CONTROLADOR DE UN VEHICULO ELECTRICO UTILIZANDO LOS

SISTEMAS DE INFERENCIA MANDANI Y SUGENO

Marcelo Francisco Sandoval Z*. Jaime Germán Bonilla A*, Eduardo Alejandro Tusa J*,
Olga L. Quintero Montoya*.
* Departamento de Ingeniería Electrónica en Control
Colegio Politécnico de la Universidad San Francisco de Quito
Cumbayá, Quito-Ecuador
Email: [email protected], [email protected], [email protected],
[email protected]

Resumen: Este trabajo presenta el desarrollo un proyecto de control inteligente

sobre el diseño de un controlador de velocidad y torque para un vehículo eléctrico
basados en los sistemas de inferencia fuzzy Mandani y Sugeno. Se presentará
las variables de entrada y salida utilizadas; así como también, las distribuciones
de sus respectivos grupos difusos. Además, se describirán las reglas utilizadas
para relacionar las entradas y salidas. La construcción de estas reglas se realizó
de manera coherente y de acuerdo a las relaciones matemáticas que se
expondrán en el desarrollo de este informe. Finalmente, el proceso de
defuzzyficación involucró el análisis de los resultados con el objetivo de
comprobar el buen funcionamiento de nuestro controlador.

Palabras claves: modelo fuzzy, mandani, sugeno, control de velocidad, auto eléctrico.

la planta y los controladores fuzzy tipo mandani y

1. INTRODUCCION
sugeno. Se describen las variables de entrada y
En los últimos años los sistemas difusos se han salida utilizadas, así como las distribuciones de
venido consolidando como una herramienta útil las funciones de pertenencia. Se desarrolla un
para tratar y modelar sistemas complejos y no conjunto de reglas tanto para la planta como
lineales. Las técnicas de inteligencia artificial se para los controladores. Se analizan dos tipos de
han convertido en una herramienta fundamental defuzzyficación y se compararan los dos tipos de
para abordar problemas complejos incluyendo el modelo difuso mandani y sugeno.
área de Control Automático. La inteligencia
2. MODELO DEL AUTO
artificial tiene varias ramas, entre ellas se
encuentra la Lógica Difusa. A diferencia de la 2.1 Descripción
Lógica Convencional, en donde solo son
posibles valores de falso o verdadero, la Lógica El modelo se basa en un proyecto que creó una
Difusa permite definir valores intermedios en un herramienta dinámica de simulación usando
intento por aplicar un modo de pensamiento modelaje desde el nivel más bajo para los
similar al del ser humano. componentes eléctricos y mecánicos de un auto
En este trabajo se presenta un modelo de eléctrico. Al contrario de otras versiones
inferencia difusa para el control de velocidad del desarrolladas que usan modelos estáticos de
motor de inducción de un auto eléctrico. subsistemas internos para establecer las
Particularmente se desarrolla el modelo FIS de relaciones de eficiencia y características de
 ∑ ∑ ∑

Fig. 1. Interacciones entre los subcomponentes del vehículo eléctrico.

operación del vehículo; el modelo a desarrollarse El controlador eléctrico para el motor de

