control clasico y moderno

2. !

4. # $

5. $

6. %

7. %

9. '

10. ()
*
()

11. *

12. +

14. %

15. (

16. *

17. %

18. $%

19. %

20. (
*

21. %

22. #

23. ,
( *
(
*-

24. %

25. (

26. *

27. %

28. %

29. ,
%

30. = + + +

31. =
Figura 2.1 Representación a bloques de un sistema.
#

32. .'/0
+ +
+

33. $

34. ''

35. $
%

36. (
'*

37. %

38. Figura 2.2 Diagrama de un sistema dinámico.

39. #

40. .'/'0

41. .'/'0

42. !

43. #

44. )

45. '1

46. 2

47. $
Figura 2.3 Esquema de un sistema retroalimentado de control.

48. $

49. ,

50. %

51. .
3

52. 0

53. .
0

54. .0

55. %

56. .0

57. 1

58. %

59. .
42

60. '105.0%

61. %

62. #

63. #

64. %

65. 6
.0
%

66. %

67. ,

68. 57.08

69. 5
7.086

70. +

72. %

73. '1

74. %

75. #
5
7.08 +

76. $
!

77. %

78. ,
$

79. '

80. Figura 2.4 Retroalimentación directa de estado.
)

81. '!
Figura 2.5 Retroalimentación de estado usando un estimador.
)

82. %

83. 78

84. '

85. !

86. (

87. !

88. '!

89. .0

90. .3
0

91. .

92. 0

93. +

94. #

96. 9

97. %

98. .0
#

99. .0

101. %
$

102. .0

103. .0 -

104. #.:0

105. .0

106. 7:;8
;

107. ,

108. ;, $

109. $

110. 3

111. %

112. ,

113. ,

114. +

115. ,

116. 2

117. =

118. )

119. '1

120. 7'8

121. $

122. %

123. $$

124. $

125. ,

126. 718

127. ,

129. $

130. ,

131. #
$
.

132. ,
0
9

133. 6

134. #

135. $

136. 2
$?

138. 9

139. ''
6

140. !

141. %

142. ,

143. ,%

144. 3+
%

145. $?
?

147. $

148. (

149. *

150. ,

151. (#
*

152. )

153. #

154. $

156. %

157. %

158. )+

159. !
!

160. !
,

161. (

162. *

163. $

164. #

165. %

166. @

167. A

168. .
0

169. ,

170. 3
$

171. $

172. ,

173. )

174. 2

175. B
C7 8

176. ,

177. $

178. +

179. D-3ED

180. $
$

181. ,

182. F;E
'13

183. G.(
*07!8
)

184. %

185. %

186. $

187. #

188. %

189. 9

190. ;

191. . '10

192. $

193. 'A
*'
.

194. /
-

195. 0
1(
0

196. 0
!

197. (

198. 0
2!

199. 0
3

200. !
%
(
-

201. Salida Entrada de
comando
Base de
conocimiento
Fuzzificación Inferencia Defuzzificación
3
Proceso y
medición
Figura 2.6 Esquema de un controlador difuso insertado en el esquema
general de un control retroalimentado.

202. 'A

203. '1
-
F

204. %

205. .

206. %

207. 0

208. %

209. H

210. -

211. F

212. 3
%

213. I

214. 2

215. . FE:0

216. #

217. #

218. .FE0;,$

219. FE

220. 7A8

221. %

222. FE

223. %

224. $

225. F-/;JD
,
,

226. F-/;JD

227. 9

228. F-/;JD

229. $

230. %

231. 4
5

232. 0

233. 678797
8
7
9
:8:9:
(
8
:
(
9

234. )

235. +

236. !
#
$
#
%m'(
)*+
-
$
, ® )*+
#
$
#
%
#
-
./%
,
#
0
.
)0
#

237. F-..00..'00K..00
;JD.
.00K.
.00

238. ,

239. ;L

240. 7C8
3

241. !
1
.
.
.
,
L
#+
K
#+MKM
!
#
.
,
2;

242. +

243. 2( = 8:944)?
%@
4

244. %

245. %

246. 3

247. ;L/
!
.
.
.
,
L
#+
K
#+5L.#K#D0K5L.#K#D0
2
.
9

248. ;L/

249. %

250. 9

251. )

252. N
,O
+

253. )
%
/

254. %

255. 3
,

257. %

258. (

259. %

260. (

261. %

262. :£
(£::£
(£:%

264. (

265. : £ ( £ )

266. %

267. 1

268. %

269. %

270. 'C
Bajo Medio Alto
0 1 2 3 4 5 6 7 8 9 10
1
0.8
0.6
0.4
0.2
0
e(n)
Degree of membership
6
0 1 2 3 4 5 6 7 8 9 10
1
0.8
0.6
0.4
0.2
0
de(n)
Degree of membership
Bajo Medio Alto
Figura 2.7 Funciones de membresía definidas para las señales
de entrada al controlador difuso

271. )
$

272. 'C)

273. %

274. $

275. ( *
(
*

276. $

277. 'G

278. %

279. bajo medio alto
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
1
0.8
0.6
0.4
0.2
0
salida
Degree of membership
Figura 2.8 Funciones de membresía “crisp” para
la salida.
/

280. 3

281. .

