Control de velocidad del motor de CC

con PID y controlador inteligente

Purushotam Kumar, Prabhakar Kumar Prabhat, Mithun Kumar, Dr. S.D. Choudhary

Abstract- La tesis describe el concepto de motor de CC y control de velocidad de motor de corriente continua excitado.
La velocidad del motor se controla con el controlador PID y el primer sistema se verifica sin el controlador en condición
de carga y descarga, luego se agrega el controlador PID y el sistema se ajusta utilizando los métodos de ajuste
existentes. Después de que el sistema se sintoniza más para obtener el valor deseado con un error de estado menos
estable. Y luego se discute el resultado. Este documento describe los conceptos básicos de Fuzzy Set y Fuzzy Logic,
el control de velocidad con la ayuda del controlador Fuzzy. El controlador difuso proporciona mejores estrategias de
control que otros controladores. La optimización del controlador Fuzzy con el modelo Simulink se describe en este
documento y una nueva forma para una respuesta más rápida y una salida sin problemas. La comparación de los
resultados de estos dos controladores también se muestra. De los resultados se demuestra que Fuzzy Controller es
el mejor controlador. Finalmente se discute la Simulación MATLAB.

Index Terms: DC Motor, PID Controller, Existing tuning, Steady State Error, Fuzzy logic, Fuzzy controller, Simulink, MATLAB.

 Purushotam Kumar, Research Scholar, Department of

1. CONCEPTOS DE MOTOR DC Electrical Engineering, Asansol Engineering College,
Para un motor, convierte la energía eléctrica en energía WB, India E-mail: purushotamkumar88@gmail.com
mecánica. Hay dos tipos de motor: motor de CA y  Prabhakar Kumar Prabhat is currently associated with the
motor de CC. Un motor de corriente continua simple department of Electrical
Engineering,DAVIET,Daltonganj, Jharkhand, India, E-
usa electricidad y campo magnético para producir mail: pkp.nitp@gmail.com
torque que hace girar el motor. El motor de CC de imán  Mithun Kumar is currently associated with the
permanente PMDC supera al motor de CA porque department of Electrical Engineering, DAVIET,
proporciona un mejor control de la velocidad en cargas Daltonganj, Jharkhand, India, E-mail:
mithunkism@gmail.com
de alto par y se usa en una amplia aplicación industrial.
 Dr. S.D. Choudhary is currently associated with the
El voltaje aplicado describe la velocidad del motor department of Electronics & Communication
mientras que la corriente en los devanados del inducido Engineering, DAVIET, Daltonganj, Jharkhand, India, E-
muestra el par. Si la carga aplicada aumenta en el eje del mail: suryadeo.bit@gmail.com
motor, entonces, para mantener su velocidad, el motor
extrae más corriente del suministro y si el suministro no
es capaz de proporcionar suficiente corriente, la
velocidad del motor se verá afectada. El motor de CC
proporciona resultados más eficaces si se utiliza el
circuito de corte. Los motores de CC de baja potencia
generalmente se usan con fines de elevación y
transporte ya que los motores de CA de baja potencia
no tienen una buena capacidad de par. Motor de
Donde, VA es el voltage de armadura. (En voltios)
corriente continua utilizado en motores ferroviarios,
E b es la fuerza contra electromotriz del motor (en
automóviles eléctricos, elevadores, aplicaciones
voltios)
robóticas, ventanas de automóviles y una amplia gama I a Es la corriente de armadura (En amperios)
de pequeños electrodomésticos y un complejo proceso
R a Es la Resistencia de armadura (en ohm)
de mezcla industrial donde el torque no puede verse
L a Es la inductancia de armadura (En Henrios)
comprometido.
T m Es el torque mecánico desarrollado (En Nm)
J m Es el momento de inercia (En kg/m²)
2. CONTROL DE VELOCIDAD DE
B m Es el coeficiente de fricción del motor (En
MOTOR DC
Nm/ (rad/sec))
El término "control de velocidad" significa variación de  Es la velocidad angular (En rad/sec)
velocidad intencional realizada de forma manual o Nosotros sabemos que:
automática. Los motores de CC son los más adecuados  = (V a -I R)/K aϕ.. (1)
para el control de velocidad de amplio rango y están Donde,
disponibles para muchos variadores de velocidad ϕ = Flujo de campo por polo
ajustables. Ka = Contante de armadura = PZ / 2a
Donde:
P = Número de polos

