Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
LA
ASIGNATUR
MT-SUP-XXX
REV00
INGENIERÍA
MECATRÓNICA
Control Inteligente
F-RP-CUP-17/REV:00
DIRECTORIO
Secretario de Educación Pública
2
3
Dr. Carlos Jiménez Gallegos (UPP)
PAGINA
LEGAL
ISBN-----------------
4
ÍNDICE
5
INTRODUCCIÓN
El presente manual es una guía para la asignatura denominada Control
Inteligente, con el fin de que se convierta en un instrumento de referencia.
Este curso junto con otros como son: Control I, Control II, Diseño mecatrónico,
Robótica I y II integran las herramientas de ingeniería intermedia para la función:
diseño e implantación de controladores para la automatización de sistemas
mecatrónicos.
Es claro que el alumno para tener un buen desarrollo en esta asignatura debe
satisfacer el prerrequisito de contar con los conocimientos y habilidades que
aporta los cursos de Control I (Control Analógico) y Control II (Control Digital).
6
FICHA TÉCNICA
Control inteligente
Nombre:
FICHA TÉCNICA
Clave:
(Asignatura)
Esta asignatura introduce el tema de controladores modernos para
Justificación:
sistemas complejos basados en conocimiento donde el uso de las
técnicas de control convencionales son insuficientes, mismos que se
comparan con los controladores clásicos vistos en las asignaturas
Control I (versión continua) y Control II (versión discreta).
Desarrollar la capacidad en el alumno para aplicar la teoría de control
Objetivo: moderno basado en conocimiento desde el enfoque del razonamiento
difuso y las redes neuronales.
Dominio de control Clásico, Control Digital y algún lenguaje de
Pre requisitos:
programación.
Capacidades
TEORÍA PRÁCTICA
UNIDADES DE No No
APRENDIZAJE presencia presencia presencia presencial
l l l
Características y
propiedades de
los conjuntos
Estimación de tiempo (horas)
difusos 18 0 6 0
necesario para transmitir el
aprendizaje al alumno, por Control difuso 10 0 10 5
Unidad de Aprendizaje: Redes neuronales
artificiales y
modelos de
entrenamiento 18 0 6 5
Identificación y
control mediante
RNA 14 0 8 5
Total de horas por
105
cuatrimestre:
Total de horas por semana: 7
Créditos: 7
7
1. Freeman, J. A., & Skapura, D. M., Neural networks: algorithms,
applications, and programming techniques. Reading, MA:
Addison-Wesley 1991.
2. D. Driankov, H. Hellendoorn, M. Reinfrank, An Introduction to
Fuzzy Control, Spring Verlag, New York, 1993
Bibliografía:
3. Kosko, B. Neural Networks And Fuzzy Systems, Englewood
Cliffs, Nj: Prentice-Hall, 1992.
4. Franklin, Powell & Emami, Control De Sistemas Dinámicos
Con Retroalimentación, Addison-Wesley, 1991.
5. Hilera, J. R. Martinez, Redes Neuronales Artificiales,
Fundamentos, Modelos Y Aplicaciones, 1995
8
IDENTIFICACIÓN DE RESULTADOS DE APRENDIZAJE
Identificar
ED: Identifique y controle
modelos a Instrumente la Identificación-
un sistema mecatrónico
través de su control de sistemas no lineales.
mediante simulación
dinámica
10
PLANEACIÓN DEL APRENDIZAJE
11
Instrumen Técnicas Total de horas
Espacio educativo
Resultados de Criterios de to de de Teoría Práctica
Evidencias
Aprendizaje Desempeño evaluació aprendiza Aul otr HN HN
(EP, ED, EC, EA) Lab. HP Hp
n je a o P P
Estructure EP: instrumente
controladores PID diversos
como SLD’s controladores difusos
basado en reglas de
Programe Algoritmos controladores clásicos
Instrumentar práctica
controladores de de ajuste del SLD mediante la
lógica difusa acción
EP: instrumente una
Identifique aplicación real de
Aplicaciones de control difuso
Control Difuso
Describa los
elementos básicos de ED: instrumente una
una red neuronal Estudio de
RNA estática
artificial. casos
Cuestionario Exposición
Instrumentar Reconozca los tipos
RNA´s de RNA: Estáticas y
Lista de Taller y x x 6 0 3 0
cotejo práctica
Recurrentes.
