UNIVERSIDAD TECNICA FEDERICO SANTA MARIA

Repositorio Digital USM [Link]

Tesis USM Tesis de Pregrado de Acceso Abierto

2020

DISEÑO E IMPLEMENTACION DE UN
CONTROLADOR PID CON
PROGRAMACION DE GANANCIA
BASADO EN UN SISTEMA DIFUSO

ASPE RODRIGUEZ, JOSE ANTONIO

[Link]
Repositorio Digital USM, UNIVERSIDAD TECNICA FEDERICO SANTA MARIA
 UNIVERSIDAD TÉCNICA FEDERICO SANTA MARÍA
SEDE VIÑA DEL MAR - JOSÉ MIGUEL CARRERA

DISEÑO E IMPLEMENTACIÓN DE UN CONTROLADOR PID CON PROGRAMACIÓN DE

GANANCIA BASADO EN UN SISTEMA DIFUSO

Trabajo de Titulación para optar al

Título de Ingeniería de EJECUCIÓN EN
CONTROL E INSTRUMENTACIÓN
INDUSTRIAL

Alumno:
José Antonio Aspe Rodríguez

Profesor Guía:
Ing. Loreto Marín Carcey

2020
 RESUMEN

KEYWORDS: GAIN SCHEDULING, LOGICA DIFUSA, PID, CONTROLADOR

Para la solución de problemas no lineales existen diversas técnicas como lo son el control
por modelos, la lógica difusa y los controladores de estado. Aunque estas técnicas tienen buenos
resultados, el análisis y diseño para cada sistema individual es largo y tedioso, por lo que se realiza
una implementación más general para este tipo de problemas, buscando así minimizar los
tiempos de implementación del controlador.
El tipo de algoritmo elegido para realizar lo anterior es el controlador por ganancia
programada, el cual, por la forma que tiene de trabajar, se presta para una simplificación en
cuanto a la parametrización e implementación. Este controlador está formado por dos partes,
una es un controlador PID, que puede ser presentado en cualquiera de las formas que tiene su
algoritmo, pero que para el caso de este trabajo se utilizara la forma no interactiva, esto debido
a que esta representación del controlador PID está presente en la mayoría de los controladores
industriales. La otra parte que forma este controlador es un modelo matemático que realiza el
cambio de los parámetros, que para este caso se realizará mediante un controlador difuso que
usa una generalización de las reglas de sintonía de los controladores PID.
Los resultados de las pruebas realizadas con el modelo de los tanques no interactivos
muestran que el controlador diseñado cumple con las expectativas de diseño y su funcionamiento
es mejor en el rango de operación con respecto al controlador PID no interactivo y el controlador
de ganancia programada por tabla de estado.
 ÍNDICE

RESUMEN
INTRODUCCIÓN
CAPITULO 1 – MARCO TEORICO Y DEFINICIÓN DE OBJETIVOS
1 DEFINICIÓN DE OBJETIVOS y MARCO TEÓRICO 3

1.1 MARCO TEÓRICO 3

1.1.1 Sistema de control 3

1.1.2 Controlador PID 3
1.1.3 Control adaptativo 5
1.1.4 Lógica difusa 5
1.1.5 Estructura de un controlador difuso 11

1.2 HIPÓTESIS 12
1.3 OBJETIVOS GENERAL Y ESPECíFICOS 12
1.4 ALCANCES Y LIMITACIONES 13

2 CONTROLADOR PID CON PROGRAMACION DE GANANCIA 15

2.1 DISEÑO DEL CONTROLADOR PID 15

2.1.1 Modificaciones al algoritmo de PID 15

2.1.2 Algoritmo PID a implementar 17

2.2 DISEÑO CONTROLADOR DIFUSO 17

2.2.1 Creación de conjuntos de entrada y salida 18

2.2.2 Creación de reglas difusas 20

2.3 IMPLEMENTACÍON CONTROLADOR PID CON PROGRAMACÍON DE GANANCIA 22

2.4 MODELO MATEMÁTICO DE TANQUES CONECTADOS DE FORMA NO INTERACTIVA 22

2.4.1 Definiciones de modelamiento 23

2.4.2 Construcción del modelo y ajuste de parámetros 25

2.5 OBTENCION DE PARAMETROS DE CONTROL PID Y FUZZY 26

2.5.1 Linealización por Series De Taylor 27

2.5.2 Obtención de los controladores PID 29
2.5.3 Obtención parámetros controlador difuso 31

3 RESULTADOS DE LAS PRUEBAS DEL CONTROLADOR PROPUESTO 33

3.1 PREPARACÍON PARA LAS PRUEBAS DE RENDIMIENTO DEL CONTROLADOR 33
3.2 RESULTADO DE RENDIMIENTO DEL CONTROLADOR 34

3.2.1 Pruebas de comportamiento a distintos puntos de operación 34

3.2.2 Pruebas Ante Perturbaciones 37

3.3 CONCLUSIONES A LAS PRUEBAS PARA EL CONTROL PID 38

3.4 SIMPLIFICACÍON DEL CONTROLADOR PROPUESTO 38
3.5 COMPARATIVA CONTROLADOR PROPUESTO CON RESPECTO A LA TÉCNICA CLÁSICA 39
3.6 CONCLUSIONES A LAS PRUEBAS CON CONTROLADORES DE TABLA DE ESTADO 41
3.7 TRABAJOS FUTUROS - IMPLEMENTACION EN ENTORNOS INDUSTRIALES 42
 ÍNDICE DE FIGURAS

Figura 1-1 Control en Lazo Cerrado ................................................................................ 3

Figura 1-2 Miembro Triangular ...................................................................................... 6
Figura 1-3 Miembro Trapezoidal .................................................................................... 7
Figura 1-4 Miembro Singleton ........................................................................................ 8
Figura 1-5 Ejemplo de Conjunto Difuso .......................................................................... 8
Figura 1-6 Estructura de un controlador difuso ............................................................ 12
Figura 2-1 Implementación filtro derivativo ................................................................. 16
Figura 2-2 Implementación Controlador PID ................................................................ 17
Figura 2-3 Normalización de la Variable Manipulada y Razón de Cambio ..................... 18
Figura 2-4 Respuesta Escalón ....................................................................................... 19
Figura 2-5 Grafico Pseudo Color Blue - Reglas difusas : (a) Kp (b) Ki, (c) Kd ................... 21
Figura 2-6 implementación final control PID con ajuste de ganancia ............................ 22
Figura 2-7 Tanques conectados de forma no interactiva .............................................. 23
Figura 2-8 Implementación Modelo Tanques No Interactivos ...................................... 25
Figura 2-9 Perfil de Niveles en Estado Estacionario ...................................................... 26
Figura 2-10 Funciones de transferencia en Estado Estacionario ................................... 29
Figura 2-11 Interfaz Aplicación “PID Tuner” ................................................................. 29
Figura 2-12 Diagrama de Bode cada función de transferencia ...................................... 30
Figura 2-13 Comportamiento parámetros PID en estados estables .............................. 31
Figura 3-1 Simulación para Pruebas de Rendimiento.................................................... 33
Figura 3-2 Simulación para Pruebas de Rendimiento.................................................... 34
Figura 3-3 Comportamiento Controladores a Distintos Puntos de Operación ............... 35
Figura 3-4 Comportamiento en caso de perturbaciones ............................................... 38
Figura 3-5 Implementación final control PID con ajuste de ganancia ............................ 39
Figura 3-6 Implementación Controlador Por Tablas De Estado ..................................... 40
Figura 3-7 Comparación entre tablas de estado y ajuste difuso .................................... 40
 ÍNDICE DE ECUACIONES

Ecuación 1-1 Función matemática de un Controlador PID .............................................. 4

Ecuación 1-2 Forma Triangular ....................................................................................... 6
Ecuación 1-3 Forma Trapezoidal .................................................................................... 7
Ecuación 1-4 Forma Singleton ........................................................................................ 7
Ecuación 1-5 Definición matemática operación complemento ....................................... 9
Ecuación 1-6 Definición matemática operación unión (OR) ............................................ 9
Ecuación 1-7 Definición matemática operación intersección .......................................... 9
Ecuación 1-8 Or de Lukasiewicz ...................................................................................... 9
Ecuación 1-9 AND del Producto...................................................................................... 9
Ecuación 1-10 Reglas Difusa de Mamdani .................................................................... 10
Ecuación 1-11 Reglas Difusas de Takagi Sugeno ........................................................... 10
Ecuación 1-12 Cálculo de Centroide ............................................................................. 11
Ecuación 2-1 Controlador PID Estándar en Laplace ...................................................... 15
Ecuación 2-2 Implementación de Filtro Pasa bajos en la derivada ................................ 16
Ecuación 2-3 Definición de capacitancia del tanque ..................................................... 23
Ecuación 2-4 Ecuaciones de variación de volumen ....................................................... 24
Ecuación 2-5 Definición de resistencia ......................................................................... 24
Ecuación 2-6 Ecuaciones de caudal según restricción ................................................... 24
Ecuación 2-7 Ecuaciones de caudal según restricción ................................................... 25
Ecuación 2-8 H1 tanque 1 (a) H2 tanque 2 (b) ambos en estado estable ...................... 26
Ecuación 2-9 Serie de Taylor - Jacobiana del Sistema ................................................... 27
Ecuación 2-10 Serie Taylor tanque uno ........................................................................ 27
Ecuación 2-11 Linealización tanque uno ....................................................................... 28
Ecuación 2-12 Linealización tanque dos ....................................................................... 28
Ecuación 2-13 Función de Transferencia del Sistema ................................................... 28
 ÍNDICE DE TABLAS