Especificación del motor:
Resistencia de armadura (R a) = 0.5
Inductancia de armadura (L a) = 0.02 H
Voltaje de armadura (V a) = 200
Inercia Mecánica (j) = 0.1 Kg .m
Coeficiente de fricción (B m) = 0.008 N.m/rad/sec
Constante contra electromotriz (k) = 1.25 V/rad/sec
Velocidad nominal = 1500 r.p.m
Constante torque de motor =N.m/A
Cálculos:
Velocidad a plena carga cuando
=157.07 rad/sec
E b=1.25x157.07=196.3 V
VA= E b+I R 200 = 196.3+I R
IA =7.325 Amps
3. CONTROL DE VELOCIDAD CON
CONTROLADOR PID
Un controlador derivado proporcional integral
(controlador PID) se usa ampliamente en sistemas de
control industrial. Es un mecanismo de
retroalimentación de bucle de control genérico y se
utiliza como controlador de realimentación. El principio
de funcionamiento PID es que calcula un valor de error
a partir del valor medido procesado y el punto de
referencia deseado. El trabajo del controlador es
minimizar el error cambiando las entradas del sistema.
Si el sistema no se conoce claramente, la aplicación del
controlador PID brindará los mejores resultados si se
sintoniza adecuadamente al mantener los parámetros
del sistema de acuerdo con la naturaleza del sistema.
Figura 1 Diagrama de bloques del controlador PID
La medición de PID depende de tres parámetros, que se
denomina parte proporcional, integral y derivada, que
se denomina parte P, I y D. P determina la reacción al
error actual, determino la reacción a la suma de los
errores recientemente aparecidos, D determina la
reacción de acuerdo con la tasa de error de cambio. La
suma de las tres partes contribuye con el mecanismo de
control, como el control de velocidad de un motor en el
que el valor P depende del error actual, I en la
acumulación del error anterior y D predice el error
futuro en función de la tasa de cambio actual. Como la
acción derivada es sensible al ruido, los controladores
son, en su mayoría, controladores PI en lugar de PID, ya
que no es posible un sistema sin perturbaciones. La
parte integral ayuda al sistema a alcanzar su valor
objetivo mientras que la parte P aumenta los excesos. El
término P toma la salida a proporcional del valor de
error. Su respuesta puede ajustarse multiplicando el
error por una constante Kp que se llama ganancia
proporcional. Si la ganancia proporcional es grande,
entonces crea un sobreimpulso alto que inestable el
sistema, mientras que una pequeña salida cambio hace
una pequeña acción de control.
Fig: Tres valores de Kp, Ki y Kd
El término integral contribuye error y duración de error
proporcionalmente. El error sum proporciona el
desplazamiento que se corrigió previamente. El error
calculado se multiplica por la ganancia integral y luego
se agrega a la salida del controlador. Finalmente redujo el
error de estado estacionario.
4. SINTONIZACIÓN DEL
CONTROLADOR PIDPOR EL MÉTODO
DE ZIEGLER-NICHOLS
 Diferentes valores de k P , k I y o K d del controlador PID para
el ángulo del análisis gráfico: -

Fig: Modelo Simulink de un motor DC con controlador

PID
Al igual que en este proyecto, el objetivo es controlar la
velocidad para que la velocidad se envíe de regreso para
verificar el sistema en un circuito cerrado y un
controlador PID sintonizado. El método utilizado para la
afinación es el método de Ziegler-Nichols.

De acuerdo con el método de Ziegler-Nichols:

 Ejecutar el controlador tomando sólo P valor.

