UTN.

BA –Introducción a Inteligencia Artificial – Año 2016 1

Control del sistema bola y viga por

lógica difusa
Rordrigo Menendez, Luciano Cismondi, Sebastián Rodriguez
Universidad Tecnológica Nacional, Facultad Regional Buenos Aires

 ingeniería de control tales como: control no lineal, análisis

Abstract— El sistema bola y viga es considerado un mecanismo mecánico, identificación paramétrica, control inteligente,
altamente inestable y alineal. De todos modos el control PID es procesamiento de imágenes, seguimiento de trayectorias, entre
muy utilizado, a pesar de ser una solución lineal, por lo cual otros [2]. Además, las plantas físicas que representan este
sintonizar las ganancias suele ser complicado o se deben realizar sistema, pueden presentar influencias negativas en su
consideraciones que acotan las soluciones. En este trabajo se
comportamiento debido a la fricción entre la bola y el plato,
desarrolla un control difuso basado en el sistema bola y viga.
Inicialmente se analiza el modelo físico – matemático como un
retardos en las mediciones, etc.
mecanismo no lineal, para luego mediante las facilidades El sistema bola y plato se emplea en la industria aeronáutica
computacionales de matlab/simulink implementar el control para el desarrollo de simuladores de vehículos aéreos y
difuso. Las simulaciones demuestran la variabilidad y simpleza terrestres.
del desarrollo de un control fuzzy, así como también mejor
respuesta transitoria frente al PID clásico. II. MODELO
El sistema de bola y viga es un modelo no lineal
Index Terms— Fuzzy control, Artificial intelligence,
Multivalued logic multivariable. Para obtener las ecuaciones matemáticas se
tienen en cuenta las suposiciones que se relacionan a
I. INTRODUCCION continuación:
 La bola siempre está en contacto con la viga.
L a incorporación de lógica difusa a los sistemas de
control da lugar a sistemas de control difusos. El
concepto de lógica difusa está asociado con la manera en que
 La bola rueda sobre la viga sin deslizamiento.
 La bola es una esfera completamente simétrica y
homogénea.
las personas perciben el medio de manera ambigua y
La Figura 1 muestra el esquema del sistema de bola y viga.
dependiendo de quien lo percibe, será su enunciado acerca de
El modelo matemático del sistema se obtiene empleando las
tal fenómeno. Los conjuntos difusos definen justamente estas
variables como las coordenadas generalizadas en las
ambigüedades, y son una extensión de la teoría clásica de
ecuaciones de Euler-Lagrange. Luego de aplicar las
conjuntos. Con conjuntos difusos se intenta modelar la
transformaciones y sustituciones, se obtienen las ecuaciones
ambigüedad con la que se percibe una variable.
que describen el comportamiento dinámico del sistema como
El sistema bola y viga está compuesto por una esfera que
se muestra en la Ecuación 1 [10].
puede rodar sin deslizarse sobre una línea, llamada viga La
viga puede pivotar en el eje x. El objetivo del sistema es
controlar la posición de la bola modificando el ángulo de
inclinación de la viga. Este sistema puede ser considerado
como una simplificación unidimensional del sistema de bola y
plato [1]. Los experimentos relacionados con el sistema de
bola y plato se consideran desafiantes por la complejidad
inherente al mismo. Debido a esto, este sistema ha despertado
un especial interés académico en los últimos años y ha sido
usado para el estudio de varios tópicos relacionados con la

Manuscrito elaborado en Mayo 2016. Dicho trabajo fue apoyado en parte por
la Universidad Tecnológica Nacional (UTN), Facultad Regional Buenos Aires
(FRBA) bajo la cátedra de Introducción a la Inteligencia Artificial, carrera de Figura 1 Esquema bola y plato [10]
Ingeniería Electrónica.
L. C. Estudiante Ingeniería Electrónica FRBA
(e-mail: cismondil@[Link]). ̈ ̈ ( )
R. M. Estudiante Ingeniería Electrónica FRBA
(e-mail: rodrigo2mzm@[Link]). Ecuación 1
S. R. Estudiante Ingeniería Electrónica FRBA
(e-mail: sebastianrds@[Link]).
 [Link] –Introducción a Inteligencia Artificial – Año 2016 2