Tabla 2-1 Efectos de los parámetros PID ...................................................................... 20

Tabla 2-2 Parámetros para Modelo Fenomenológico ................................................... 25
Tabla 2-3 Valores en Estado Estable ............................................................................. 27
Tabla 2-4 Tabla de Parámetros Lógica Difusa ............................................................... 31
Tabla 3-1 Análisis de Respuesta al Escalón ................................................................... 35
Tabla 3-2 Estadística Descriptiva de las Simulaciones para cada Parámetro ................. 36
Tabla 3-3 Análisis de Respuesta al Escalón ................................................................... 41
Tabla 3-4 Estadística Básica de Los Controladores ........................................................ 41
 SIGLAS Y SIMBOLOGÍA

A. SIGLAS

PID : Proporcionar - integrativo – derivativo

GS : Gain scheduling
PLC : Controlador Lógico Programable
ST : Texto Estructurado

B. SIMBOLOGÍA

u(t ) : Señal de entrada al sistema en el dominio del tiempo

e(t ) : Señal de error del sistema en el dominio del tiempo

 1

INTRODUCCION

En el control de procesos industriales existen bastantes problemas de control no lineal

debido a la naturaleza de estos, es por lo que el diseño de controladores es bastante estudiado y
aunque existen varios métodos de control para los distintos tipos de problemas que se presentan
en la industria el diseño y la implantación de estos sigue siendo bastante complicado.
Es este trabajo se diseñará e implementará un controlador PID con programación de
ganancia basados en lógica difusa, el cual ayudará a minimizar los tiempos de implementación y
eliminará la necesidad de diseño. Para cumplir con el objetivo de diseño se realizará el estudio de
los sistemas no lineales, las bases que sentarán la disposición del controlador PID y los
fundamentos que rigen la lógica de control difusa, todo esto se verá en el capítulo 1.
En el capítulo 2 se diseñará el controlador PID que funcionará como base para el control,
para esto se realizará el estudio de los problemas de la implementación de los distintos algoritmos
de los controladores PID y se seleccionará el que más se ajuste al problema que se desea resolver,
junto con esto se revisarán las variables que se utilizarán para controlar el cambio de parámetros
que será hecho con un controlador difuso cuyas reglas y miembros se realizarán según la teoría
y la práctica adquirida en la implementación de estos controladores.
Para realizar la comparativa de comportamiento y la validación del diseño, se
implementará uno de los procesos más vistos en la industria, como lo es el control de niveles
conectados de forma no interactiva, estos resultados serán presentados en el capítulo 3 en donde
también se podrán ver la implementación final del diseño y la comparativa con uno de los
métodos más utilizados para este tipo de problemas no lineales como lo es el controlador de
ganancia programada por tablas de estado.
CAPÍTULO 1: DEFINICIÓN DE OBJETIVOS Y MARCO TEÓRICO
 3

1 DEFINICIÓN DE OBJETIVOS Y MARCO TEÓRICO

En este capítulo se presentará la base teórica de la investigación, la que será necesaria

para la realización del diseño del controlador de ganancia programada, así como los objetivos e
hipótesis planteados para la realización de este.

1.1 MARCO TEÓRICO

A continuación, se presentará una breve explicación de los conceptos a utilizar en este

trabajo de título, para así lograr establecer las bases para un mejor entendimiento del capítulo 2.

1.1.1 Sistema de control

Un sistema de control es un conjunto de dispositivos físicos y/o de software encargado

de mantener y regular el comportamiento del sistema.
Existen dos clases de sistemas de control, en lazo abierto y en lazo cerrado. Este trabajo
se enfocara en el control en lazo cerrado, en estos sistemas el controles capaz de realizar una
corrección mediante la retroalimentación de la salida de proceso , en la Figura 1-1 se puede
apreciar el esquema de un control de lazo cerrado, siendo G(s) la planta y Gc(s) el controlador.

Fuente: Katsuhiko Ogata, Ingeniería de control moderna [2]

Figura 1-1 Control en Lazo Cerrado

1.1.2 Controlador PID

El control PID (Proporcional Integral Derivativo) es un mecanismo de control

realimentado empleado ampliamente en la industria debido a su flexibilidad, fiabilidad y simpleza
a la hora de su implementación.
 4

En la Ecuación 1-1 se muestra el algoritmo del controlador PID no interactivo el cual es

presentado por Ogata en su libro Ingeniería de control Moderna [1, p. 25]

t
Kp de(t )
u (t )  Kp * e(t )  
Ti 0
e(t )dt  Kp * Td
dt
Fuente: Katsuhiko Ogata, Ingeniería de control moderna [2]

Ecuación 1-1 Función matemática de un Controlador PID

El funcionamiento de cada sección de la ecuación es descrito a continuación.

[Link] Acción Proporcional

La acción proporcional corresponde al producto de la señal de error y la constante

proporcional. Normalmente dentro de los procesos industriales el uso de la ganancia proporcional
cubre un espectro de la señal de control generando un offset durante el estado estacionario, por
lo que es muy poco frecuente ver un control puramente proporcional. El offset en estado
estacionario se debe a que la constante proporcional está limitada por la sobre oscilación del
sistema, la cual en valores por sobre el 30% de la señal de referencia podría llegar a hacer que el
sistema entre en resonancia, por lo que como recomendación general la sobre oscilación no debe
sobrepasar el 25%.

[Link] Acción Integral

La acción integral tiene como propósito disminuir el error y eliminar perturbaciones que
la acción proporcional no puede eliminar. La acción integral actúa sobre el error integrándolo por
un periodo determinado y sumándolo a la acción proporcional, lo cual ayuda a eliminar el offset
que tiene la acción proporcional.

[Link] Acción Derivativa

La acción derivativa utiliza la razón de cambio del error para realizar acciones en función
de la velocidad con la que el sistema está reaccionando, normalmente este tipo de acción se
utiliza cuando el actuador agrega un tiempo de retardo a la señal de control para mejorar el
desempeño del controlador.
 5

[Link] Limitaciones de un controlador PID

Aunque los controladores PID funcionan adecuadamente para la mayoría de los procesos
industriales, estos no aplican en sistemas cuyas no linealidades sean importantes, los retardos de
los actuadores o del mismo proceso sean muy grandes o el ruido introducido por los sensores
empobrezca la acción derivativa. Para estos casos, dependiendo del proceso, existen
modificaciones al modelo presentado por Ogata o alternativas como las que se presentarán en
este trabajo. Además, la versión vista anteriormente (Ecuación 1-1) tiene bastantes problemas en
algunos sistemas, debido al ruido introducido por los sensores y a los límites físicos de los
actuadores, por lo que en el capítulo 2 se presentarán las modificaciones necesarias para
robustecer el control.

1.1.3 Control Adaptativo

Un control adaptativo es aquel que, dependiendo del punto de operación en el cual se

encuentre el sistema, se comporta de maneras distintas, adaptándose a circunstancias variantes
de la dinámica de un sistema y a sus perturbaciones. Esto se logra ya sea modificando la salida
del control mediante una corrección de la misma o modificando uno o más parámetros del
controlador.
Existen diferentes tipos de controles adaptativos, en este trabajo se presentarán los que
realizan un ajuste en los parámetros de sintonía de un controlador base y en particular el
controlador PID con ganancia programada o en sus siglas en ingles GS (Gain Scheduling).

1.1.4 Lógica Difusa

Las notaciones y las operaciones de la lógica difusa están basadas en la lógica clásica y
más específicamente en la lógica proposicional. El operando más simple de esta lógica es la
“proposición” la cual actúa sobre una constante lógica, esta acción representa una operación
lógica proposicional, combinando estas acciones lógicas se logra generar operaciones complejas.
[3, p. 29]
 6

[Link] Funciones de membresía o pertenencia

Haciendo referencia a lo anterior y para generar dichas operaciones proposicionales es

que los sistemas con lógica difusa cuentan con funciones de membresía, dichas funciones se
encargan de cuantificar el grado de pertenencia de la variable de entrada al conjunto difuso para
luego ser procesada por el sistema de inferencia.
Dentro de las funciones de membresía más utilizadas están las que entregan valores de
pertenencia exponenciales, como son delta, pi, sigma, zeta y las que entregan valores lineales de
pertenencia, como son las funciones triangulares y trapezoidales. Estas últimas se verán en detalle
debido a que se utilizarán para la implementación del controlador PID con programación de
ganancia.

a. Forma Triangular: Corresponde a la función de membresía más básica y sencilla de

implementar. Como se observa en la Ecuación 1-2, su comportamiento corresponde
básicamente al de la ecuación de la recta, por lo que se suele implementar tanto para
conjuntos de entrada como de salida.

 0 si xa
 x  a / (m  a)
  si x  ( a , m)
A( x)  
 (b  x) / (b  m) si x  (m, b)

 1 si xb
Fuente: W. Siler y J. J. Buckley [3]
Ecuación 1-2 Forma Triangular

En la Figura 1-2 se puede observar más claramente lo que representa la Ecuación 1-2

Fuente: Referencia [4]

Figura 1-2 Miembro Triangular
 7

b. Forma Trapezoidal: La forma trapezoidal, al igual que la triangular, se comporta como una
ecuación de la recta, sin embargo, a diferencia de la triangular, la forma trapezoidal
considera una banda en donde la pertenencia es completa mientras que la variable
evaluada se encuentre dentro de su rango. Normalmente la implementación de este tipo
de funciones de membresía se realiza en los conjuntos de entrada difusas, en muy pocas
ocasiones se pueden ver estos miembros en la configuración de salida.