 Aumenta el valor P del sistema hasta que se auto-oscila

con constante amplitud.
 Luego tome tiempo de ganancia del
controlador período

Diferentes valores de K , K y K del controlador PID

P I o d

para la posición del análisis gráfico: -

CONCLUSION
Al aplicar el controlador PID, ambos sistemas se vuelven
marginalmente estables. Pero el tiempo de asentamiento
es de 10 segundos para el ángulo del péndulo, que
debería reducirse. Se produce demasiada amortiguación
tanto para el ángulo como para la posición. Entonces no
podemos decir que el PID es bueno para el péndulo
invertido.
5. CONTROL DE VELOCIDAD
CON CONTROLADOR FUZZY
Los controladores basados en la lógica difusa dan a las
estrategias lingüísticas el control de la conversión del
conocimiento experto en estrategias de control
automático. La primera aplicación de controladores
basados en lógica difusa fue realizada por Assilian y
Mandani [2]. La reciente aplicación de controlador de
lógica difusa [3] en control de calidad de agua, sistema
automático de operación de tren, control de ascensores,
control de reactor nuclear y computadoras difusas
muestra una manera eficiente de usar el control difuso en
procesos complejos que pueden ser controlados por un
ser humano hábil sin conocer su dinámica.
El controlador de lógica difusa consiste en un conjunto de
reglas y proposiciones lingüísticas, que define las acciones
de control individuales. Un controlador de lógica difusa
diseñada sobre la base de la lógica difusa es un
controlador basado en el razonamiento aproximado, que
no requiere modelos exactamente analíticas y está mucho
más cerca en espíritu al pensamiento humano y el lenguaje
natural que el sistema de la lógica tradicional.
Esencialmente, las estrategias de control en el FLC se
basan en la experiencia experta, por lo que el controlador
de lógica difusa se puede considerar como la simulación
de un modelo de control humanoide. Cuando el diseño de
un FLC, las estrategias de control tienen que ser
considerados como la simulación de un humanoide reglas
de control de pre-construidos por resultado de control no
cumple con los requisitos del sistema debido a un cambio
en el ambiente exterior. La posible solución a este
problema es que podemos ajustar la función de
membresía de los conjuntos difusos o las reglas de control
para lograr el objetivo de control.
La lógica difusa es un tipo de lógica multivariada. Se trata
de un razonamiento aproximado en lugar de preciso.
Lógica difusa derivada de la teoría de conjuntos difusos.
La lógica difusa fue propuesta por primera vez por
LotfiZadeh en 1965. La lógica difusa ha utilizado
actualmente en teoría de control sistemas de inteligencia
artificial especialmente para controlar motores de aviones
complejos y superficies de control, control de helicópteros,
guía de embalaje, transmisión automática, control de
deslizamiento de las ruedas, cámaras de enfoque
automático y lavado máquinas, motores de ferrocarril
para una conducción suave y el consumo de combustible
y muchos procesos industriales. La lógica difusa
proporciona mejores resultados si la comparamos con el
controlador PID. El control de lógica difusa es un
algoritmo de control basado en una estrategia de control
lingüístico, que se deriva del conocimiento experto en una
estrategia de control automático. La operación de un FLC
se basa en el conocimiento cualitativo sobre el sistema que
se controla. No necesita ningún cálculo matemático difícil
como otros sistemas de control. Mientras que el sistema de
control de otros utiliza cálculos matemáticos difíciles para
proporcionar un modelo de la planta controlada, solo usa
cálculos matemáticos simples para simular el
conocimiento experto. El conjunto difuso de la teoría
representa el razonamiento humano con un conocimiento
que es casi imposible de representar en medidas
cuantitativas o para el control de plantas que son difíciles
de controlar o están mal definidas. El sistema de inferencia
difusa modela el sistema usando las reglas si-entonces. La
teoría de conjuntos difusos propuso la función de
membresía en el rango de números [0, 1] o la función de
membresía falsa o verdadera. Esta teoría proporciona la
fuerza matemática para verificar las incertidumbres
relacionadas con el pensamiento o el razonamiento
humano. La lógica difusa es adecuada para un modelo que
es difícil de controlar o modelos no lineales. Este sistema
también proporciona control sobre los sistemas MIMO y
también permite la toma de decisiones con información
incompleta. El razonamiento humano también se puede
conocer como imprecisa de múltiples valores. [21] El
requisito para la aplicación de un FLC surge
principalmente en situaciones dónde:
1. La descripción del proceso tecnológico está disponible
solo en forma de palabra, no en forma analítica.
2. No es posible identificar los parámetros del proceso
con precisión.
3. La descripción del proceso es demasiado compleja y
es más razonable expresar su descripción en lenguaje
sencillo palabras.
4. El proceso tecnológico controlado tiene un carácter
"borroso".
5. No es posible definir con precisión estos condiciones
Un controlador de lógica difusa tiene cuatro componentes
principales como se muestra en Figura:
1. Fuzzificación
2. Inferencia motor
3. Regla base
4. Defuzzificación
Fuzzificación
El primer paso en el diseño de un controlador difuso es
decidir qué variables de estado representan el
comportamiento dinámico del sistema debe ser tomada
como la señal de entrada al controlador. La lógica difusa
usa variables lingüísticas en lugar de variables numéricas.
El proceso de conversión de una variable numérica
(número real o variables nítidas) en una variable
lingüística (número difuso) se denomina fuzzificación.
Esto se logra con los diferentes tipos de fuzzyficadores. En
general, hay tres tipos de fuzzyficadores, que se utilizan
para el proceso de fuzzificación; ellos son:
Centro de gravedad (COG)
Para conjuntos discretos, el COG se denomina centro de
gravedad para singletons (COGS) donde el valor de
control nítido es la abscisa del centro de gravedad del
conjunto difuso se calcula de la siguiente manera:

