Diseño de un Autoajustador Difuso Óptimo de un Controlador PID Usando

Algoritmos Genéticos

Design of an Optimal Fuzzy Self Tunning of PID Controller Using

Genetic Algorithm
Elvis Franks Condori Arias Marco Antonio Pari Vega Hernán Garcés Yapuchura

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.

éstos también deben ser concebidos a partir de una

INTRODUCCION
Desde hace ya varios años, los procesos de control y
sistemas en la industria son comúnmente hechas por
expertos a través de técnicas convencionales de
control usando PID. Este es el resultado de su
simplicidad, bajo costo de diseño y buen desempeño
en un gran rango de operación.
Aun cuando los controladores PID han ganado
aceptación mundial en las industrias tecnológicas,
matemática rigurosa o precisa. Esa complejidad
dificulta la tarea de los diseñadores, ingenieros y
expertos en tecnología cuando deben encarar
complejos sistemas inteligentes, no linealidades de
alto orden y tiempo de retraso. Sin embargo varias
técnicas y modificaciones al controlador PID
convencional han sido empleadas con el objetivo de
manejar esas dificultades, esto incluye el uso de
autoajuste de controladores PID, controladores PID
adaptivos y también la implementación de
esquemas de compensación para el controlador PID.
 Ingeniería Mecatrónica - UNI, Diciembre 2009

una de las más utilizadas debido a su fácil

Otra alternativa es el uso de técnicas de control no interpretación y resolución. No obstante si se
convencionales tales como lógica difusa, redes requiere una mejor presentación se puede hacer uso
neuronales y algoritmos genéticos o una del Simmechanics de Matlab para obtener la
combinación de dos o más técnicas ya mencionadas. dinámica de este robot. Esto nos permite observar la
geometría de nuestro modelo CAD mientras es
La lógica difusa puede ser descrita como un sistema controlado al exigirle un tipo de trayectoria.
interpretativo, en el cual los objetos o elementos son
relacionados con conjuntos de fronteras no En la fig. 1 se puede observar los bloques que se
nítidamente definidas, otorgándoles un grado de crean al realizar la importación de nuestro modelo
pertenencia relativa o graduada y no estricta como CAD a Simmechanics.
es de costumbre en la lógica tradicional. En un
sentido más amplio se podría decir que existe una
especie de interpolación entre una frontera y otra, o
bien, ente un conjunto y otro. Lo anterior ha
permitido incorporar sentencias del lenguaje común,
las que se caracterizan por ser un tanto indefinidas
para interpretar el estado de las variables de cierto
proceso, asignándoles en cada momento un grado
de pertenencia a estos conjuntos difusos. Esta
interpretación puede ser fácilmente relacionada
mediante operadores lógicos tradicionales con
ciertas medidas de acción, también de naturaleza no
exacta, que son diseñadas de tal manera que
produzcan un cambio deseado en las variables de
interés.

En nuestro caso diseñaremos un controlador que

interprete en forma intuitiva (y no numéricamente
exacta) el estado de ciertas variables, y en base a
ello deduzca en forma lógica una actuación posible
que permita llevar la variable al estado deseado. Sin
embargo, la metodología anterior introduce ciertos
problemas de índole práctica. Por ejemplo, se puede
atravesar por todo el proceso de diseño del
controlador (definición de conjuntos, relaciones
lógicas, etc.) y obtener resultados pobres, obligando
a revisar el diseño en su totalidad. Para contrarrestar
esta desventaja, se propone la incorporación de
ciertas ganancias, que permiten ponderar el grado
de pertenencia de las variables en los conjuntos
difusos, incluso para controladores ya diseñados.
Ello permite generar medidas correctivas, que
pueden mejorar el desempeño del controlador.
Fig1. Dinámica del robot en Simmechanics.
CONTROLADORES CONVENCIONALES
Control PID convencional
Los controladores PID han demostrado ser
robustos en muchas aplicaciones y son los que
más se utilizan en la industria. La estructura de
un controlador PID es simple, aunque su
simpleza es también su debilidad, dado que
limita el rango de plantas donde pueden
controlar en forma satisfactoria (existe un grupo
de plantas inestables que no pueden ser
estabilizadas con ningún miembro de la familia
PID).