 0 si ( x  a )o ( x  d )
 ( x  a) / (b  a) x  ( a, b]
 si
A( x)  
 1 si x  (b, c)
(d  x) / (d  c) si x  (b, d )
Fuente: W. Siler y J. J. Buckley [3]

Ecuación 1-3 Forma Trapezoidal

En la Figura 1-3 se puede observar más claramente lo que representa la Ecuación 1-3

Fuente: J. D. C. Quisaguano [4]

Figura 1-3 Miembro Trapezoidal

c. Forma Singleton: Esta forma entrega un valor booleano y es más frecuentemente

implementada en las salidas para generar valores discretos, que dependiendo del método
de defusificación y la configuración del set difuso, entregarán una salida escalonada.


1 si xa
A( x)  
0 si xa

Fuente: W. Siler y J. J. Buckley [3]

Ecuación 1-4 Forma Singleton

 8

En la Figura 1-4 se puede observar más claramente lo que representa la Ecuación 1-4.

Fuente: J. D. C. Quisaguano [4]

Figura 1-4 Miembro Singleton

[Link] Sets o conjuntos difusos

Un set difuso, ya sea de entrada o de salida, es un conjunto de funciones de membresía

que tiene como objetivo definir el conjunto de estados de una variable lingüística. En la Figura 1-5
se puede apreciar un ejemplo de set difuso cuya variable lingüística es la altura y sus valores
lingüísticos son bajo, medio y alto.

Fuente: J. D. C. Quisaguano [4]

Figura 1-5 Ejemplo de Conjunto Difuso

 9

[Link] Operadores difusos

Para cuantificar las funciones de pertenencia existen tres tipos de operadores difusos,
los que son la unión (OR), la intersección (AND) y Complemento (NOT) y dentro de estos
operandos existen distintas formas matemáticas de realizar la cuantificación.
Teniendo un set difuso con dos funciones de membresía llamadas A y B se puede definir
matemáticamente dichas operaciones de la siguiente forma:

 A( x)  1   A( x)
Fuente: W. Siler y J. J. Buckley [3]

Ecuación 1-5 Definición matemática operación complemento

 A  B( x)  max[  A( x),  B( x)]

Fuente: W. Siler y J. J. Buckley [3]

Ecuación 1-6 Definición matemática operación unión (OR)

 A  B  min[  A( x),  B( x)]

Fuente: W. Siler y J. J. Buckley [3]

Ecuación 1-7 Definición matemática operación intersección

Las formas presentadas para cada operación corresponden a las propuestas por Zadeh y
son las más utilizadas al momento de la implementación de software para el control industrial,
otras definiciones que se pueden encontrar son la OR de Lukasiewicz Ecuación 1-8 y la AND del
producto Ecuación 1-9

 A  B( x)  max[  A( x)   B( x),1]
Fuente: W. Siler y J. J. Buckley [3]

Ecuación 1-8 Or de Lukasiewicz

 A  B   A( x)*  B( x)
Fuente: W. Siler y J. J. Buckley [3]

Ecuación 1-9 AND del Producto

 10

[Link] Reglas difusas

Las reglas difusas son proposiciones que permiten expresar el conocimiento disponible
sobre una acción y sus consecuencias, para esto se realiza una combinación entre las funciones
de pertenencia y las operaciones difusas que buscan determinar el valor de esta proposición.
Existen variados métodos de creación de reglas difusas, los cuales pueden ser variaciones
o mejoras de los presentados en este trabajo.

a. Reglas difusas de Mamdani: Las reglas de Mamdani son altamente implementadas en

control industrial debido a su simplicidad y amplia aceptación, lo anterior debido a lo bien
adaptado que esta este modelo con respecto a la incorporación del conocimiento experto
y la experiencia del diseñador. La forma de implementación de Mamdani es la siguiente:

If x1 is A AND x2 is B THEN u1 is C
Fuente: W. Siler y J. J. Buckley [3]

Ecuación 1-10 Reglas Difusa de Mamdani

Siendo x1 y x2 entradas del proceso, A y B miembros de un set difuso de entrada y C de

un miembro de un set difuso de salida que entrega un valor a la salida u1. La expresión
anterior si x1 es A y x2 es B entonces la salida u1 toma el valor de C.

b. Reglas difusas de Takagi-Sugeno: Las reglas de Takagi Sugeno son mayormente

implementadas para el modelamiento de procesos debido el resultado difuso a diferencia
de mandami es el valor de una función no lineal con respecto a las entradas, aunque esto
último dependiendo del tipo de proceso y su complejidad puede ser modificado para
expresar la función de salida de manera lineal. La forma de implementación de Sugeno es
la siguiente:

If x1 is A AND x2 is B THEN u1  f ( x1 , x2 )
Fuente: W. Siler y J. J. Buckley [3]
Ecuación 1-11 Reglas Difusas de Takagi Sugeno

Siendo x1 y x2 entradas del proceso, A y B miembros de una función de pertenencia difusa

de entrada y la salida u1 el valor de la función f(x) para ese punto en concreto. Al igual que
 11

mandami la resolución de la lógica es, si x1 es A y x2 es B entonces u1 toma el valor de la

función para ese punto.

[Link] Defusificación

La defusificación es el proceso matemático que se realiza para obtener el valor de un

conjunto de pertenencia difusa de salida, los distintos métodos de defusificación arrojarán
resultados diferentes para un mismo conjunto de reglas, por lo que es importante definir qué tipo
de método se ajusta más a los requerimientos, el más común y más utilizado es el cálculo de
centroide, Ecuación 1-12, que entrega el centro de gravedad de la coordenada x de la función de
pertenencia de salida.

yd 
 y ( y)dy
y

  ( y)dy
y

Fuente: W. Siler y J. J. Buckley [3]

Ecuación 1-12 Cálculo de Centroide

Debido a que el costo computacional de este método es demasiado alto, también se

suele implementar la defusificación por centro de área, la cual a su vez es un punto de partida
para las demás formas de defusificación, como lo son el criterio del máximo y el método del centro
de área.

1.1.5 Estructura de un controlador difuso

Un controlador difuso tiene como estructura lógica tres pasos, fusificación, base de
reglas y defusificación, como se muestra en la Figura 1-6, cada una de estas etapas tiene sus
subsistemas ya definidos.
A continuación, se definirá cada etapa tomando en consideración lo expuesto con
anterioridad en la Sección 1.1.4

I. Fusificación: Se tienen los sets de membresías difusas de cada entrada y sus respectivas
funciones de pertenencia.
II. Inferencia Difusa: Se encuentra la definición de la base de reglas y los valores que tomará
cada conjunto de salida dependiendo de la pertenencia del conjunto.
 12

III. Defusificación: Se procesan las funciones de pertenencia de la o las salidas para generar
un valor numérico según el método de defusificación seleccionado.

Fuente: J. D. C. Quisaguano [4]

Figura 1-6 Estructura de un controlador difuso

1.2 HIPÓTESIS

Para esta investigación se plantea la siguiente pregunta de investigación: Utilizando el

método propuesto para el diseño e implementación de controladores PID con ganancia
programada, se logra una mejor performance en el proceso y una mayor flexibilidad para generar
cambios en el sistema.

1.3 OBJETIVOS GENERAL Y ESPECÍFICOS

El objetivo general de este trabajo es demostrar que el diseño propuesto y la

implementación de los algoritmos de un controlador PID con programación de ganancia basados
en lógica difusa mejoran la performance de un proceso. Para cumplir con el objetivo general se
pueden identificar los siguientes objetivos específicos:

I. Diseñar e implementar controlador PID base para la modificación de ganancia

II. Diseñar e implementar controlador Difuso para la modificación de parámetros en línea
del controlador PID
III. Implementar el control de ganancia programada de tal forma que los parámetros a
modificar sean los mínimos para cada implementación de este.
 13

IV. Generar set de funciones de transferencia para las pruebas de generalización del control
para determinar los parámetros del controlador difuso
V. Implementar la simulación de la planta de dos estanques por llenado gravitatorio para
poner a prueba el control PID de ganancia programada final.

1.4 ALCANCES Y LIMITACIONES

En este trabajo se busca establecer un esquema para un controlador PID de ganancia

programada “genérico” que pueda ser implementado sin mayores cambios en los parámetros en
cualquier sistema que cumpla con lo definido en el capítulo 2.
El foco de este trabajo no es la simulación ni la implementación de la planta como tal,
sino más bien esta simulación es un instrumento para validar la hipótesis.
CAPÍTULO 2: CONTROLADOR PID CON PROGRAMACION DE GANANCIA
 15

2 CONTROLADOR PID CON PROGRAMACION DE GANANCIA

En las siguientes subsecciones se detallará el diseño de todas y cada una de las partes
que componen el controlador PID con programación de ganancia. Además, se realizará el modelo
matemático de tanques conectados de forma no interactiva, el cual se utilizará para corroborar
el funcionamiento del sistema controlado.

2.1 DISEÑO DEL CONTROLADOR PID

En la sección 1.1.2 se mostró la ecuación del controlador estándar, la que esta

implementada en un gran número de aplicaciones industriales, en la Ecuación 2-1 se muestra la
misma ecuación pero en el dominio de Laplace, de esta forma se trabajará en todo este capítulo.

1
𝐶 (𝑠) = 𝐾𝑐 ∗ (1 + + 𝑇𝑑 ∗ 𝑠)
𝑇𝑖 ∗ 𝑆
Fuente: Katsuhiko Ogata, Ingeniería de control moderna [2]

Ecuación 2-1 Controlador PID Estándar en Laplace

La implementación de esta fórmula en sistemas de control reales tiene una serie de

problemas debido a las limitantes físicas de los actuadores, sensores y del medio en el que se
implemente, es por lo que para robustecer el algoritmo se realizarán las siguientes
modificaciones.

