MANUAL DE

LA
ASIGNATUR
 MT-SUP-XXX
REV00

INGENIERÍA
MECATRÓNICA
Control Inteligente
F-RP-CUP-17/REV:00

DIRECTORIO
Secretario de Educación Pública

Dr. Reyes Taméz Guerra

Subsecretario de Educación Superior

Dr. Julio Rubio Oca

Coordinador de Universidades Politécnicas

Dr. Enrique Fernández Fassnacht

2
3
 Dr. Carlos Jiménez Gallegos (UPP)
PAGINA
LEGAL

Primera Edición: 200_

DR ( 2005 Secretaría de Educación Pública

México, D.F.

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.

El uso de controladores basados en conocimiento, representa la etapa más

moderna de la teoría de control. En mecatronica, estos controladores son útiles en
sistemas cuyo desempeño dependa de diversas variables medidas en términos
cualitativos más que cuantitativos.

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.

El objetivo de la asignatura es: “Desarrollar la capacidad en el alumno para aplicar

la teoría de control moderno basado en conocimiento desde el enfoque del
razonamiento difuso y las redes neuronales.”.

En este curso de Control inteligente, se consideran cuatro unidades de

aprendizaje, 1) Características y propiedades de los conjuntos difusos, 2) Control
difuso, 3) Redes neuronales artificiales y modelos de entrenamiento, 4)
Identificación y control mediante RNA.

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).

Esta asignatura contribuye con sus conocimientos y habilidades a varias de las

materias como: Robótica II, Análisis de Vibraciones, Diseño Mecatrónico III.

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

• Conocer controladores basados en conocimiento

• Describir conjuntos difusos
• Construir controladores bajo lógica difusa
• Describir redes neuronales artificiales (RNA)
• Realizar identificación y control con RNA

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

Unidades de Resultados de Criterios de Desempeño Horas

Aprendizaje Aprendizaje Evidencias Totale
IDENTIFICACION DE RESULTADOS
El alumno será competente (EP, DE
ED, APRENDIZAJE
EC, EA) s
cuando:
Característic Reconocer Utilice lógica multievaluada. EC: Reconocer 24
as y conjuntos problemas de lógica
propiedades difusos difusa
de los Describa Conjuntos Difusos. EC: Describir conjuntos
difusos a partir de
conjuntos
modelado de
difusos
Realice operaciones con conocimiento
conjuntos difusos. ED: realizar diversa
operaciones con
conjuntos difusos
Estructure un sistema lógico
difuso. EC: definir reglas difusas
Determinar de pertenencia
conjuntos y
Defina y utilice funciones de
reglas difusos ED: defina y evalúe
pertenencia.
funciones de pertenencia
EC: intercambie reglas
Realice la transformación de
heurísticas de control a
reglas Heurísticas
reglas difusas
Instrumentar Estructure controladores PID EP: instrumente diversos
Control controladores como SLD’s controladores difusos
basado en reglas de 25
difuso de lógica
difusa Programe Algoritmos de ajuste controladores clásicos
del SLD
EP: instrumente una
Identifique Aplicaciones de aplicación real de control
Control Difuso difuso
Describa los elementos básicos ED: instrumente una
de una red neuronal artificial. RNA estática
Redes Instrumentar Reconozca los tipos de RNA:
RNA´s Estáticas y Recurrentes.
neuronales ED: instrumente una
artificiales y Realice el entrenamiento en RNA recurrente
una RNA 29
modelos de
entrenamien Utilice algoritmos de
Programar
to retropropagación (estática y ED: Programe
algoritmos de
dinámica). entrenamientos de
entrenamiento
Instrumente la optimización por RNA’s
de RNA’s
capa.
EC: configure problemas
Reconozca el problema de
de estimación de
Programar estimación de estado
Identificació variables de estado
estimadores de
n y control estado ED: realice reguladores 27
mediante Implemente observadores de
con RNA’s
RNA estados con RNA’s.
Realice control indirecto vía ED: Realice control
RNA indirecto e inverso de
9
 Criterios de Desempeño Horas
Unidades de Resultados de
Evidencias Totale
Aprendizaje Aprendizaje El alumno será competente
(EP, ED, EC, EA) s
cuando:
Construir plantas lineales y no
controladores Realice control inverso vía RNA lineales
con RNA’s

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

Resultados de Criterios de Instrumen Técnicas Espacio educativo Total de horas

Aprendizaje Desempeño Evidencias to de de Teoría Práctica
(EP, ED, EC, EA)PLANEACIÓN DEL APRENDIZAJE
evaluació aprendiza Aul Lab. otr HP HN Hp HN
n je a o P P
Reconocer Utilice lógica EC: Reconocer Cuestionario Estudio de x 8 0 2 0
conjuntos multievaluada. problemas de lógica Lista de casos
difusos difusa cotejo Exposición
Reconocer Taller y
conjuntos EC: Describir práctica
Describa Conjuntos mediante la
difusos conjuntos difusos a
Difusos. acción
partir de modelado de
Realice operaciones
conocimiento
con conjuntos difusos.
ED: realizar diversa
operaciones con
Utilice lógica
conjuntos difusos
multievaluada.
EC: Reconocer
problemas de lógica
Describa Conjuntos difusa
Difusos. EC: Describir
Realice operaciones conjuntos difusos a
con conjuntos difusos. partir de modelado de
conocimiento
Estructure un sistema EC: definir reglas Estudio de
lógico difuso. difusas de casos
Determinar pertenencia Cuestionario Exposición
conjuntos y
Defina y utilice
Lista de Taller y x 10 0 4 0
reglas difusos ED: defina y evalúe cotejo práctica
funciones de
funciones de mediante la
pertenencia.
pertenencia acción
Instrumentar Realice la EC: intercambie Estudio de x x 10 0 10 5
controladores de transformación de reglas heurísticas de Lista de casos
lógica difusa reglas Heurísticas control a reglas cotejo Exposición
difusas Taller y

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

Compensador. Es la clase de controladores más sencillos,

aunque sólo cuentan con pocos elementos dinámicos, pueden
modificar grandemente el comportamiento dinámico de un
sistema en lazo cerrado.

Conjunto difuso, es un conjunto que puede contener

elementos de forma parcial. Es decir que la propiedad x є A
puede ser cierta con un grado de verdad.

Se mide esta posibilidad de pertenecer (o pertenencia) con un

número μA(x) entre 0 y 1, llamado grado de pertenencia de x a
A. Si es 0, x no pertenece a A, si es 1.0, entonces x є A,
totalmente, y si 0 < μA(x) < 1, x pertenece a A de una manera
parcial.

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.

Espacio euclidiano. Es un conjunto ordenado de n

coordenadas escalares y una serie de operaciones (suma y
multiplicación por un escalar) que cumplen axiomas de
distributividad, asociatividad, elemento cero, etc.

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).

Lógica multivaluada incluye sistemas lógicos que admiten

varios valores de verdad posibles.

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