simulará las ecuaciones dinámicas del vehículo. inducción es un inversor trifásico que usa IGBTs,
Este tipo de modelaje permitió una evaluación de donde el voltaje de la batería se invierte a un
los requerimientos de potencia y diferentes voltaje AC trifásico que permite el control del
parámetros dentro del vehículo eléctrico, como motor de inducción. Las corrientes trifásicas del
también proporcionó resultados detallados de motor de inducción son substraídas de las
pérdidas dentro del vehículo durante distintos corrientes referenciales del controlador de
periodos simulados de manejo.(Kroeze, 2008) campo, y los voltajes trifásicos que alimentan el
motor de inducción producen las Corrientes
Las versiones previas de este simulador incluyen deseadas, de esta forma controlan que el motor
el simulador de auto eléctrico desarrollado por de inducción produzca el torque deseado. Las
Ryan Kroeze y Philip Krein en la Universidad de ecuaciones dinámicas del controlador usan la
Illinois, el cual utiliza un sistema de velocidad angular del eje y el torque de
almacenamiento de batería más grande. Por otro referencia (provisto por el controlador de
lado, el simulador original de auto híbrido velocidad) para proveer las corrientes trifásicas
eléctrico diseñado por Daniel Logue and Phillip de referencia para el inversor.(Kroeze 2008)
Krein, el cual incluye un motor como la unidad
auxiliar de potencia en serie con el sistema de Los elementos que modelan este tipo de
tracción. Otro diseño de Marco Amrherin incluye vehículo son el sistema de almacenamiento
el reemplazo de esta unidad auxiliar con una (storage system) y el sistema de tracción
célula de combustible y ultracapacitores como (traction system) y el controlador. Los
sustitutos del paquete de la batería Lead-acid. El componentes del sistema de tracción son el
modelo a desarrollarse utilizará un sistema de motor de induccion, la trasmisión y las dinámicas
baterías tomando en cuenta su modelaje. (Krein, del vehículo
2008)

La Figura 1 muestra el simulador desarrollado en

la Universidad de Illinois. En la figura se 3. SISTEMAS DIFUSOS MANDANI Y SUGENO
muestran los componentes adicionales del
sistema de tracción, incluyendo el controlador 3.1 Desarrollo
eléctrico y el motor de inducción. En este
El sistema de inferencia borrosa FIS que modela
modelo, las ecuaciones dinámicas para el motor
el controlador del vehículo consiste de dos
de inducción permiten alterar todos los
variables de entrada que son: la velocidad del
parámetros internos; incluyendo el número de
motor de inducción y el torque del motor de
polos, la resistencia de la armadura y el rotor; así
inducción. Estas dos variables fueron
también como la velocidad promedio, carga,
seleccionadas como variables de entrada debido
fase, frecuencia, manejo de corriente, y torque.
a que son las variables medibless de nuestra
planta.

Figura 2. Sistema de inferencia borrosa Mandani Figura 4. Grupos de la variable Velocidad del
del controlador. motor.
La variable de salida de nuestro controlador es la
corriente de carga de la batería. Esta variable
determina el nivel de voltaje de las baterías que La segunda variable de entrada del controlador
van a alimentar el inversor para obtener una es el torque del motor de inducción. Se puede
señal amplificada alterna que dinamiza motor de apreciar a través de la figura 5, la relación
inducción. La figura 2 y 3 muestran los sistemas existente entre el torque y la velocidad en un
de inferencia del controlador utilizando los motor de inducción. Note que la región a
procesos fuzzy Mandani y Sugeno analizarse en esta curva se encuentra encerrada
respectivamente. por un recuadro en la esquina inferior derecha.
Se seleccionó esta porción de la curva ya que es
cercana a la velocidad de operación del motor:
3600RPM. En esta región, la curva tiende a una
recta que relaciona el torque y la velocidad
inversamente proporcional. La curva torque-
velocidad a estudiarse es el resultado de la
evaluación de un motor de inducción modelo
E15D6 1½ HP de la compañía General Electric
en el Laboratorio de Maquinaria Eléctrica de la
Universidad de Illinois.(Sauer 2005)

Figura 3. Sistema de inferencia borrosa Sugeno

del controlador .

3.2 Descripción de las variables

La primera variable de entrada del controlador es

la velocidad del motor de inducción. Se conoce
por los datos técnicos del motor de inducción
que la velocidad de operación es de 3600RPM.
Por esta razón, este valor se ubicó con un alto
grado de pertenencia a los valores ‘alto’ y
‘medioalto’ de la velocidad. Los valores extremos
(aquellos correspondientes a los rangos ‘bajo’ y Figura 5. Curva Torque-velocidad de un motor
‘alto’) fueron modelados con una función de inducción.
sigmoide; el rango medio utilizó una función Los valores de torque correspondientes a los
trapezoidal; y los intervalos ‘medialto’ y valores cercanos a la velocidad de operación, se
’mediobajo’ se describieron por una función les asignó el grupo de torque ‘medio’ y están
gaussiana. La figura 4 muestra los grupos de la modelados con una función trapezoidal. Los
variable velocidad del motor. intervalos máximos y mínimos de torque fueron
modelados con una curva sigmoide. Los rangos figura 7 muestra los grupos de la variable
‘medialto’ y ’mediobajo’ se describieron por una corriente de carga.
función gaussiana. La figura 6 muestra los
grupos de la variable Torque del motor.