2.1.1 Modificaciones al algoritmo de PID

Para robustecer el algoritmo que se presentó anteriormente y debido a las distintas

limitaciones que se presentan al implementar estos sistemas en medios físicos, se deben realizar
ciertas modificaciones:

[Link] Limitación de ganancia derivativa

En los sistemas físicos las mediciones de las señales manipuladas se ven afectadas por el
ruido, lo que provoca problemas en la parte derivativa del PID. Para solucionar este problema y
 16

debido a que frecuentemente los ruidos que más afectan la medición son los de alta frecuencia,
se debe implementar un filtro pasa bajos en la parte derivativa.

N
C ( s) 
1 N
s
Fuente: Katsuhiko Ogata, Ingeniería de control moderna [2]

Ecuación 2-2 Implementación de Filtro Pasa bajos en la derivada

En la Ecuación 2-2 se muestra el filtro pasa bajos en el dominio de Laplace en donde N

es la frecuencia de corte en radianes por segundos cuyos valores más comunes son 10 y 100. Si
se despeja la ecuación se puede acomodar para poder realizar la implementación como un
sistema retroalimentado, lo que simplifica el proceso de diseño como lo muestra la Figura 2-1.

Fuente: Elaboración Propia Software Matlab

Figura 2-1 Implementación filtro derivativo

[Link] Limitación de acción integral

La acción integral se ve afectada por las limitaciones físicas de los actuadores, si el

sistema no logra regular el error a causa de que el actuador llego a su límite físico, la acción
integral seguirá variando después del desbordamiento, lo que hará que al realizar la acción
contraria exista una banda de no acción, a este fenómeno se le conoce como windup.
Para evitar este fenómeno existen algoritmos de anti-windup los cuales se describen a
continuación.

a. Clamping: Consiste en detectar el desbordamiento de la salida con respecto a los límites

máximos y mínimos del sistema. Este método es el más común debido a que funciona en
todos los casos y es sencillo de configurar.

b. Back-Calculation: Al igual que en el método de clamping se busca limitar el

desbordamiento, esto se logra mediante la retroalimentación de la diferencia entre la
 17

salida limitada y la acción integral a la que se le aplica una ganancia (Kp). Este método
depende en gran medida de la correcta sintonización de la ganancia Kp y en los casos en
que esta no se encuentre bien sintonizada puede no tener efecto o en el peor caso afectar
la respuesta del sistema.

2.1.2 Algoritmo PID a Implementar

Finalmente tomando en consideración lo presentado en los puntos anteriores es que se

implementará el PID con el filtro derivativo y la limitación integral por clamping que se muestra
en la Figura 2-2.

Fuente: Elaboración Propia Software Matlab

Figura 2-2 Implementación Controlador PID

2.2 DISEÑO CONTROLADOR DIFUSO

En esta sección se realizará el diseño del controlador difuso que se encargará de

modificar los parámetros de sintonía del PID no interactivo.
 18

2.2.1 Creación de conjuntos de entrada y salida

Para la creación de los conjuntos de entrada, en primer lugar, se deben definir las
entradas al sistema difuso, en este caso se trabajará con la variable controlada y la derivada de
esta, esto debido a las siguientes razones:

I. Al utilizar la variable controlada y la razón de cambio se tiene un vector de

magnitud y dirección respectivamente, lo cual da un nivel de detalle mayor del
comportamiento de la señal.
II. Debido a que se busca un enfoque general es bueno trabajar con la variable
controlada, esto ya que si se trabajase con el error se deben ajustar los conjuntos
según la magnitud y cambio de esta última.

Para poder generalizar el control es necesario llevar las magnitudes tanto de la variable
controlada como la razón de cambio a porcentajes, para esto se debe realizar una normalización
de la señal, el método de normalización que se utilizará para este controlador será el método de
Scaling que consta de normalizar la variable de entrada entre dos rangos conocidos. Aunque este
método tiene el problema de amplificar los errores de medición es una buena forma de mantener
las proporciones sin necesidad de mayores análisis como en otros métodos, como lo puede ser la
normalización por la media. En la Figura 2-3 se puede observar la implementación de dicha
normalización en Matlab Simulink.

Fuente: Elaboración Propia Software Matlab

Figura 2-3 Normalización de la Variable Manipulada y Razón de Cambio

 19

Ya con la normalización definida, se pueden generar los conjuntos difusos para la variable
manipulada y su razón de cambio, para esto se utilizará el conocimiento que se tiene de los
sistemas de primer y segundo orden donde se sabe que la respuesta ideal del sistema es
exponencial por lo que se utilizaran las funciones de membresía delta, pi, sigma, zeta, las cuales
se vieron en la sección [Link].
Para la definición de la cantidad de funciones de membresía se utilizará la Figura 2-4
donde se muestra la respuesta de escalón unitario en un sistema de segundo orden, como se
puede observar es posible definir tres zonas:

a. Zona 1: Esta zona se define tomando en cuenta que desde cierto punto el error
es tan grande que deja de importar su magnitud
b. Zona 2: Una zona más cercana a la zona de estabilidad donde el error empieza a
tener menos peso con respecto a la acción.
c. Zona 3: Zona de estabilidad donde la acción de control disminuye notablemente
y solo busca mantener el error de estado estacionario

Fuente: Elaboración Propia Software Matlab

Figura 2-4 Respuesta Escalón

Se analiza la respuesta a escalón debido a que con esto es posible observar los cambios
de la señal en el tiempo, lo que permite determinar la cantidad de miembros necesarios para
reconstruir el comportamiento de la señal. Si se toma en consideración que la Zona 3 es el lugar
en donde el cambio es menor o nulo y debido a que la razón de cambio es tanto positiva como
negativa se pueden definir un conjunto de 5 miembros para la razón de cambio, Muy positivos
(PB), Positivo (P), Sin Cambio (SC), Negativo (N), Muy Negativo (NB).
 20

Con respecto al conjunto para la variable manipulada se representará de forma tal que
se genere una matriz de orden 5, esto es debido a que de esta forma se puede lograr una función
de transferencia lineal si se definen reglas estándares y los miembros difusos tanto de entrada
como de salida son equidistantes.
Para ajustar la ganancia del controlador PID las salidas del controlador difuso deben ser
tres, el ajuste proporcional (Kp), el ajuste integrativo (Ki) y el ajuste derivativo (Kd), desde ahora
en adelante cada vez que se nombre Kp, Ki y Kd se hará referencia a los valores de ajuste. Debido
a que la matriz de conocimiento es cuadrada se puede aplicar uno de los criterios de diseño
utilizados en la industria para la simplificación en la implementación de este tipo de sistemas que
consta en agregar un miembro de salida a cada extremo, es decir, como la matriz de conocimiento
es de orden 5 la salida debería tener 7 miembros.

2.2.2 Creación de reglas difusas

Para la creación de las reglas difusas y debido a que lo que se busca es ajustar los
parámetros se seguirán las reglas generales de sintonización manual de controladores PID [2] que
se muestra en la Tabla 2-1.
Tabla 2-1 Efectos de los parámetros PID

Action Rise Time Overshoot Stability Settling Time

Kc Increse faster Increases gets worse little Change
1/ti Increse faster Increases gets worse Increases
td Increse slow decreases improves Decreases
Fuente: J. Jantzen, «Tuning Of Fuzzy PID Controllers»

Como se puede ver en la tabla y tomando en consideración que la ganancia integral se

𝐾𝑐
define según la Ecuación 2-1 como y observando que este es el inverso de Kc las reglas difusas
𝑇𝑖

pueden invertirse en magnitud lo que simplifica el diseño. Con respecto al parámetro Kd es más
difícil llegar a determinar las reglas, esto debido a que los cambios de parámetros en la derivada
del PID fuera de la Zona 3 (zona de estabilización) podrían provocar que el margen de fase del
sistema llegue a valores cercanos a los -180°, lo que haría oscilar el sistema, sumado a lo anterior
también se presentan problemas importantes en el cálculo del factor N del filtro pasa bajos, el
que también altera la fase del sistema controlado. Por esto, la modificación del parámetro Kd se
realizará en la zona de estabilización y el factor de filtro N no se modificará.
Con las apreciaciones anteriores y los datos de la tabla 2-1, se llega a las reglas difusas,
las cuales se grafican en la Figura 2-5.
 21

(a) (b)

(c)

Fuente: Elaboración Propia Software Matlab

Figura 2-5 Grafico Pseudo Color Blue - Reglas difusas : (a) Kp (b) Ki, (c) Kd

En la Figura 2-5 (a) se ven las reglas de Kp donde la acción proporcional aumenta a
medida que la variable manipulada aumenta (azul oscuro) y disminuye en caso contrario (blanco).
Esto se debe a que en un sistema de control directo de segundo orden a medida que aumenta la
variable manipulada alejándose del punto de operación mayor es el error que se produce, por lo
que el ajuste del parámetro Kp debe ser mayor para disminuir el tiempo de estabilización.
En la Figura 2-5 (b) se ven las reglas de la acción integral que, como se revisó
anteriormente, son el inverso de las reglas del parámetro Kp.
Para la acción derivativa que se muestran en la Figura 2-5 (c), los cambios son dentro de
los miembros difusos P, SC, N y con acciones limitadas o nulas dependiendo fuertemente de la
razón de cambio de la variable manipulada.
Todas las reglas se presentan en forma detallada en la sección de Anexos del documento
 22

