Documente Academic
Documente Profesional
Documente Cultură
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.
4. SINTONIZACIÓN DEL
CONTROLADOR PIDPOR EL MÉTODO
DE ZIEGLER-NICHOLS
Figura 1 Diagrama de bloques del controlador PID
Diferentes valores de k P , k I y o K d del controlador PID para
el ángulo 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 controlador PID. El control de lógica difusa es un
automático de operación de tren, control de ascensores, algoritmo de control basado en una estrategia de control
control de reactor nuclear y computadoras difusas lingüístico, que se deriva del conocimiento experto en una
muestra una manera eficiente de usar el control difuso en estrategia de control automático. La operación de un FLC
procesos complejos que pueden ser controlados por un se basa en el conocimiento cualitativo sobre el sistema que
ser humano hábil sin conocer su dinámica. se controla. No necesita ningún cálculo matemático difícil
como otros sistemas de control. Mientras que el sistema de
El controlador de lógica difusa consiste en un conjunto de control de otros utiliza cálculos matemáticos difíciles para
reglas y proposiciones lingüísticas, que define las acciones proporcionar un modelo de la planta controlada, solo usa
de control individuales. Un controlador de lógica difusa cálculos matemáticos simples para simular el
diseñada sobre la base de la lógica difusa es un conocimiento experto. El conjunto difuso de la teoría
controlador basado en el razonamiento aproximado, que representa el razonamiento humano con un conocimiento
no requiere modelos exactamente analíticas y está mucho que es casi imposible de representar en medidas
más cerca en espíritu al pensamiento humano y el lenguaje cuantitativas o para el control de plantas que son difíciles
natural que el sistema de la lógica tradicional. de controlar o están mal definidas. El sistema de inferencia
Esencialmente, las estrategias de control en el FLC se difusa modela el sistema usando las reglas si-entonces. La
basan en la experiencia experta, por lo que el controlador teoría de conjuntos difusos propuso la función de
de lógica difusa se puede considerar como la simulación membresía en el rango de números [0, 1] o la función de
de un modelo de control humanoide. Cuando el diseño de membresía falsa o verdadera. Esta teoría proporciona la
un FLC, las estrategias de control tienen que ser fuerza matemática para verificar las incertidumbres
considerados como la simulación de un humanoide reglas relacionadas con el pensamiento o el razonamiento
de control de pre-construidos por resultado de control no humano. La lógica difusa es adecuada para un modelo que
cumple con los requisitos del sistema debido a un cambio es difícil de controlar o modelos no lineales. Este sistema
en el ambiente exterior. La posible solución a este también proporciona control sobre los sistemas MIMO y
problema es que podemos ajustar la función de también permite la toma de decisiones con información
membresía de los conjuntos difusos o las reglas de control incompleta. El razonamiento humano también se puede
para lograr el objetivo de control. conocer como imprecisa de múltiples valores. [21] El
requisito para la aplicación de un FLC surge
principalmente en situaciones dónde:
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
Defuzzificación. Reglas
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