La combinación de algoritmos genéticos y una

técnica de control mediante lógica difusa para el
autoajuste de las ganancias del PID serán
consideradas en este estudio.

DINÁMICA DEL ROBOT SCARA DE 4 GDL

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

Control por Torque Computado

El modelo dinámico de los robots en general se
caracteriza por estar compuesto por funciones no
lineales, por lo cual el sistema es no lineal. Esta
característica del modelo dinámico nos hace
pensar que la ley de control en lazo cerrado
debería también estar compuesta por funciones
no lineales. Sin embargo es posible diseñar una Fig4. Estructura del controlador PID con
ley de control no lineal que nos permite autoajuste difuso.
controlar un sistema en lazo cerrado descrito por
ecuaciones diferenciales lineales. Esto recibe el El controlador tiene la forma de la estructura del
nombre de control por torque computado. PID, pero los parámetros del PID son
sintonizados por la inferencia difusa, la cual
provee un mapeo no lineal de la señal del error
e(t), y la derivada del error de(t), para los
parámetros del PID Kp, Ki y Kd, estos
parámetros son modificados dentro de los limites
para métricos iníciales.

Fig3. Control del robot mediante Torque

Computado.

DISEÑO AUTOAJUSTADOR DIFUSO Fig5. Estructura del bloque de inferencia difusa.

PARA UN CONTROLADOR PID
El diagrama de bloques para el sistema de
Estructura del auto ajustador difuso para el control es presentado en la fig 6.
controlador PID
El controlador PID es ampliamente usado en la
industria debido a su estructura de control simple
y su fácil diseño. Sin embargo, hay algunos
problemas específicos que se encuentran en
sistemas de control prácticos. Los parámetros del
controlador PID convencional no son a menudo
propiamente sintonizados para una planta no
lineal con parámetros impredeciblemente Fig6. Estructura del bloque de inferencia difusa.
variables. Por esta razón es necesario sintonizar
automáticamente los parámetros del PID. Normalización
Supongamos que el rango de Kp, Ki y Kd son
Por otro lado, el control difuso ofrece una [Kpmin, Kpmax], [Kimin, Kimax] y [Kdmin, Kdmax]
metodología formal para representar, manipular respectivamente, el rango de cada parámetro del
e implementar un conocimiento humano PID fue determinado mediante el diseño de un
heurístico sobre cómo controlar un sistema. Es controlador PID convencional obteniendo los
también un método conveniente para la rangos mostrados en la tabla 1 para los
construcción de controladores no lineales parámetros del controlador PID.
mediante información heurística obtenida por la
experiencia. Por lo tanto, las ventajas de los
controladores difusos y del PID pueden ser
incorporados en un controlador para alcanzar un
gran desempeño en el control.
 Ingeniería Mecatrónica - UNI, Diciembre 2009
Tabla 1. Rangos para los parámetros del
controlador PID.
Para obtener una base de reglas con alta
eficiencia en la inferencia, los parámetros del
PID deben ser normalizados sobre el intervalo
[0,1] como sigue:
Fuzzificación
En este trabajo las etiquetas para los conjuntos
difusos de las variables lingüísticas de entrada
e(t) y de(t) son los siguientes:
NB: negativo grande; NM: negativo medio; NS:
Negativo pequeño; ZO: cero; PS: positivo
pequeño; PM: positivo medio; PB: positivo
grande.
VS, MS, LS, ME, LB, MB, VB son asignados a
las variables linguisticas Kp, Kd y Ki, las cuales
son las variables de salida.
Regla difusa e inferencia difusa
Usando los conjuntos difusos de las variables de
entrada y salida, las reglas difusas son
compuestas como se muestran a continuación.
Tabla 2. Base de reglas para el parámetro Kp.
Tabla 3. Base de reglas para el parámetro Kd.
Tabla 4. Base de reglas para el parámetro Ki.
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.
OPTIMIZACIÓN DEL AUTOAJUSTADOR
DIFUSO USANDO ALGORITMOS
GENÉTICOS
Las particiones en las funciones de pertenencia
del sistema difuso son una de las bases
fundamentales para una buena performance. Los
algoritmos genéticos son empleados para realizar
una búsqueda exhaustiva y completa de un
conjunto óptimo de las particiones para las
funciones de pertenencia del sistema difuso. El
enfoque de sintonización emplea el uso de
MATLAB M-files y funciones para manipular el
sistema de inferencia difusa, ejecutar la
simulación basada en Simulink, verificar la
performance de los resultados y continuamente
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
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
@selectionstochunif, @crossoverscattered y
@mutationadaptfeasible respectivamente.
Las particiones optimizadas para las funciones
de pertenencia de las 5 variables lingüísticas en
la primera articulación del robot son mostrados
en las figs. 7-11.
Fig7. Funciones de pertenencia para la variable
de entrada e(t).
Fig8. Funciones de pertenencia para la variable
de entrada de(t).
Fig9. Funciones de pertenencia para la variable
de salida Kp.
Fig10. Funciones de pertenencia para la
variable de salida Kd.
Fig11. Funciones de pertenencia para la
variable de salida Ki.
SIMULACIONES Y RESULTADOS
Es esta sección vamos a observar la performance
de nuestro sistema controlador-planta cuando se
le exige una trayectoria helicoidal. En la fig. 12-
13 se muestra la referencia y la respuesta del
sistema para la posición y orientación del efector
final. Se puede notar que el robot SCARA
realiza el seguimiento de la trayectoria sin
ningún problema mostrando una alta
performance.
Fig12. Seguimiento de una trayectoria
helicoidal para la posición.
Fig13. Seguimiento de una trayectoria rectilínea
para la posición.
El torque necesario que deben brindar los
motores para el seguimiento de la trayectoria son
mostrados en la fig. 14. Se observa que existe un
mayor esfuerzo de control al inicio, esto se
justifica porque inicialmente se necesita vencer
la inercia de la estructura del robot,
 Ingeniería Mecatrónica - UNI, Diciembre 2009