2.3 IMPLEMENTACÍON CONTROLADOR PID CON PROGRAMACÍON DE GANANCIA

Para la implementación se realiza la unión de los controladores con un esquema sencillo

realizado en Matlab Simulink que se muestra en la Figura 2-6, se puede dividir la implementación
en cuatro.
a. Tratamiento de señal: En esta sección se realiza el cálculo de la razón de cambio
de la variable manipulada, así como la normalización de las señales de entrada
del controlador difuso de ajuste paramétrico
b. Controlador difuso: Encargado de calcular el ajuste de parámetros para el
controlador PID de la planta.
c. Manejo de parámetros de salida: Se realiza la desnormalización de la señal de
salida para el ajuste de parámetros al controlador PID dentro del rango
configurado en la aplicación.
d. Controlador PID: Controlador PID principal del sistema

Fuente: Elaboración Propia Software Matlab

Figura 2-6 implementación final control PID con ajuste de ganancia

2.4 MODELO MATEMÁTICO DE TANQUES CONECTADOS DE FORMA NO INTERACTIVA

En un sistema hidráulico, que es el sistema a modelar, existen tres tipos de elementos

básicos a considerar: la resistencia, que en este caso es la dificultad que encuentra el fluido para
circular a través del circuito; la capacitancia, que indica el cambio que se debe efectuar en el
sistema para que este tenga un cambio de potencial y la inertancia, que es el cambio necesario
 23

para romper la inercia para poder producir un cambio. En las siguientes secciones se mostrará el
proceso de modelado y la correspondencia de dichos factores en el proceso.

2.4.1 Definiciones de modelamiento

Para la simulación del proceso de tanques con conexión no interactiva que se muestra
en la Figura 2-7 se define que las distancias entre tuberías que conectan los tanques y alimentan
a estos son cercanos por lo que no se generara un retraso en el cambio del nivel, además se define
que el líquido a transportar será agua la cual no tiene suficiente densidad para generar un retraso
en el traslado de esta de un tanque a otro por lo que teniendo en cuenta estas definiciones el
factor inertancia es despreciable.

R1
Qe

Q1

TK-01

R2 Q2

TK-02

Fuente: Elaboración Propia

Figura 2-7 Tanques conectados de forma no interactiva

Para el cálculo de la capacitancia del sistema se sigue la definición que se muestra en la

siguiente ecuación.

Cambio en el Liquido Almacenado

C
cambio en la Altura
Fuente: Katsuhiko Ogata, Ingeniería de control moderna [2]

Ecuación 2-3 Definición de capacitancia del tanque

Si se observa la ecuación esta corresponde a la derivada del volumen dividida en la

derivada de la altura del tanque. Si se considera que el tanque es cilíndrico y se reemplaza el
volumen por su definición matemática se obtiene que la capacidad C es el área transversal del
 24

tanque, esta definición es aplicable para ambos estanques debido a que no depende de ningún
otro factor.
Si se realiza un despeje de la Ecuación 2-3 trabajando en el dominio del tiempo se pueden
obtener las siguientes ecuaciones para ambos tanques.

dH1
C1  (Qe  Q1 )
dt
dH 2
C2  (Q1  Q2 )
dt
Fuente: Elaboración Propia – Software wolfram mathematica

Ecuación 2-4 Ecuaciones de variación de volumen

La resistencia del sistema como se vio anteriormente no es más que la restricción que
encuentra el fluido para avanzar como se muestra en la siguiente ecuación.

Cambio en la Diferencia de Nivel

R
cambio en la velocidad del Flujo
Fuente: Katsuhiko Ogata, Ingeniería de control moderna [2]

Ecuación 2-5 Definición de resistencia

En la Figura 2-7 Tanques conectados de forma no interactiva se observa que las

restricciones R1 y R2 están dadas por las válvulas de control y la resistencia que existe entre la
comunicación de los dos tanques. La resistencia del sistema entonces dependerá de la geometría
de la válvula, por lo que, si se presume que el comportamiento de las válvulas es proporcional al
flujo y que este no es laminar, es posible definir un factor de descarga en metros cúbicos por
segundo para obtener un modelo de válvula de control. Lo mismo ocurre para la resistencia del
orificio de salida del tanque uno. Según estas definiciones se obtienen las siguientes ecuaciones

QSecTransversal  K H

QValvula  K * a * H
Fuente: [10]

Ecuación 2-6 Ecuaciones de caudal según restricción

Definido lo anterior se pueden despejar los flujos de salida desde la Ecuación 2-5, como
se puede observar en las siguientes ecuaciones
 25

Qe  K1a1
Q2  K 2 H1

Q2  K 3 a2 H 2
Fuente: Elaboración Propia – Software wolfram mathematica

Ecuación 2-7 Ecuaciones de caudal según restricción

2.4.2 Construcción del modelo y ajuste de parámetros

Con las definiciones antes realizadas se han obtenido las ecuaciones que describen un
modelo fenomenológico del sistema de dos tanques no interactivos por lo que se procede a
realizar la construcción del modelo en Matlab/Simulink.
En la Figura 2-8 se muestra la implementación de las ecuaciones descritas en la sección
2.4.1 sustituyendo para dejar todo en función de la altura.

Fuente: Elaboración Propia Software Matlab

Figura 2-8 Implementación Modelo Tanques No Interactivos

Para la parametrización se designan valores de manera arbitraria teniendo en cuenta

que el modelo responde a variaciones pequeñas de caudal. Los parámetros seleccionados se
muestran en la siguiente tabla.

Tabla 2-2 Parámetros para Modelo Fenomenológico

k1 k2 k3 a1 a2 C1 C2
0,15 0,04 0,07 0 a 1 0,45 1 1,5
Fuente: Elaboración Propia
 26

2.5 OBTENCION DE PARAMETROS DE CONTROL PID Y FUZZY

Para la obtención de los parámetros de ajuste del PID es necesario realizar la linealización
del modelo fenomenológico, para esto se necesita calcular los valores de las variables de salida
en estado estacionario, para este caso particular el sistema es estable cuando 𝑄𝑒 es igual a 𝑄2 ,
esto se cumple cuando la derivada del nivel se vuelve cero.
Si se vuelven a igualar las ecuaciones de la sección 2.4.1 y se considera que 𝑅2 se
mantiene constante, se obtienen las siguientes ecuaciones.

2
Ka  K 22 H1s
H 1s   1 1  H 2s 
 K3a2 
2
 K2 
(a) (b)
Fuente: Elaboración Propia – Software wolfram mathematica

Ecuación 2-8 H1 tanque 1 (a) H2 tanque 2 (b) ambos en estado estable

Con estas ecuaciones es posible construir un perfil de estados a diferentes aperturas de

válvula R1, como se puede observar en la Figura 2-9 el perfil es exponencial, por regla general
para recrear una señal de esta características se tomen de tres a cinco puntos, tomando en cuenta
que la válvula se mueve de 0% a 100% (0 a 1) para obtener cinco puntos de operación distintos
se deberían crear cinco modelos lineales con aperturas del válvula del 20%

Fuente: Elaboración Propia Software Matlab

Figura 2-9 Perfil de Niveles en Estado Estacionario

 27

En la tabla se pueden apreciar los valores en estado estacionario para lo anteriormente

comentado, estos valores se condicen con los valores de la Figura 2-9 y serán utilizados más
adelante para linealizar la planta en los distintos puntos de operación

Tabla 2-3 Valores en Estado Estable

Valores del sistema en estado estable
Válvula % H1 H2
0,2 0,56 0,91
0,4 2,25 3,63
0,6 5,06 8,16
0,8 9,00 14,51
1 14,06 22,68
Fuente: Elaboración Propia

2.5.1 Linealización por Series De Taylor

Las series de Taylor son una aproximación lineal de funciones mediante una serie de
ecuaciones parciales que describen el comportamiento lineal del sistema, debido a que se
necesita encontrar sintonías para distintos puntos de operación se utilizará la serie solo hasta la
primera derivada del sistema, lo que se conoce como Jacobiana del sistema.

F  x   F  x*   F  x*  x

Fuente: libro zotero se mario

Ecuación 2-9 Serie de Taylor - Jacobiana del Sistema

Sabiendo que la variable de entrada al primer tanque es 𝑎1 y la salida es 𝐻1 y tomando

en cuenta las ecuaciones de la sección 2.4, se tiene que para el TK01 la ecuación de Taylor es la
siguiente:

dF (a1 , H1 ) dF (a1 , H1 )
F  a1 , H1   F  a1s , H1s   *(a1  a1s )  *( H1  H1s )
da1 (a
dH1
1 s , H1 s ) ( a1 s ,H1 s )

Fuente: Elaboración Propia – Software wolfram mathematica

Ecuación 2-10 Serie Taylor tanque uno

 28

Gracias a que se tiene la función F(𝑎1 , 𝐻1 ) solo hace falta realizar las operaciones de
derivada evaluadas en los puntos de operación y luego despejar para la variable 𝐻1𝑠 lo que se
muestra a continuación.
d H1 K2
C1  K1a1  H 1
dx 2 H 1s
Fuente: Elaboración Propia – Software wolfram mathematica

Ecuación 2-11 Linealización tanque uno

Se debe hacer notar que tanto (𝑎1 − 𝑎1𝑠 ) y (𝐻1 − 𝐻1𝑠 ) se expresan como variables de
desviación, esto con el fin de hacer más entendible la ecuación. Si se sigue el mismo
procedimiento se puede obtener para el tanque dos la siguiente ecuación.

d H 2 k2 ka
C2  H1  3 2 H 2
dx 2 H 1s 2 H 2s
Fuente: Elaboración Propia – Software wolfram mathematica

Ecuación 2-12 Linealización tanque dos

Para obtener el modelo en función de 𝐻2 ⁄𝑎1 solo es necesario representar ambos

modelos en el dominio de la Laplace y multiplicarlos, esto dará origen a la siguiente función de
trasferencia de segundo orden con la que se trabajará de ahora en adelante.

k1k2
H 2 (s) 2 H 1s

a1 ( s)  k2  ka 
 C1s   C s 3 2
 2 2 H 
 2 H 1s  2s 
Fuente: Elaboración Propia – Software wolfram mathematica

Ecuación 2-13 Función de Transferencia del Sistema

Con la función de transferencia del sistema ya es posible generar con ayuda de la Tabla
2-3 las diferentes funciones de transferencia para los distintos puntos de operación, esto se
realiza mediante un pequeño script que toma los valores calculados anteriormente y los ingresa
a la Ecuación 2-13
 29

Fuente: Elaboración Propia Software Matlab

Figura 2-10 Funciones de transferencia en Estado Estacionario

2.5.2 Obtención de los controladores PID

El ajuste del controlador será realizado con el software Matlab cuya interfaz de usuario
para su aplicación de sintonización se muestra en la Figura 2-11. El software está programado
para lograr un equilibrio entre rendimiento y robustez.