Esta ecuación describe el movimiento de la bola en la viga y Teniendo en cuenta la segunda ley de newton planteada en
muestra como afecta la aceleración de la bola en relación con la Ecuación 1
el ángulo y la velocidad angular de inclinación de la viga. Las
variables que describen el modelo son las siguientes:
̈ ̈ ( )
 m, masa de la bola.
 r, radio de la bola. Ecuación 6

 g, aceleración de la gravedad.
Dadas las ecuaciones, despejando la variable, se puede
 j, momento de inercia de la bola.
analizar el comportamiento de la aceleración:
 x, posición de la bola.
 α, ángulo de inclinación de la viga. ̈
 l, largo de la viga
B. Rozamiento viscoso
A. Dinámica del sistema
Cuando el fluido es muy viscoso y la velocidad del objeto es
La dinámica del sistema bola y viga es muy rica y compleja pequeña, puede hacerse la aproximación de que la fuerza de
porque tiene un comportamiento oscilatorio que varía rozamiento es proporcional a la velocidad [7]:
constantemente. Este sistema puede emplearse para
implementar las estrategias de control de posición de la viga y ̇
de posición de la bola. La entrada es la referencia de posición Ecuación 7
de la bola y las dos salidas son el ángulo de inclinación de la
viga y la posición de la bola. III. SIMULACIÓN
Despreciando las fuerzas de fricción las fuerzas que actúan En la Figura 3 se puede observar el diagrama en bloques del
en el sistema son: modelo descripto anteriormente, cuya ecuación final es la
 Ftx, debido al movimiento de traslación. siguiente, teniendo en cuenta el rozamiento:
 Frx, debido a la rotación de la bola.
( ) ̇
̈ [ ]
Ecuación 8

Los bloques integradores permiten modificar las

condiciones iniciales del sistema, ya sea velocidad como
posición.
Desde la ganancia del rozamiento viscoso, se modifica la
influencia de la misma o se anulan poniendo el amplificador
en cero.
En el bloque function (fcn) se describe la forma de la viga,
tal cual la Ecuación 9.
Dicha ecuación debe ser contínua, es decir, derivable, no
Figura 2: Esquema de fuerzas [10]
debe presentar discontinuidades. Dentro del bloque se coloca
la derivada de la función, con el fin de obtener la pendiente en
̈
Ecuación 2
la posición dada, Ecuación 10.

̈
Ecuación 3
Ecuación 9
El momento de inercia de una esfera sólida se calcula como
se muestra en la siguiente ecuación: ̇
Ecuación 10

Ecuación 4
Con este agregado se busca obtener un grado más de
Sustituyendo la Ecuación 4 en la Ecuación 3 se obtiene: alinealidad en el sistema, de modo que el mecanismo sea
inestable frente a variaciones más bien pequeñas.

̈
Ecuación 5
 [Link] –Introducción a Inteligencia Artificial – Año 2016 3

Figura 3: Diagrama en bloques del modelo

IV. CONTROL PID

Para evaluar el comportamiento del control por lógica difusa
se lo compara con un control del tipo proporcional integral
derivativo (PID), ampliamente conocido en la industria.

Figura 4: Control clásico

Debido a su difundido uso en la práctica, existen varios

métodos de ajuste empírico de controladores PID, basados en
mediciones/simulaciones realizadas sobre la planta [9].
En el modelo, se deben expresar los parámetros como: Figura 5: Oscilación amortiguada PID

Los valores fueron sintonizados luego de sucesivas

( )
simulaciones para encontrar la respuesta de la Figura 5. Para la
situación de control:
Ecuación 11: Modelo MATLAB
 Posición inicial: 5.
 Velocidad inicial: 0.
La conversión de parámetros entre un modelo y otro es:
 Masa: 2
 Rozamiento: 2
 La viga se modeló con forma convexa para agregar
un grado mayor de alinealidad, dada la Ecuación 9.

Resultando finalmente en el caso de la bola y viga la

posición controlada como se observa en la Figura 5:
 [Link] –Introducción a Inteligencia Artificial – Año 2016 4

V. CONTROL DIFUSO
El desarrollo del control difuso tiene, su origen en los Las reglas también se pueden observar de manera gráfica en
sistemas basados en reglas para la toma de decisiones y en la la Figura 7
lógica difusa para la evaluación de aquellas.
Los controladores difusos, toman los valores de las variables
de entrada, realizan algún procedimiento con ellas, deciden
cómo modificar las variables de salida y lo realizan, afectando
estas últimas a la planta. La diferencia esencial es que no
procesan ecuaciones ni tablas, procesan reglas para decidir
como cambiar las salidas. Esto lo hace una tecnología muy
accesible, ya que las reglas están más cerca del sentido común
que de las ecuaciones y los modelos [8].
En la Figura 6 se observa el diagrama en bloques del control
fuzzy, en donde el subsistema agrupa el modelo visto en la
Figura 3.