CONCLUSIONES

El presente estudio, tuvo éxito en el diseño de un

controlador PID adaptativo difuso optimizado
usando técnicas de algoritmos genéticos. Con
este tipo de control se obtiene una buena
performance para el sobre impulso, tiempo de
establecimiento y oscilaciones despreciables en
la variable controlada. Este tipo de control no
limita los rangos de operación de la planta como
si ocurre con el controlador PID convencional.
La optimización por algoritmos genéticos puede
Fig14. Torques necesarios en las juntas del
aplicarse a la base de reglas, ganancias de
robot.
entrada y salida del sistema difuso para obtener
un sistema de control aun más eficaz.
Para los motores modelados en el presente
trabajo, las corrientes que pasan por las bobinas
de éstos se muestran en la fig.15. Se visualiza
que el nivel máximo de corriente necesario es de
REFERENCIAS
3.5A en el Motor 1. Las especificaciones
técnicas de los motores modelados nos brindan
[1] Kyoung Kwan Ahn and Bao Kha Nguyen,
una corriente máxima de 5A a plena carga. Por
December 2006. Position Control of Shape
lo tanto los motores satisfacen los
Memory Alloy Actuators Using Self
requerimientos del control. Tunning Fuzzy PID Controller.
[2] Department of Electrical and Computer
Engineering, Islamic University Malaysia,
2008. Design an Implementation of an
Optimal Fuzzy Logic Controller Using
Genetic Algorithm.
[3] Jantzen J 2007: Foundation Fuzzy Control,
ASBN 978-0-470-02963.
[4] Abdollah Homaifar and Ed McCormick,
May 2005. Simultaneous Design of
Membership Functions and Rule Sets for
Fuzzy Controllers Using Genetic
Algorithms.

Fig15. Corrientes en las bobinas de cada uno de

los motores.