Fuente: Elaboración Propia Software Matlab

Figura 2-11 Interfaz Aplicación “PID Tuner”

Por defecto, el algoritmo elige el ancho de banda con la frecuencia de corte de la

dinámica de la planta, y diseña para un margen de fase objetivo de 60 °, con esto se logra la
robustez necesaria en caso de una variación en la dinámica de la planta o en algún error de
modelado. Matlab implementa este algoritmo modificando el tiempo de respuesta, el ancho de
banda, la respuesta transitoria o el margen de fase según sea solicitado en base a dos criterios
seleccionables, rechazo a la perturbación y seguimiento de la referencia. Para ambos casos el
 30

software siempre intenta obtener un valor del margen de fase mínimo lo más bajo posible, es
decir, que para cada nuevo controlador cambiará el margen de fase. Es por esto por lo que se
utilizará la línea de comandos de la herramienta ya que da mayor flexibilidad a la hora de
sintonizar.
Si se utilizara la opción por defecto el software intentaría mantener la fase mínima de
cada punto de operación que se esté sintonizando lo cual haría que algunas definiciones que se
utilizaron al crear el controlador difuso se invalidaran, es por esto que se analizará el
comportamiento frecuencial de cada uno de los puntos de operación calculados en la sección 2.5.
En la Figura 2-12 se puede apreciar el comportamiento frecuencial de cada uno de los
modelos calculado anteriormente en un diagrama de bode, como se aprecia para todos los
modelos el sistema es estable debido a que tanto el margen de fase como el margen de ganancia
se encuentra dentro de la zona de estabilidad, es decir ninguno se encuentra sobre los 0 db ni por
debajo de los -180°. Esto hace que el proceso de selección de fase mínima sea más sencillo, debido
a que solo se debe elegir la mayor de las frecuencias de corte (Wcp), en este caso el valor de esta
variable sería 0,04761. En caso de que uno de los sistemas fuese inestable se tendría que ajustar
la sintonía a la fase mínima a dicho sistema o en caso de haber más de un sistema inestable,
ajustar la fase mínima a un sistema cuya fase mínima comprenda al resto.

Fuente: Elaboración Propia Software Matlab

Figura 2-12 Diagrama de Bode cada función de transferencia

Ya habiendo seleccionado la frecuencia se pueden obtener los controladores para las

cinco plantas ya diseñadas para esto se utiliza el comando “pidtune” desde la consola de Matlab
 31

seleccionando cada sistema por separado. Este proceso está también dentro del script preparado
con anterioridad el cual puede ser visto en el anexo A.

2.5.3 Obtención Parámetros Controlador Difuso

En la Figura 2-13 se puede apreciar el comportamiento que tienen los parámetros de los
controladores PID obtenidos en la sección anterior donde se aprecia que es el mismo
comportamiento que simula la configuración del controlador difuso, lo que confirma que las
suposiciones en base a los datos teóricos son correctas mientras se mantenga el margen de fase
para los controladores.

Fuente: Elaboración Propia Software Matlab

Figura 2-13 Comportamiento parámetros PID en estados estables

Es por lo anterior que solo es necesario utilizar el primer y último controlador obtenido
en la sección 2.5.2 con lo que se obtendrían los parámetros que se muestran en la Tabla 2-4

Tabla 2-4 Tabla de Parámetros Lógica Difusa

Controladores Difuso
Parámetro Mínimo Máximo
Kp 0,692 0,876
Ki 0,00403 0,00185
Kd 12,1 96,2
N 21 14,8
Fuente: Elaboración Propia
CAPÍTULO 3: RESULTADOS DE LAS PRUEBAS DEL CONTROLADOR PROPUESTO
 33

3 RESULTADOS DE LAS PRUEBAS DEL CONTROLADOR PROPUESTO

En las siguientes secciones se mostrarán los resultados y las modificaciones realizadas al

controlador propuesto según las especificaciones descritas en el Capítulo 2.

3.1 PREPARACÍON PARA LAS PRUEBAS DE RENDIMIENTO DEL CONTROLADOR

Para la realización de las pruebas se hace una implementación conjunta de los

componentes diseñados en el capítulo dos y un controlador PID en Simulink como se puede
apreciar en la Figura 3-1.

Fuente: Elaboración Propia Software Matlab

Figura 3-1 Simulación para Pruebas de Rendimiento

El controlador PID servirá para realizar una comparativa entre el diseño del controlador
con ganancia programada y un controlador PID con un solo ajuste de ganancia. Para la
sintonización de este PID fue necesario calcular el punto de operación medio dentro del rango de
operación total, como se definió en el capítulo dos el rango completo de operación corresponde
al nivel tomado por H2 cuando a1 está entre 0 y 1, por lo tanto, se realiza la sintonía para a1 igual
a 0,5.
 34

Fuente: Elaboración Propia Software Matlab

Figura 3-2 Simulación para Pruebas de Rendimiento

Junto con lo anterior se genera un conjunto de script que sirven para automatizar las
pruebas los que pueden verse en el Anexo B. Dicho conjunto de script tiene el objetivo de generar
para el sistema simulados los puntos de operación antes calculados y realizar un ajuste de
setpoint de un 20% por sobre el valor inicial del modelo.

3.2 RESULTADO DE RENDIMIENTO DEL CONTROLADOR

Para determinar si los resultados del controlador diseñado en el capítulo dos son
satisfactorios se realizarán dos pruebas de las cuales se analizará el comportamiento de manera
gráfica para luego revisar los indicadores básicos de performance de cualquier sistema de control.

3.2.1 Pruebas de comportamiento a distintos puntos de operación

Para esta prueba se han considerado los cinco puntos de operación antes calculados y
que se pueden observar en la Tabla 2-3. En la Figura 3-3 se muestran los resultados de dichas
pruebas en donde se puede apreciar y como era de esperar a medida que el controlador PID se
aleja del punto de operación para el cual fue sintonizado su comportamiento es menos eficiente,
se debe recordar que ambos controladores están sintonizados para seguir la referencia por sobre
la rapidez para alcanzar el valor de referencia por lo que los overshoot que sufre en los niveles
más bajos de H2 no deberían ser más altos que el 5% por diseño.
 35

Por otra parte, el comportamiento del controlador con ganancia programada está dentro
de los parámetros establecidos y aunque demora más tiempo en algunas ocasiones en llegar al
estado estable para todos los valores de H2 este se comporta según lo diseñado.

Fuente: Elaboración Propia Software Matlab

Figura 3-3 Comportamiento Controladores a Distintos Puntos de Operación

En la Tabla 3-1 se puede ver el análisis de los controladores a la respuesta escalón de la

Figura 3-3 para los diferentes puntos de operación mientras que en la Tabla 3-2 se ven las
estadísticas descriptivas de los valores de la Tabla 3-1, con estas dos tablas se puede realizar un
análisis más detallado para los distintos parámetros.

Tabla 3-1 Análisis de Respuesta al Escalón

Rise Time Settling Time Overshoot

Simulación PID Gain Shoulder PID Gain Shoulder PID Gain Shoulder
1 115,64 145,72 153,51 217,96 1,29 0,00
2 114,32 102,45 151,68 140,42 3,74 1,46
3 204,16 199,55 266,49 261,77 0,45 0,45
4 397,92 398,32 498,20 500,54 0,00 0,27
5 601,38 602,93 766,34 804,24 0,00 0,00
Fuente: Elaboración Propia
 36

Tabla 3-2 Estadística Descriptiva de las Simulaciones para cada Parámetro

Rise Time Settling Time Overshoot

Datos Estadísticos PID Gain Shoulder PID Gain Shoulder PID Gain Shoulder
Media 286,68 289,79 367,24 384,99 1,10 0,44
Desviación estándar 210,47 208,47 263,97 270,19 1,57 0,60
Rango 487,06 500,48 614,66 663,82 3,74 1,46
Mínimo 114,32 102,45 151,68 140,42 0,00 0,00
Máximo 601,38 602,93 766,34 804,24 3,74 1,46
Fuente: Elaboración Propia

[Link] Análisis del tiempo de subida

El tiempo de subida se define como el tiempo en que el sistema tarda en llegar desde el
10% al 90% del valor final de la señal, la media de este tiempo en el controlador de ganancia con
respecto al controlador PID es bastante similar, solo hay aproximadamente 3 segundos de
diferencia, lo que sumado a la desviación estándar de este parámetro que es prácticamente
idéntico para ambos, por lo que se puede decir que en cuanto al tiempo de subida ambos
controladores se comportan de forma similar.