Figura 7: Superficie de reglas

B. Fuzzificación
En la primer parte del proceso se procede a calcular el grado
de pertenencia de las variables según los conjuntos definidos.
Estos conjuntos se representaron como “Muy negativo”,
“Negativo”, “Cero”, “Positivo” y “Muy Positivo”, para los
Figura 6: Diagrama en bloques del control fuzzy
cuales se definió una función de representación, la que
El proceso completo de la lógica de control difuso consta de describe qué valores de la variable les pertenecen y con qué
3 etapas, en el siguiente orden: grado.
1. Fuzzificación
2. Evaluación de las reglas 1) Posición
3. Defuzzificación
A continuación se describe cada una de las etapas.
A. Reglas
Como se ha mencionado los controladores fuzzy toman el
valor de la variable de entrada y las procesan.
En el sistema de bola y viga planteado las variables a tener
en cuenta para el control del mismo son la posición de la bola
y la que velocidad a la que se desplaza en el momento de
evaluación. De este modo se puede decidir cuál será la
variable de salida, en este caso el ángulo de la pendiente de la
viga. 2) Velocidad
En la Tabla 1 se puede observar la condición de la posición
por columna, la condición de la velocidad por fila y en la
intersección de ambas situaciones se obtiene el ángulo de
salida.

Posición Muy Muy

Negativo Cero Positivo
Velocidad negativo positivo
Muy Negativo 60 60 60 -34 -34
Negativo 60 60 34 -34 -34
Cero 60 34 0 -34 -60
Positivo 34 34 -34 -60 -60
Muy Positivo 34 34 -60 -60 -60
Tabla 1: Reglas
 [Link] –Introducción a Inteligencia Artificial – Año 2016 5

C. Defuzzificación diferencia en el tiempo de establecimiento de ambos sistemas,

En este caso se tomó una de las formas más sencillas de así como también en la forma con la cual se estabilizan.
funciones de representación, la cual considera prácticamente
una sola posibilidad de salida en cada situación, dándole el
máximo valor de peso para las situaciones extremas y la mitad
del peso para las situaciones intermedias. De este modo se
busca darle una respuesta más suave al control.

1) Ángulo de la pendiente

Figura 8: Posición

VI. RESULTADOS
En la Figura 8, se aprecia la posición controlada por ambos
sistemas. En rojo el control por lógica difusa y en verde por
PID.
Para el ejemplo, se tomó:
 Posición inicial: 5.
 Velocidad inicial: 0.
 Masa: 2
 Rozamiento: 2
 La viga se modeló con forma convexa para agregar
un grado mayor de alinealidad, dada la Ecuación 9.

Con las condiciones dadas el sistema se encuentra

desestabilizado. A partir de dicho momento busca el equilibrio
y se pueden observar la evolución de la posición, velocidad y
aceleración. Figura 9: Velocidad
Se observa que el control fuzzy tiene una respuesta más
suave en comparación al PID que oscila entre extremos para
llevarlo al equilibrio. Desde el punto de vista mecánico,
representan menor y mayor fatiga y/o desgaste,
respectivamente.
En la Figura 9, se grafica la velocidad para ambos sistemas,
que estarán vinculados con la respuesta antes descripta, por
medio de una derivada.
Lo mismo sucede con la Figura 10 donde se representa la
aceleración.
En la Figura 11 se puede observar la señal de control que
resuelve el sistema difuso (rojo), frente al control PID (verde).
Cómo se puede prever según las gráficas anteriores la señal de
control del PID presenta un sobre pico, ya que hace oscilar a la
bola de una dirección a otra para llevarla al equilibrio.
Debido a las oscilaciones planteadas por el control PID se
debió saturar su señal de control entre -60° y +60°, ya que el
planteo propuesto por lógica difusa respetaba estos
Figura 10: Aceleración
lineamientos, a fin de ser comparables. Se manifiesta
 [Link] –Introducción a Inteligencia Artificial – Año 2016 6