 Fuzzicador Singleton
 Fuzzicador Gaussiano
 Fuzzicador trapezoidal o triangular

Base de reglas
Donde x i es un punto en el universo de la conclusión (i =
Una lógica de toma de decisiones que es, simulando un 1, 2, 3....) Y μ c (xi) es el valor de membresía del conjunto
proceso de decisión humano, interfiere la acción de de conclusiones resultante. Para los conjuntos continuos,
control difuso a partir del conocimiento de las reglas de las sumas son reemplazadas por integrales.
control y las definiciones de variables lingüísticas [9]. Las
reglas están en formato “Si Entonces" y formalmente el
lado Si se llama a las condiciones y luego de un lado se
llama la conclusión. El equipo es capaz de ejecutar las
reglas y calcular una señal de control dependiendo del
error medido entradas (e) y el cambio en el error (de). En
un controlador basado en normas la estrategia de control
se almacena en un lenguaje más o menos natural. Un
controlador de base de reglas es fácil de entender y fácil
Fig: Centro de gravedad
de mantener para un usuario final no especializado y un
controlador equivalente podría ser implementado usando
técnicas convencionales [14].
Bisectriz de área (BOA)
Motor de inferencia

El método de defuzzificación de bisectriz de área (BOA)

El motor de inferencia se define como el código de
calcula la abscisa de la línea vertical que divide el área de
software que procesa las reglas, casos, objetos u otro tipo
la función de membresía resultante en dos áreas iguales.
de conocimiento y experiencia basados en los hechos de
Para conjuntos discretos, es la abscisa x j que minimiza.
una situación dada. Cuando hay un problema por resolver
que involucra habilidades de lógica en lugar de esgrima,
tomamos una serie de pasos de inferencia que pueden
incluir deducción, asociación, reconocimiento y toma de
decisiones. Un motor de inferencia es un sistema de
procesamiento de información (como un programa de
computadora) que sistemáticamente emplea pasos de
Aquí imax es el índice de la mayor abscisa x imax. BOA
inferencia similares a los de un cerebro humano.
es un método computacionalmente complejo.
Defuzzificación
Media de máxima (MOM)
El reverso de Fuzzificación se llama Defuzzificación. El
En este método, el valor nítido es elegir el punto con la
uso de un Controlador de Lógica Difusa (FLC) produce la
membresía más alta. Puede haber varios puntos en el
salida requerida en una variable lingüística (número
conjunto fuzzy implícito general que tienen un valor
borroso). De acuerdo con los requisitos del mundo real, las
máximo de membresía. Por lo tanto, es una práctica
variables lingüísticas deben transformarse en resultados
común calcular el valor medio de estos puntos. Este
nítidos. Hay muchos métodos de Defuzzificación, pero los
método se denomina media de máximo (MOM) y el valor
métodos más comunes son los siguientes [11]:
nítido se calcula de la siguiente manera:
 Centro de gravedad (COG)
 Bisectriz de área (BOA)
 Media de máxima (MOM)
Aquí I es el (quebradizo) conjunto de índices i, donde µ
c(x I) alcanza su µmax cardinalidad (el número de
miembros), y |I| es su implementación de un FLC
requiere la elección de cuatro factores clave:
 Número de conjuntos difusos que constituyen
variables lingüísticas.
 Mapeo de las mediciones en el soporte conjuntos.
 Controlar protocolo ese determina el controlador
comportamiento.
 Forma de membresía funciones.
Mamdani difusa inferencia
El método más común que se usa actualmente es el
sistema de inferencia difusa. En 1975, el profesor Ebrahim
Mamdani de la Universidad de Londres presentó por
primera vez sistemas difusos para controlar una
combinación de motor de vapor y caldera. Aplicó un
conjunto de reglas difusas para operadores humanos con
experiencia. El sistema Mamdani usualmente se realiza en
cuatro pasos. [21]
 Fuzzificación de las entradas
 Regla evaluación.
 Agregación de la reglas.
 Defuzzificación.
La fuzzificación convierte los datos de entrada al grado de
las funciones de membresía. En este proceso, los datos
coinciden con la condición de las reglas y determinan qué
tan bien se corresponden los datos con la regla en una
instancia particular. Por lo tanto, se desarrolla un grado de
función de membresía.
Luego, en Rule-base block rules se escriben según los
requisitos del sistema. El controlador difuso funciona