[Link] Análisis del tiempo de estabilización

Este tiempo está definido como el tiempo que se tarda el error en llegar al estado
estable, dicho estado fue definido para estas pruebas como una variación del valor final de la
señal de un 5%. En este caso la diferencia entre ambos controladores, aunque no es significativa
marca una diferencia en el comportamiento del sistema, para el controlador con ganancia
programada el tiempo de establecimiento es entre un 6% y un 7% más lento.

[Link] Análisis del tiempo de Overshoot

Se define como el porcentaje entre el valor máximo por sobre el setpoint alcanzado por
la señal y el valor final de esta, para este diseño se sintonizaron los controladores para un
overshoot no mayor al 5%. Este parámetro afecta notablemente los dos parámetros anteriores,
debido a que la forma de controlarlo es disminuyendo los tiempos de subida lo que aumenta el
tiempo de establecimiento.
 37

Aunque ninguno de los dos controladores excede el 5% de overshoot establecido al

momento de elegir los parámetros de sintonía con el controlador de ganancia programada se
nota una mejora significativa en lo que anteriormente se definió como zona 1 (Figura 2-4) que
corresponde a la zona con mayores no linealidades del sistema y a su vez una mejora dentro del
rango de control con un overshoot máximo de 1,47 un poco menos de la mitad del overshoot del
controlador PID estándar.

3.2.2 Pruebas Ante Perturbaciones

En la Figura 3-4 se muestra el comportamiento ante una perturbación en el nivel H2, en

la Figura 3-4 (a) se muestra el comportamiento que se tiene para el punto de operación para el
cual se sintonizo el PID donde se ve claramente que el tiempo de restablecimiento y overshoot
del sistema son mucho mejores que el del sistema con ganancia programada, mientras que para
el caso dos (Figura 3-4(b)) se muestra un punto de operación fuera del rango operativo del PID
estándar en donde se ve el aumento del overshoot y la aparición de undershoot aunque los
tiempos de establecimiento son menores y los overshoot no superan los márgenes establecidos.

(a)
 38

(b)

Fuente: Elaboración Propia Software Matlab

Figura 3-4 Comportamiento en caso de perturbaciones

3.3 CONCLUSIONES A LAS PRUEBAS PARA EL CONTROL PID

Como se vio en las tablas los resultados para el controlador con ganancia programada
este es bastante lineal en todos los puntos de operación, lo que demuestra que es una mejor
opción en caso de que el comportamiento del sistema sea no lineal.
Aunque el controlador propuesto tiene una mejor performance en general, si se realiza
una comparación con el controlador PID Estándar para un punto de operación en concreto el
controlador PID Estándar este disminuye su efectividad, esto es debido a que en la banda de
puntos de operación el controlador con ganancia programada utiliza una curva de ajuste
determinada por las reglas del controlador difuso lo que hace que el ajuste, aunque dentro de las
especificaciones sea de menor performance.

3.4 SIMPLIFICACÍON DEL CONTROLADOR PROPUESTO

Con las pruebas anteriores se demuestra que el sistema cumple con las características
para las cuales fue diseñado y que las reglas basadas en la teoría de comportamiento de los
sistemas de segundo orden son funcionales. Por lo que se puede realizar una simplificación del
mismo con el objetivo de obtener los mismos resultados con un menor costo en la
implementación del controlador.
 39

En la Figura 3-5 se muestra la nueva configuración del controlador, como se puede

apreciar, ya no existe la salida del conjunto difuso de Ki, esta fue reemplazada por una ecuación
sencilla que invierte el resultado de Kp generando la misma salida que anteriormente tenia Ki.
Junto con esto también se eliminan las reglas y conjuntos pertenecientes a este parámetro lo que
hace más sencillo realizar cambios a las reglas manteniendo la premisa de que Ki se comporta
inversamente a Kp.

Fuente: Elaboración Propia Software Matlab

Figura 3-5 Implementación final control PID con ajuste de ganancia

También se mejora el tratamiento de las señales de entrada y salida saturando la entrada

hacia los conjuntos difusos, este límite no afecta el correcto funcionamiento de la lógica difusa
debido a que esta considera cualquier resultado mayor a 1 con la máxima acción de control y
menor a 0 con la mínima acción de control y obedece más a una optimización de código para
eliminar warning y errores por valores infinitos.

3.5 COMPARATIVA CONTROLADOR PROPUESTO CON RESPECTO A LA TÉCNICA CLÁSICA

Una de las estrategias más usadas para afrontar este tipo de problemas de control en
donde las no linealidades del sistema afectan el rendimiento de manera notable en distintos
puntos de operación son los controladores de ganancia programada por tabla dinámica o de
estados. Estos sistemas son simples y están formados por una serie de tablas con valores
predefinidos para cada punto de operación, la salida de dichas tablas puede ser interpolada entre
cada punto o sencillamente ir cambiando dentro del umbral definido por la sintonía.
En la Figura 3-6 se muestra la implementación del sistema en Matlab/Simulink de un
control de ganancia programada por tablas de estados, se han utilizado los mismos puntos de
 40

operación para la creación de las tablas y se ha decidido interpolar los datos en vez de generar
saltos entre los valores de quiebre de la tabla.

Fuente: Elaboración Propia Software Matlab

Figura 3-6 Implementación Controlador Por Tablas De Estado

Con respecto a la sintonización es mucho más flexible que el diseño presentado

anteriormente debido a que no existen tantas restricciones que cumplir para que se den las
condiciones de operación del controlador, por lo que es posible utilizar métodos empíricos como
los de Ziegler-Nichols o computacionales como los de minimización de parámetros como el IEA,
para este caso se utiliza la misma técnica que con los controladores anteriores con la salvedad
que no se restringe el ancho de bando ni el margen de fase mínima
En la Figura 3-7 se ve el comportamiento a escalón de los controladores, en rojo la señal
del controlador GS difuso y en azul el controlador por tablas de estado. Se puede apreciar que
ambos tienen un buen comportamiento con respecto al seguimiento de la señal.

Fuente: Elaboración Propia Software Matlab

Figura 3-7 Comparación entre tablas de estado y ajuste difuso

 41

Si se observan los parámetros principales de la respuesta escalón estos muestran un

comportamiento similar en los primeros 3 segmentos de simulación aumentando el tiempo de
subida en los últimos dos rangos simulados, pero disminuyendo el overshoot para el caso del
controlador por tabla de estados.

Tabla 3-3 Análisis de Respuesta al Escalón

Rise Time Settling Time Overshoot

Simulación PID Gain Shoulder PID Gain Shoulder PID Gain Shoulder
1 147.24 145,46 185,74 221,45 1.08 0,00
2 107.28 102,33 147,02 140,32 1,06 1,04
3 278.08 199,42 364,74 261,86 1,44 0,45
4 506,39 398,32 672,21 499.22 0,45 0,00
5 506.38 602,93 950,35 766.81 0,16 0,00
Fuente: Elaboración Propia

Con respecto a la variabilidad de los parámetros para los distintos puntos de operación
estos son presentado en la Tabla 3-4 donde se observa que los resultados son muy similares a la
a lo ocurrido con el PID Estándar, el tiempo de subida es mayor en el controlador por tabla de
estados pero la estabilidad y sobre impulsos son menores en el controlador propuesto.

Tabla 3-4 Estadística Básica de Los Controladores

Rise Time Settling Time OverShoot

Datos Estadísticos GS Table GS Fuzzy GS Table GS Fuzzy PID GS Fuzzy
Media 309,07 289,69 464,01 377,93 0,84 0,30
Desviación estándar 190,88 208,55 341,92 255,13 0,52 0,46
Rango 399,11 500,60 803,33 626,49 1,28 1,04
Mínimo 107,28 102,33 147,02 140,32 0,16 0,00
Máximo 506,39 602,93 950,35 766,81 1,44 1,04
Fuente: Elaboración Propia

3.6 CONCLUSIONES A LAS PRUEBAS CON CONTROLADORES DE TABLA DE ESTADO

De este conjunto de pruebas para medir el desempeño de los controladores se puede

ver que el controlador diseñado cumple con mayor eficiencia los requerimientos de diseño,
aunque el controlador por tabla de estado también tiene una buena performance. La diferencia
radica en la forma que tiene el controlador de tabla de estado para obtener un valor de salida, en
donde se interpreta la magnitud de la señal controlada y se interpola entre dos puntos de
operación lo que castiga enormemente las zonas de no linealidad, esto se puede ver en la perdida
de eficiencia entre las simulaciones 3 a 5 en donde para obtener una mejor performance deberían
 42

agregarse más valores a la tabla de estado. Por otra parte, el controlador propuesto sopesa este
problema agregando tanto el vector magnitud como el vector dirección de la señal controlada lo
que da mayor fidelidad a la salida del controlador.

