Control PID con sintonización difusa y control difuso

resumen En esta tesis se presenta una metodología para sintonizar automáticamente las ganancias de un controlador PID (Proportional Integral Derivative). Los valores de las ganancias fueron ajustados con base en las propiedades estocásticas del error originado respecto al modelo de referencia seleccionado. El Teorema del Límite Central fue aplicado a un conjunto de muestras del error para estimar un nivel de error medio descrito en un intervalo de confianza y relacionado con un grado de confianza. EL nivel de error estimado y su grado de confianza fueron usados para asignar los valores kp, kd y ki usando un esquema de lógica difusa. Esta metodología fue probada en un motor de CD (Corriente Directa) con excitación separada, cuyo resultados fueron simulados en Matlab® y comparados con un controlador PID convencional sintonizado por el método Ziegler-Nichols y un esquema difuso tipo I, observando mejores índices de rendimiento en comparación con otros. Por lo tanto, es posible asignar valores de sintonía al controlador PID convencional en un sentido de distribución, debido a que este enfoque describe la dinámica del error en casi todos los puntos. Los valores de sintonía apropiados son seleccionados mediante un esquema Mamdani con base al grado de confianza obtenido de una muestra del error, lo que permite adaptar los parámetros de sintonía PID en un sentido difuso y minimizar la SNR (Signal Noise Ratio). Abstract This thesis presents an auto-tuning PID controller (Proportional Integral Derivative) methodology. The gains values were| adjusted based on stochastic error properties originated with respect to the selected reference model. The Central Limit Theorem was applied to an error sample in order to estimate a mean error level described in a confidence interval and related with a confidence level. The error level estimated and its confidence level, were used to assign the kp, kd and ki values using a fuzzy logic scheme. This methodology was tested on a DC (Direct Current) motor model with separate excitation. The Matlab® simulation results were compared with a conventional PID controller tuned by Ziegler-Nichols and a fuzzy logic type I scheme. This obtained a better index improvement compared with the other methods. Therefore is possible to assign the PID tuning values in a distribution sense because these approaches described the dynamical error in almost all points. The best coefficients were selected in the Mamdani forms. This allows adapting PID parameters in fuzzy sense and minimizing the SNR (Signal Noise Ratio)