tanto en MIMO como en SISO. En el caso del motor de CC,
hay dos variables de entrada: Error y Cambio en error.
Este sistema está limitado al control de bucle único. Por lo
general, las reglas están en la forma if, and, then. En la
inferencia, la agregación de motor se realiza en qué grado
de cumplimiento se calcula de acuerdo con la condición
especificada por una regla. En activación, se selecciona
min de dos valores agregados y solo se activa la parte
engrosada de singleton. Su multiplicación resulta en un
control suave y liviano. Luego, todas las conclusiones
activadas se acumulan utilizando operación max.
Bloque de defuzzificación convierte el conjunto difuso
resultante en un número que se envía al sistema y este
número es realmente la señal de control. Hay siete
métodos de defuzzificación.
1. Centro de gravedad (COG)
2. Método del centro de gravedad para singleton
(COGS)
3. Bisectriz de área (BOA)
4. Media de Máxima (MOM)
5. Más máxima a la izquierda (LM), y más a la
derecha máxima (RM)
Sugeno Fuzzy Inferencia
El estilo de Mamdani no es computacionalmente eficiente ya
que encuentra el centroide de dos formas dimensionales
mediante la integración de la función de transporte. Michio
Sugeno propuso un nuevo método para utilizar single spike, un
singleton, como entradas de función de membresía. Su conjunto
difuso medio está en el punto de unidad en un punto particular
del universo del discurso y cero en el área restante. Este sistema
es casi idéntico al método de Mamdani, pero con la excepción
del cambio consiguiente y en lugar del conjunto difuso, utiliza
una función matemática como variable de entrada. [21]
Reglas
Las reglas generales para el control de velocidad del motor
de CC es que si la velocidad del motor es menor que la
velocidad deseada, entonces acelere el motor y si la
velocidad del motor es mayor que la velocidad de
referencia, entonces disminuye su velocidad. Hay nueve
condiciones posibles en las que se puede ver el motor y se
seleccionan nueve regiones posibles a partir de las cuales
se escriben 25 reglas posibles en el controlador difuso. En
el proceso de producir la tensión de salida necesaria con
un Controlador de Lógica Difusa, el error de velocidad
debe reducirse al mínimo. El mayor error de velocidad
causa una mayor entrada de controlador. Además, el
cambio del error juega un papel importante para definir la
entrada del controlador.
En la región uno, de acuerdo con el error de la figura, está
en reinado positivo, mientras que la dirección del error
está en reinado negativo, por lo que la salida del
controlador debe ser positiva. En este caso, la velocidad
aún no toca el punto de referencia, por lo que se requiere
un aumento en la velocidad, que es directamente
proporcional a la tensión del controlador, por lo que
aumentar el voltaje ayuda a que el motor obtenga la
velocidad de referencia. En tercer reinado, si el valor de
error es negativo grande y el cambio del valor de error es
negativo grande, la salida será negativa grande. Esta
condición corresponde al intervalo del reinado 3, pero este
resultado nos da un valor nítido para el control difuso.
Este valor nítido debe convertirse a una forma lingüística. Fig. Vista de superficie

La superficie en la siguiente Fig. Muestra que el motor toca

la velocidad de referencia de una manera suave. De
acuerdo con este diseño, el motor puede alcanzar la
velocidad máxima de 300 rad / seg.

Fig. Modelo de Simulink del control de velocidad del

 Si el error es NL y el cambio en error es NL,
motor de CC a través del controlador difuso.
entonces la salida es NL
 Si el error es NL y el cambio en el error es NZ, la
En el error del controlador difuso y el cambio en el error
salida es NL
se mide con las siguientes fórmulas:
 Si el error es NL y el cambio en el error es ZZ,
entonces la salida es NZ
Error (ek) = Wref - wm
Cambio en el error (ce) = e (k) - e (k-1)
La salida del controlador trazada contra las reglas
describe. Reglas comportamiento se puede comprobar
La fuerza contra electromotriz proporciona el error
mediante el cambio del error o cambio en el punto de
mientras que el error de cambio midió que el error va en
error. Desde la superficie una idea puede ser construida
dirección negativa o positiva. En el modelo Simulink, la
que en un caso determinado cuál será la salida de
velocidad de referencia se selecciona 150 rad / seg.
controlador.