Figura 12: Respuesta Fuzzy a la variación de rozamiento

Figura 11: Señal de control

Analizando la Figura 8 se observa que la sintonización del

PID (8seg) presenta un tiempo de establecimiento (2%) tres
veces más rápido en comparación al resuelto por el sistema
difuso (28seg).
Al comparar el sistema difuso con el PID frente a
variaciones en el modelo, como podría ser el coeficiente de
rozamiento y la masa de la bola, se observan tendencias muy
claras en ambos modelos.
La Figura 12 muestra la evolución de la respuesta del
control difuso frente a variaciones del coeficiente de
rozamiento de 2 a 0,01. El cual sigue respondiendo
correctamente, incluso mejorando su tiempo de
establecimiento. De forma similar se ensaya en control PID
frente a las mismas variaciones. Se observa en la Figura 13 la
respuesta del control PID. El control PID se encuentra
Figura 13: Respuesta PID a la variación de rozamiento
sintonizado para el caso de control con coeficiente de
rozamiento 2, el cual presenta una respuesta aceptable, pero al
modificar este parámetro se comienza a notar oscilaciones y
sobre picos más intensos, en contrapartida a lo que sucede con
el control difuso el cual se adapta mejor frente a los cambios.
De manera similar en las Figura 14 y Figura 15 se observan
los comportamientos de ambos sistemas frente a variaciones
en la masa de la bola.

Figura 14: Respuesta Fuzzy a la variación de masa

 [Link] –Introducción a Inteligencia Artificial – Año 2016 7

VIII. REFERENCIAS
[1] J. Hauser, S. Sastry, and P. Kokotovic. Nonlinear control via
approximate inputoutput linearization: the ball and beam example.
[2] B. Ming and T. Yantao. A Nonlinear Switching Controller for a Ball and
Plate System.
[3] M. Bai, Y. Tian, J. Su, and J. Zhao. A nonlinear switching controller for
a ball-and-plate system.
[4] W. Hongrui, T. Yantao, F. Siyan, and S. Zhen. Nonlinear Control for
Output Regulation of Ball and Plate System.
[5] D. Yuan and Z. Zhang. Modelling and control scheme of the ball-plate
trajectorytracking pneumatic system with a touch screen and a rotary
cylinder.
[6] E. Fabregas Acosta. Plataformas interactivas de experimentación virtual
y remota: aplicaciones de control y robótica.
[7] Universidad de Sevilla, Departamento de física Aplicada III,
[Link]
[8] J.C. Gómez. Fuzzy Control, GIAR, [Link]
[9] PID Turnning. The university of Newcastle Australia
[10] Modeling and control off the ball and bean process
Figura 15: Respuesta PID a la variación de masa

VII. CONCLUSIONES
La mayor ventaja del control difuso es que provee una
eficiente y efectiva metodología para desarrollar en forma
experimental un controlador no lineal sin usar matemática
avanzada. Hacer un controlador difuso requiere de una
descripción lingüística de la ley de control, tal descripción es
capturada por los conjuntos difusos, los operadores difusos, y
las reglas difusas. El controlador no necesita explícitamente
del modelo del proceso a controlar. En muchas situaciones no
lineales, el problema de control puede usualmente ser
solucionado de manera más efectiva y eficiente que el control
clásico.
Además de ser un control no lineal, el cual presenta ventajas
evidentes frente a un control lineal del tipo PID, la posibilidad
de trabajar tanto con sistemas SISO como MIMO sin usar
matemática sofisticada, es una gran ventaja, a comparación del
PID. Además se pudo demostrar satisfactoriamente la robustez
del control difuso frente al PID. Al variar los parámetros
externos como la masa o el rozamiento, el control difuso sigue
resolviento satisfactoriamente y se adapta a los cambios
externos, frente a un PID el cual se sintoniza para una
condición en particular obteniendo buenos resultados pero no
puede adaptarse a otros esenarios sin necesidad de
resintonizar.
Por otro lado el ajuste de los parámetros del controlador
difuso no cuenta con técnicas tan difundidas como es el caso
de los controladores PID. La construcción de un controlador
difuso depende de un experto quien debe saber o poder inferir
la relación entre los parámetros. A pesar de poseer una
cantidad de parámetros más elevada frente a un PID, en un
control difuso se puede realizar un modelado muy
simplificado y al ensayarlo en el mundo real, este sigue
respondiendo con parámetros aceptables.
El procedimiento de diseño y ajuste del controlador puede
requerir de mucho trabajo, la herramienta de simulación de
prueba y error es muy importante a la hora de sintonizarlo.