control de sistemas no lineares con facilidad.
Mientras acumule ms experiencia con el manejo de la planta, se pueden lograr mejoras en
el proceso de control.
Desventajas
No realiza optimizacin.
El control de un procesos de varias entradas y salidas puede ser muy complejo.
Controlador LQR
El controlador LQR fue el controlador que logr operar al menor costo, sin embargo, su
implementacin fue la ms complicada. La respuesta que obtendremos del controlador depender
de la calidad del modelo obtenido.
Ventajas
Realiza un control ptimo.
Puede realizar el control de un sistema de mltiples entradas y una salida sin dificultad.
Desventajas
Requiere de conocimientos avanzados de control.
Requiere de un modelo matemtico del proceso.
Bibliografa
Andrei, Neculai. 2005. Modern Control Theory - A historical perspective. Scrieri Matematice 1
(February 10).
strm, Karl Johan, and Richard M. Murray. 2008. Feedback Systems: An Introduction for Scientists
and Engineers. United States of America: Princeton University Press.
Brogan, William L. 1991. Modern Control Theory. 3rd ed. United States of America: Prentice Hall.
Busenberg, Stavros, Bruno Forte, and Hendrik K. Kuiken. 1992. Mathematical Modelling of
Industrial Processes: Lectures given at the 3rd Session of the Centro Intemazionale
Matematico. Ed. Vincenzo Capasso and Antonio Fasano. 1st ed. Lecture Notes in
Mathematics. Germany: Springer.
Espinosa, Jairo, Joos Vandewalle, and Vincent Wertz. 2004. Fuzzy Logic, Identification and
Predictive Control. 1st ed. Advances in Industrial Control. United States of America:
Springer.
Fullr, Robert. 1998. Fuzzy Reasoning and Fuzzy Optimization. TUCS General Publications (9):
270.
de Hoog, F. R. 2009. Why are simple models often appropriate in industrial mathematics? 18th
World IMACS / MODSIM Congress, Cairns, Australia (July 13).
Huang, Han-Way. 2004. PIC Microcontroller An Introduction to Software & Hardware Interfacing.
1st ed. United States of America: Delmar Cengage Learning.
Ibrahim, Dogan. 2008. Advanced PIC Microcontroller Projects in C: From USB to RTOS with the
PIC 18F Series. 1st ed. Newnes.
Johansen, Tor A., Robert Shorten, and Roderick Murray-Smith. 2000. On the Interpretation and
Identification of Dynamic TakagiSugeno Fuzzy Models. IEEE Transactions on Fuzzy
Systems 8 (3) (June): 297-313.
Katzen, Sid. 2010. The Essential PIC18 Microcontroller (Computer Communications and
Networks). 1st ed. Springer.
Khaber, F., K. Zehar, and A. Hamzaoui. 2006. State Feedback Controller Design via Takagi-Sugeno
Fuzzy Model LMI Approach. World Academy of Science, Engineering and Technology 18:
246 - 251.
Kluska, Jasek. 2009. Analytical Methods in Fuzzy Modeling and Control. Berlin, Heidelberg:
Springer Berlin Heidelberg.
Kuo, Benjamin C. 1996. Sistemas de Control Automtico. Sptima Edicin. Mxico: Prentice-Hall
HispanoAmericana.
Levine, William S., ed. 2010. The Control Systems Handbook: Control System Advanced Methods.
2nd ed. The Electrical Engineering Handbook. CRC Press.
Liptk, Bla G., ed. 2003. Instrument Engineers Handbook, Volume One: Process Measurement and
Analysis. 4th ed. Vol. 1. 2 vols. United States of America: CRC Press LLC.
. 2005. Instrument Engineers Handbook, Volume Two: Process Control and Optimization. 4th
ed. Vol. 2. 2 vols. United States of America: CRC Press.
Mandal, Ajit. 2006. Introduction to Control Engineering ; Modeling, Analysis and Design. New
Delhi: New Age International (P) Ltd. Publishers.
Massoud Farahmand, Amir, and Mohammad Javad Yazdanpanah. Locally Optimal Takagi-Sugeno
Fuzzy Controllers.
Mastorakis, Nikos. Modeling Dynamical Systems via the Takagi-Sugeno Fuzzy Model.
Mehran, Kamyar. 2008. Takagi-Sugeno Fuzzy Modeling for Process Control. Newcastle University.
Nelles, Oliver. 2001. Nonlinear System Identification From Classical Approaches to Neural Networks
and Fuzzy Models . Berlin ;;New York: Springer.
Nguyen, Hung. 2003. A First Course in Fuzzy and Neural Control. Boca Raton FL: Chapman &
Hall/CRC Press.
Ogata, Katsuhiko. 1998. Ingeniera de Control Moderna. 3rd ed. Mxico: Prentice-Hall
HispanoAmericana.
Patrick, Dale R., and Stephen W. Fardo. 2009. Industrial Process Control Systems. 2nd ed. United
States of America: CRC Press.
Ruano, Antonio, ed. 2005. Intelligent Control Systems Using Computational Intelligence Techniques.
IET Control Engineering Series 70. London: Institution of Electrical Engineers.
Schnitman, L., J.A.M. Felippe de Souza, and T. Yoneyama. Takagi-Sugeno-Kang Fuzzy Structures
in Dynamic System Modeling.
Seborg, Dale E., Thomas F. Edgar, and Duncan A. Mellichamp. 2003. Process Dynamics and
Control. 2nd ed. United States of America: Wiley.
Shin, Yung C., and Chengying Xu. 2008. Intelligent Systems: Modeling, Optimization, and Control.
1st ed. Automation and Control Engineering Series 30. CRC Press.
Singh, V.P. 2009. System Modeling and Simulation. New Delhi: New Age International (P) Ltd.
Publishers.
Sivanandam, S. 2007. Introduction to Fuzzy Logic using MATLAB . Berlin ;;New York: Springer.
Smith, Carlos A., and Armando B. Corripio. 1997. Principles and Practice of Automatic Process
Control. 2nd ed. Wiley.
Sumathi, S. 2010. Computational Intelligence Paradigms Theory and Applications using MATLAB.
Boca Raton: CRC Press.
Tatjewski, Piotr. 2006. Advanced Control of Industrial Processes: Structures and Algorithms. 1st ed.
Advances in Industrial Control. Springer.
Thomas, Philip J. 1999. Simulation of Industrial Processes for Control Engineers. 1st ed. Great
Britain: Elsevier Science & Technology Books.