Fig. Salida del motor de CC

En la figura, la velocidad deseada es 150 rad / seg. El motor

Fig. Salidas simuladas (Sugeno Fuzzy Inference)
alcanza esta velocidad en menos de 0,2 segundos y la
carga de par se aplica a 0,5 segundos, pero no tiene ningún
efecto sobre la velocidad y permanece constante. Esta es la
ventaja del controlador difuso que en la ubicación del polo
y la velocidad del controlador PID se reduce durante un
tiempo menor y luego va al punto de referencia, pero en
este caso la velocidad no se reduce.
Diseño de reglas difusas
Bases de reglas para afinar KP
actuación.
 El controlador de parámetros PID de autoajuste
difuso puede ajustar automáticamente los
parámetros PID de acuerdo con el error de velocidad
y la velocidad de cambio de error de velocidad, por
lo que tiene una mejor capacidad de autoadaptación.
El controlador de parámetro PID borroso tiene un
sobreimpulso menor y menos tiempo de subida y
asentamiento que los convencionales Controlador
PID y tiene mejores propiedades de respuesta
dinámica y estado estacionario propiedades.
 El error de estado estable en caso de PID difuso
autoajustable es menor en comparación con el
controlador PID convencional.

Diferentes valores de Kp, Ki y Kd para el controlador de

lógica difusa:
Sl. No. Kd Kp Ki

1 0.75 15 1

2 3.5 5 20

3 0.02 -3 15

4 10 2.5 0.8

5 55 4 -10.25

11. RESPUESTA DE UN CONTROLADOR

DE LÓGICA DIFUSA

Comparación entre PID difuso y PID convencional

controlador:

