Académique Documents
Professionnel Documents
Culture Documents
Algoritmos Genéticos
RESUMEN
Muchos sistemas de control sufren problemas relacionados con un indeseable sobre impulso, largos tiempos
de establecimiento y oscilaciones en la variable que se desea controlar. La mayoría de técnicas relevantes
han sido logradas gracias a la modificación y mejora de la estructura o la interface de sistemas de control, y
los resultados obtenidos son alentadores, aun teniendo algunas desventajas como es la dependencia de los
parámetros del hardware y el procesamiento de algoritmos de control más complejos. Este trabajo presenta el
desarrollo del control de posición de un robot SCARA de 4 grados de libertad usando un auto ajustador
difuso para un controlador PID. Este algoritmo de control es usado para sintonizar los parámetros del
controlador PID, integrando de este modo la inferencia difusa y produciendo un controlador PID adaptativo
difuso, el cual puede ser usado para mejorar la performance de control de sistemas no lineales. Las funciones
de pertenencia del auto ajustador difuso se optimizaron por técnicas de algoritmos genéticos. Los resultados
de las simulaciones muestran una buena performance en el seguimiento de las trayectorias de referencia.
ABSTRACT
Many control systems suffer from problems related to undesirable overshoot, longer settling time and
oscillations in the variable to be controlled. Most of relevant techniques have been achieved through the
modification and improvement of the structure or control systems interface and the results are encouraging,
even with some drawbacks such as dependence on the parameters of the hardware and processing algorithms
more complex control. This paper presents the development of attitude control of a SCARA robot with 4
degrees of freedom using a fuzzy self tunning for a PID controller. This control algorithm is used to tune PID
controller parameters, thereby integrating fuzzy inference and producing a fuzzy adaptive PID controller,
which can be used to improve control performance of nonlinear systems. The membership functions were
optimized by the genetic algorithm technique. The simulation results show good performance in tracking the
reference trajectories.
La dinámica de los robots es obtenida de diferentes Fig2. Robot SCARA controlado por PID.
formas entre las cuales el método de Lagrange es
Ingeniería Mecatrónica - UNI, Diciembre 2009
Defuzzificacion
El método de defuzzificacion por centroide es
usado para convertir la agregación de los
conjuntos difusos a un valor de salida crisp “ .
Éste trabaja computando el promedia los pesos
de las funciones de pertenencia o el centro de
gravedad (COG) de las áreas halladas por las
curvas de las funciones de pertenencia.
Fuzzificación
En este trabajo las etiquetas para los conjuntos
difusos de las variables lingüísticas de entrada OPTIMIZACIÓN DEL AUTOAJUSTADOR
e(t) y de(t) son los siguientes: DIFUSO USANDO ALGORITMOS
GENÉTICOS
NB: negativo grande; NM: negativo medio; NS:
Negativo pequeño; ZO: cero; PS: positivo Las particiones en las funciones de pertenencia
pequeño; PM: positivo medio; PB: positivo del sistema difuso son una de las bases
grande. fundamentales para una buena performance. Los
algoritmos genéticos son empleados para realizar
VS, MS, LS, ME, LB, MB, VB son asignados a una búsqueda exhaustiva y completa de un
las variables linguisticas Kp, Kd y Ki, las cuales conjunto óptimo de las particiones para las
son las variables de salida. funciones de pertenencia del sistema difuso. El
enfoque de sintonización emplea el uso de
Regla difusa e inferencia difusa MATLAB M-files y funciones para manipular el
sistema de inferencia difusa, ejecutar la
Usando los conjuntos difusos de las variables de simulación basada en Simulink, verificar la
entrada y salida, las reglas difusas son performance de los resultados y continuamente
compuestas como se muestran a continuación. modificar el sistema de inferencia difuso para un
número de veces en la búsqueda de una solución
optima. La integral del error cuadrático medio
para la posición y orientación del efector final es
usada como una medida de la performance del
sistema. La optimización por algoritmos
genéticos fue ejecutada para 60 generaciones
Tabla 2. Base de reglas para el parámetro Kp.
donde cada generación tiene 9 individuos. Las
funciones de MATLAB para la selección,
reproducción y mutación en cada generación son
Ingeniería Mecatrónica - UNI, Diciembre 2009
CONCLUSIONES