282. 0

283. 1. If (error is bajo) and (cambioerror is bajo) then (salida is bajo) (1)
2. If (error is bajo) and (cambioerror is medio) then (salida is medio) (1)
3. If (error is bajo) and (cambioerror is alto) then (salida is alto) (1)
4. If (error is medio) and (cambioerror is bajo) then (salida is bajo) (1)
5. If (error is medio) and (cambioerror is medio) then (salida is medio) (1)
6. If (error is medio) and (cambioerror is alto) then (salida is alto) (1)
7. If (error is alto) and (cambioerror is alto) then (salida is alto) (1)
8. If (error is alto) and (cambioerror is medio) then (salida is alto) (1)
9. If (error is alto) and (cambioerror is bajo) then (salida is alto) (1)
Tal vez habría que definir o explicar cuántas funciones se tienen que determiner. ¿porqué 9 y no más?
/ )
N

285. O
/ )

286. 2
2

287. +

288. 3

289. )

290. ( *

291. 2D

292. 6

293. ,
D

294. mKmD6 D

295. 5bKbD

296. m b
=
=
×
=
a
a
m
a
%
N
O
/ E

297. (

299. 3

301. .
0

302. %

303. (

304. %

305. (
3

306. )

307. %

308. 3

309. %

310. (
3

311. )F

312. · 3

313. )F F-
(+
3 M;JD3 3
· 3

314. ) F-
(+
3 M;JD (3
3

315. %

316. %

317. '1'3

318. 7G8
+

319. 7H8

320. $
,

321. ,

322. ,

323. $
2

324. %

325. )

327. 'H
$
Figura 2.9 Esquema de una neurona artificial.

328. = A +

329. %

330. .(#*0?

331. 9

332. #

333. 9

334. ':
Figura 2.10 Una capa de neuronas.
2

335. '

336. 1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
Función
Sigmoidal
-5 -4 -3 -2 -1 0 1 2 3 4 5
5
4
3
2
1
0
-1
-2
-3
-4
-5
Función
lineal
-5 -4 -3 -2 -1 0 1 2 3 4 5
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1
Función
Tangencial
-5 -4 -3 -2 -1 0 1 2 3 4 5
Figura 2.11 Funciones de activación comúnmente usadas.
$

337. $

338. #
/

339. . B

340. 0

341. B

342. #
B

343. 9

344. $

345. (
4
*1
#
6

346. %

347. +

348. %

349. #

350. 3

351. #$

352. #

353. # $

354. 0 3

355. '0 3

356. 10 E

357. 0 3

358. %

360. 0 3

361. $'

362. 0 3

363. 0

365. %

366. %

367. 0

368. 0 %

369. .

370. 0
0 %

371. 0 %

372. 0 3

373. 0 3

374. 0 3

375. 0 3

376. 0

377. +

378. P

379. w.'/!0+
DD

380. %

381. Q

382. .'/!0

383. DDP.w0
w
)
.'/!0
+

384. 0 3

385. D

386. F
7C8
0 3

387. .F0

388. .FE0 ,
(
4
*

389. $
BBCB
B
AD

390. 6

391. #

392. .-''0
u Y
Planta
Red Neural
*
Entrenamiento
u’
Figura 2.12. La red neuronal puede ser usada como el modelo
del proceso como caja negra.

393. +

394. %

395. '/A
BBC
{ w } -
w
1*

396. R

397. +
SKT

398. 9

399. '/A

400. '/C
w
- =
C
w
1-
9

402. %

403. 0 4

404. 9

405. U
'1

406. C
{ } E
- -
u Y
-
.'/G0
/V

407. ;

408. Q

409. /

410. V

411. %

412. V

413. E = E
.'/H0
E

414. #

415. Planta
Red
Neural
Entrenamiento
u’
Figura 2.13. Una red neuronal en un modelo inverso.

416. .
!

417. 0

418. )3A

419. $
$$

420. 2

421. .
0
+2#

422. ,

423. )'

424. F

425. (

426. '

427. !
(

428. (
*7,+C7

429. ,

430. !
+

431. 3
0 +

432. 3

433. ,

434. /

435. C
{ E }
h -h
.'/:0
hV

436. h

437. #

439. h
2

441. ,

442. 9

443. hV

444. G{ E } h H
- =
.'/0
3

445. +
3