 Ajuste automático El controlador PID es menos

comparado con el PID convencional controlador.
 Los tres parámetros "K P", "K I", "K D" de control PID
convencional necesitan ser ajustados constantemente
en línea con el fin de lograr un mejor control
12. SIMULACIÓN RESULTADOS
 13. DISCUSIÓN Y CONCLUSIÓN DEL
RESULTADO
En este proyecto se ha estudiado sobre el método diferente
para el control de velocidad de motor de corriente
continua. Se estudian el funcionamiento en régimen
permanente y sus diversas velocidades de par,
características de par de corriente del motor de CC.
También hemos estudiado la definición básica y la
terminología de lógica difusa y conjunto difuso. Este
proyecto presenta un método de diseño de dos entradas y
tres salidas de controlador PID difuso autoajustable y
utiliza la caja de herramientas fuzzy de MATLAB para
diseñar el controlador difuso. El controlador difuso ajustó
las ganancias proporcional, integral y derivada (KP, KI ,
KD) del controlador PID de acuerdo con el error de
velocidad y el cambio en el error de velocidad se traduce
.Desde la simulación se concluye que, en comparación con
el controlador PID convencional, controlador de
autosintonización PID tiene un mejor rendimiento tanto
en la respuesta en régimen transitorio y estable. El FLC
tiene una mejor curva de respuesta dinámica, un tiempo
de respuesta más corto, un pequeño sobreimpulso, un
pequeño error de estado estable (SSE), una alta precisión
constante en comparación con el controlador PID
convencional.
14. FUTURO ALCANCE
Se ha realizado la simulación de MATLAB para el control
de velocidad del motor de CC, que se puede implementar
en hardware para observar la factibilidad real del enfoque
aplicado en esta tesis. Esta técnica se puede extender a
otros tipos de motores. Los parámetros del controlador
PID también se pueden ajustar mediante el uso de
algoritmo genético (GA).
REFERENCIAS
[1]B.J. Chalmers, “Influence of saturation in brushless
permanent magnet drives.” IEE proc. B,
Electr.PowerAppl, vol.139, no.1, 1992.
[2]C.T. Johnson and R.D. Lorenz, “Experimental
identification of friction and its compensation in precise,
position controlled mechanism.” IEEE Trans. Ind
,Applicat, vol.28, no.6, 1992.
[3]J. Zhang, N. Wang and S. Wang, “A developed method
of tuning PID controllers with fuzzy rules for integrating
process,” Proceedings of the American Control
Conference,Boston, 2004, pp.1109-1114.
[4] K.H. Ang, G. Chong and Y. Li, “PID control system
analysis, design and technology,” IEEE transaction on
Control System Technology, Vol.13, No.4, 2005, pp. 559-
576
[5] H.X.Li and S.K.Tso, "Quantitative design and analysis
of Fuzzy Proportional-Integral-Derivative Control- a Step
towards Auto tuning", International journal of system
science, Vol.31, No.5, 2000, pp.545-553.
[6] Thana Pattaradej, Guanrong Chen and
PitikhateSooraksa, "Design and Implementation of Fuzzy
PID Control of a bicycle robot", Integrated computer-
aided engineering, Vol.9, No.4, 2002.
[7] Weiming Tang, Guanrong Chen and Rongde Lu, “A
Modified Fuzzy PI Controller for a Flexible-joint Robot
Arm with Uncertainties”, Fuzzy Set and System, 118
(2001) 109-119.
[8] PavolFedor, Daniela Perduková, “A Simple Fuzzy
Controller Structure,”ActaElectrotechnica ET Informatica
No. 4, Vol. 5, 2005
[9]Maher M.F. AlgreerandYhyaR.M.Kuraz, “Design
Fuzzy Self Tuning of PID Controller for Chopper-Fed DC
Motor drive.”Kuraz
[10] BomedieneAlloua ,AbdellahLaoufBrahimGasbaoui
and ABdessalamAbderrahamani, “Neuro-Fuzzy DC
Motor speed Control Using Particle Swarm
Optimization,” Leonaro Electronic Journal of Practices
and Technologies ISSN,1583-1078.
[11]ManafeddinNamazov and OnurBasturk, “DC motor
position control using fuzzy proportional-derivative
controllers with different defuzzification methods,”
Turkish Journal of Fuzzy Systems (eISSN: 1309–1190),
Vol.1, No.1, pp. 36-54, 2010.
[12] Wang Xiao-kan, Sun Zhong-liang, Wanglei, Feng
Dong-qing, "Design and Research Based on Fuzzy PID-
Parameters SelfTuning Controller with MATLAB,"
Advanced Computer Theory and Engineering,
International Conference on, pp. 996-999, 2008
International Conference on Advanced Computer Theory
and Engineering, 2008.
[13] GaddamMallesham and AkulaRajani ,”AUTOMATIC
TUNING OF PID CONTROLLER USING FUZZY LOGIC
.” 8th International Conference on DEVELOPMENT AND
APPLICATION SYSTEMS Suceava, Romania, May 25 –
27, 2006.
[14]NurAzliza Ali, “Fuzzy logic controller for controlling
DC motor speedusing MATLAB applications”.
[15]M.Chow and A. Menozzi ,”on the comparison of
emerging and conventional techniques for DC motor
control” proc.IECON ,PP.1008-1013,1992.
[16]A.course in fuzzy systems and control by Li-Xin
Wang, Prentice-Hall international, Inc.
[17]Ogata, K., Modern Control Engineering. Englewood
Cliffs, NJ: Prentice Hall, 2001.
[18]MATLAB and SIMULINK Version 2010a, the
MathsworksInc, USA.
[19]P.S Bhimbhra,electrical machinery, New Delhi,
Khanna Publishers.
[20] www.wikipedia.org
Books
Gopal, M., Control Systems-Principles and Design; 3rd
Edition, New Delhi: McGraw-Hill, 2008.
Ajit K. Mandal, Introduction to Control Engineering-
Modeling, Analysis and Design; 1st Edition, New Delhi,
New Age International, 2008.
Franklin, G.F., J.D. Powel and A. Emami-Naeini; Feedback
Control of Dynamical Systems; 5th Edition, Upper Saddle
River, NJ: Pearson Education 2005.
Dorf, R.C. and R.H. Brishop; Modern Control System, 10th
Edition, Upper Saddle River, NJ: Pearson Education 2004.
Nise, N.S.; Control System Engineering; 4th Edition
Danvers, MA: John Wiley, 2003.
Kuo, B.C. and F. Golnaraghi: Automatic Control System;
8th Edition Danvers, MA: John Wiley, 2003.