3.7 TRABAJOS FUTUROS - IMPLEMENTACION EN ENTORNOS INDUSTRIALES

Para la implementación del modelo en un entorno industrial es necesario llevar el diseño

propuesto a uno de los cinco lenguajes de programación de los PLC definidos en el estándar IEC
61131, dentro de los lenguajes el más propicio para realizar la implementación es el Texto
Estructurado (ST).
Matlab cuenta con herramientas de generación de código para PLC de las marcas más
utilizadas en el mercado, por lo que sería necesario realizar la simplificación del modelo de control
propuesto para mejorar las matemáticas utilizadas y así disminuir el tiempo de ejecución lo cual
es importante debido a que estos controladores funcionan de forma cíclica.
Respecto a la simplificación del modelo difuso, por la forma en la que es presentado es
posible generar una tabla de estados que simplificaría notablemente el tiempo de ejecución del
programa al eliminar el cálculo de centroide, mientras que la simplificación del controlador PID
podría únicamente limitarse a la utilización de los PID que ya traen en sus librerías la mayoría de
los PLC.
 43

CONCLUSIONES

En los resultados anteriormente mostrados se puede concluir que el controlador

propuesto es superior en rendimiento a los controladores PID estándar y a la solución estándar
para este problema de control como lo son los controladores por tablas de estado. Es posible
listar los siguientes pros y contras del diseño propuesto.

I. La implementación del diseño del controlador de ganancia programada requiere

un estudio para la variable controlada que, aunque sencillo es inexistente en el
resto de los controles.
II. La sintonización del controlador de ganancia programada es bastante complicada
y es necesario un análisis mucho mayor al del controlador PID y PID por tablas de
estado, siendo estos últimos dos controladores fácilmente sintonizables por
métodos de sintonización altamente conocidos y estudiados.
III. Para la sintonización del controlador propuesto es necesario realizar un modelo
del sistema a controlar bastante preciso lo que a veces no es posible en plantas
reales. Este problema no se presenta con los controladores PID Estándar y por
tabla de estados.
IV. Para poder aplicar el controlador propuesto el proceso a controlar debe ser
estable para todos los puntos de operación que se requieran. En caso de no ser
así invalidaría las reglas y la forma de sintonía lo que haría aún más difícil el
proceso de ajuste. Este problema no se tiene con el método estándar de tabla de
estados debido a que se podrían generar tantos puntos como se deseen para la
interpolación

Como conclusiones finales el Controlador por ganancia controlada propuesto sería

aplicable en casos puntuales y su performance más elevada no compensaría la cantidad de
análisis que es necesario realizar para su implementación en comparación con otras técnicas
mucho más sencillas de implementar, esto desde el punto de vista de un único proceso a
controlar.
Desde el punto de vista de la implementación dentro de un sistema de control distribuido
en donde existen muchos más procesos que controlar y la implementación del diseño propuesto
podría darse como una macro (planilla con lógica pre-configurada) podría llegar a ser útil, aunque
con la cantidad de análisis necesario para realizar la sintonización y las consideraciones que se
deben tener en cuenta podrían llegar a ser mejor algún controlador personalizado.
 44

BIBLIOGRAFÍA

[1] M. A. P. Cando, «CONTROL DE UN MODELO AERODINÁMICO APLICANDO SISTEMAS

DIFUSOS.», p. 148, 2008.
[2] Katsuhiko Ogata, Ingeniería de control moderna, 5.a ed. Prentice Hall, 2010.
[3] W. Siler y J. J. Buckley, Fuzzy expert systems and fuzzy reasoning. Hoboken, N.J: Wiley, 2005.
[4] J. D. C. Quisaguano, «Diseño y Simulacion de Esquemas de control difuso optimizados
mediante algoritmos evolutivos aplicados a sistemas lineales», p. 118, 2018.
[5] J. Jantzen, «Tuning Of Fuzzy PID Controllers», p. 22.
[6] A. Roca, Control automático de procesos industriales: con prácticas de simulación y análisis
por ordenador PC. 2014.
[7] A. Matute y W. B. Suárez, «Técnicas de Lógica Difusa en Ingeniería de Control», p. 10, 2017.
[8] M. Orellana y M. Enrique, «Diseño e implementación de algoritmos de control difuso y Pid
adaptativo STR para el sistema mimo de doble rotor 33-220 de feedback para el laboratorio
de control automático de la universidad politécnica salesiana sede Guayaquil», p. 95, 2018.
[9] K. Ogata, Dinámica de Sistemas 1ra Edicion. Prentice-Hall, 1987.
[10] «PID Tuning Algorithm - MATLAB & Simulink - MathWorks América Latina». [En línea].
Disponible en: [Link]
[Accedido: 28-dic-2019].
 45

ANEXOS
 46

ANEXO A: SCRIPT PARA CALULOS DE PUNTOS DE OPERACIÓN

% Limpieza del area de trabajo

clc
clear all
close all

% Definicion estandar ploteo

set(0,'DefaultTextFontName','Times',...
'DefaultTextFontSize',12,...
'DefaultAxesFontName','Times',...
'DefaultAxesFontSize',12,...
'DefaultLineLineWidth',1,...
'DefaultLineMarkerSize',7.75)

%Parametros modelo tanques

k1=0.15;
k2=0.04;
k3=0.07;
a2=0.45;
C1=1;
C2=1.5;

% Definicion del modelo en simulink para calculos siguientes

mdl = 'ModelTank';
open_system(mdl)

% Definicion de puntos de operacion

H2 = [0.91 3.63 8.16 14.51 22.68];

operPoint = operspec(mdl,numel(H2));

for i = 1:numel(H2)
operPoint(i).[Link] = true;
operPoint(i).Outputs.y = H2(i);
end

% Busqueda del punto de equilibro para los puntos de operacion

% eqPoint = findop(mdl,operPoint,findopOptions('DisplayReport','off'));
eqPoint = findop(mdl,operPoint);

% Linealizacion y Estabilidad del modelo

G = linearize(mdl,eqPoint);
estable = isstable(G,'elem')'

figure
hold on
for i = 1:numel(H2)
sys = G(:,:,i);
[Link] = ['H2=',num2str(H2(i))];
[Link] = 'Reference';
bode(sys);
end
legend('show','location','southeast')
hold off

% Busqueda de controladores para puntos de operacion

[C,info] = pidtune(G,'pidf',0.02555);
 47

clsys = feedback(G*C,1);
figure
hold on
for i = 1:length(H2)
% Select a system from the LTI array
sys = clsys(:,:,i);
set(sys,'Name',['H2=',num2str(H2(i))],'InputName','Reference');
% Plot step response
stepplot(sys,3000);
end
legend('show','location','southeast')
hold off

ANEXO B: SCRIPT PARA PRUEBAS DE RENDIMIETO

% Incializacion de puntos de operacion

H1init = [0.56 2.25 5.06 9.00 14.06];
H2init = [0.91 3.63 8.16 14.51 22.68];
a1init = 0.2:0.2:1;

% Generacion de valores de simulacion

for i=1:numel(H2init)
H1s = H1init(i);
H2s = H2init(i);
a1 = a1init(i);
Sp = H2s*0.2 + H2s

% Simulacion Simulink
sim('PruebasRendimiento',1000);

% Generacion de graficas
subplot(5,1,i)
hold on
plot([Link],[Link])
hold on
plot([Link],[Link])
hold on
plot([Link],[Link])
end

ANEXO C: REGLAS CONTROLADOR DIFUSO

1. If (pv is NB) and (pvc is NB) then (Kp is PB)(Ki is NB)(Kd is N)

2. If (pv is NB) and (pvc is N) then (Kp is PM)(Ki is NM)(Kd is N)
3. If (pv is NB) and (pvc is Z) then (Kp is PM)(Ki is NM)(Kd is Z)
4. If (pv is NB) and (pvc is P) then (Kp is P)(Ki is N)(Kd is NM)
5. If (pv is NB) and (pvc is PB) then (Kp is Z)(Ki is Z)(Kd is NB)
6. If (pv is N) and (pvc is NB) then (Kp is PM)(Ki is NM)(Kd is P)
7. If (pv is N) and (pvc is N) then (Kp is PM)(Ki is NM)(Kd is P)
8. If (pv is N) and (pvc is Z) then (Kp is P)(Ki is N)(Kd is Z)
9. If (pv is N) and (pvc is P) then (Kp is Z)(Ki is Z)(Kd is N)
10. If (pv is N) and (pvc is PB) then (Kp is N)(Ki is P)(Kd is NM)
 48

11. If (pv is Z) and (pvc is NB) then (Kp is PM)(Ki is NM)(Kd is Z)

12. If (pv is Z) and (pvc is N) then (Kp is P)(Ki is N)(Kd is Z)
13. If (pv is Z) and (pvc is Z) then (Kp is Z)(Ki is Z)(Kd is Z)
14. If (pv is Z) and (pvc is P) then (Kp is N)(Ki is P)(Kd is Z)
15. If (pv is Z) and (pvc is PB) then (Kp is NM)(Ki is PM)(Kd is Z)
16. If (pv is P) and (pvc is NB) then (Kp is P)(Ki is N)(Kd is N)
17. If (pv is P) and (pvc is N) then (Kp is Z)(Ki is Z)(Kd is N)
18. If (pv is P) and (pvc is Z) then (Kp is N)(Ki is P)(Kd is Z)
19. If (pv is P) and (pvc is P) then (Kp is NM)(Ki is PM)(Kd is P)
20. If (pv is P) and (pvc is PB) then (Kp is NM)(Ki is PM)(Kd is PM)
21. If (pv is PB) and (pvc is NB) then (Kp is Z)(Ki is Z)(Kd is P)
22. If (pv is PB) and (pvc is N) then (Kp is N)(Ki is P)(Kd is P)
23. If (pv is PB) and (pvc is Z) then (Kp is NM)(Ki is PM)(Kd is Z)
24. If (pv is PB) and (pvc is P) then (Kp is NM)(Ki is PM)(Kd is PM)
25. If (pv is PB) and (pvc is PB) then (Kp is NB)(Ki is PB)(Kd is PB)