ED: instrumente una mediante la
Realice el acción
entrenamiento en una RNA recurrente
RNA
Utilice algoritmos de Estudio de
retropropagación casos
Programar
(estática y dinámica). ED: Programe Cuestionario Exposición
algoritmos de
entrenamiento
entrenamientos de Lista de Taller y x x 12 0 3 5
Instrumente la
RNA’s cotejo práctica
de RNA’s optimización por
mediante la
capa. acción
EC: configure
Reconozca el Estudio de
problemas de
problema de casos
estimación de
Programar estimación de estado Cuestionario Exposición
variables de estado
estimadores de Lista de Taller y x x 2 0 2 0
ED: realice
estado Implemente cotejo práctica
reguladores con
observadores de mediante la
RNA’s
estados con RNA’s. acción
12
Instrumen Técnicas Total de horas
Espacio educativo
Resultados de Criterios de to de de Teoría Práctica
Evidencias
Aprendizaje Desempeño evaluació aprendiza Aul otr HN HN
(EP, ED, EC, EA) Lab. HP Hp
n je a o P P
Realice control Estudio de
indirecto vía RNA ED: Realice control casos
Construir indirecto e inverso de Cuestionario Exposición
controladores plantas lineales y no Lista de Taller y x x 6 0 2 0
Realice control
con RNA’s lineales cotejo práctica
inverso vía RNA
mediante la
acción
Estudio de
casos
Identificar Instrumente la ED: Identifique y
Cuestionario Exposición
modelos a Identificación-control controle un sistema
través de su de sistemas no mecatrónico mediante
Lista de Taller y x x 6 0 4 5
cotejo práctica
dinámica lineales. simulación
mediante la
acción
13
14
GLOSARIO A
E
Espacio de Estados. Es la representación, de un conjunto de
ecuaciones diferenciales en una sola ecuación diferencial de
primer orden vectorial. El espacio euclidiano que forma
representa los diversos estados que el sistema puede tomar.
F
Función de Transferencia. Es la relación entrada/salida de
un sistema continuo representado a través de una variable
compleja derivada de la transformada de Laplace ya sea S, W
oZ
15
L
Lógica difusa (o borrosa, en inglés fuzzy logic) es una lógica
multivaluada, que se caracteriza por querer cuantificar
incertidumbre: Si P es una proposición, se le puede asociar un
número v(P) en el intervalo [0,1] tal que:
si v(P) = 0, P es falso
si v(P) = 1, P es verdadero
La veracidad de P aumenta con v(P).
O
Observadores. Son algoritmos numéricos que permiten
conocer de manera aproximada el valor de variables que no
están directamente presentes en la salida.
R
Redes de neuronas artificiales (RNA) son un paradigma de
aprendizaje y procesamiento automático inspirado en la forma
en que funciona el sistema nervioso de los animales. Consiste
en simular las propiedades observadas en los sistemas
neuronales biológicos a través de modelos matemáticos
recreados mediante mecanismos artificiales
S
X
Y
Z
16
BIBLIOGRAFÍA 1. Freeman, J. A., & Skapura, D. M., Neural networks:
algorithms, applications, and programming techniques.
Reading, MA: Addison-Wesley 1991.
2. D. Driankov, H. Hellendoorn, M. Reinfrank, An Introduction
to Fuzzy Control, Spring Verlag, New York, 1993
3. Kosko, B. Neural Networks And Fuzzy Systems, Englewood
Cliffs, Nj: Prentice-Hall, 1992.
4. Franklin, Powell & Emami, Control De Sistemas Dinámicos
Con Retroalimentación, Addison-Wesley, 1991.
5. Hilera, J. R. Martinez, Redes Neuronales Artificiales,
Fundamentos, Modelos Y Aplicaciones, 1995
17
18