Figura 8. Grupos de la variable Corriente de

carga de la batería.
Figura 6. Grupos de la variable Torque del
Para determinar los grupos de inferencia fuzzy
motor.
en Sugeno, se utilizó los valores de corriente y
los grupos de acuerdo al modelo Mandani. Los
extremos fueron modelados con valores
La única variable de salida del controlador es la
constantes descritos por las ecuaciones (1) y (2)
corriente de carga de las baterías. Esta variable
que muestran valores máximos y mínimos de
controla el nivel del voltaje de las baterías, el
corriente permitidos
cual es proporcional a la velocidad del motor de
inducción. Esta proporcionalidad se debe a la
constante Volts por Hertz (Fitzgerald, 2003). Se (1)
puede apreciar por medio de la figura 7
(Battery,2008) la relación entre el voltaje de la
batería y la corriente de carga. Este (2)
comportamiento corriente-voltaje es para las Para determinar el valor de corriente de medio
baterías Lead Acid, las cuales van a ser usadas se utilizó un valor de velocidad promedio dentro
en este proyecto. del rango operatividad con el objetivo de
normalizar la velocidad a un valor de corriente
dentro del rango medio como sigue

(3)
donde x representa la variable velocidad. Los
valores de corriente ‘medioalto’ y ‘medioalto’
fueron modelados a partir de las variables torque
y velocidad con el objetivo de que fuesen
relacionadas a un valor promedio de sus grupos
correspondientes en el modelo Mandani. Las
Figura 7. Relación de corriente – voltaje para ecuaciones (4) y (5) describen las interacciones
baterías Lead Acid. obtenidas

Para determinar los grupos de inferencia difusa

en Mandani, se utilizó los valores de corriente
para los cuales el voltaje de la batería se (4)
encuentra entre 2V a 3V. Este valor corresponde
al intervalo de corriente medio con una
distribución trapezoidal centrado en 1 A. De la (5)
misma manera, los grupos de corriente
‘medioalto’ y ‘mediobajo’ se distribuyeron con donde y representa la variable torque del motor.
una función triangular. Para los rangos extremos
de corriente se utilizó una función sigmoide. La
3.3 Descripción de las reglas
La relación inversamente proporcional entre el adecuado y no necesitan ser cargadas. Este
torque y la velocidad del motor de inducción en proceso se describe en la figura 10.
la región de operación nos permite el número de
reglas. Si la velocidad es baja, el torque podría
ser alto o medioalto. En estas condiciones,
necesitamos mayor corriente para cargar las
baterías con el objetivo de incrementar el voltaje,
y en consecuencia la velocidad. Por lo tanto, la
corriente debe ser alta y medioalta
respectivamente.
Si la velocidad es mediabaja, el torque presenta
tres opciones. Esta puede ser alto, medioalto o
medio. En estas condiciones, requerimos la
corriente necesaria para cargar las baterías e
incrementar la velocidad. Por lo tanto, la
corriente debe ser en los tres casos medialta.
Si la velocidad es media, el torque puede ser
Figura 10. Sistema de Inferencia Difusa
medio, mediobajo o medioalto. En este caso
utilizando Mandani en los rangos de normal
particular, nos encontramos en el rango de
operación.
velocidad operativa pese a las pequeñas
variaciones del torque. Por lo tanto, no es Cuando la velocidad está por encima de los
necesario cargar las baterías puesto que su rangos de operatividad (i.e. 3660RPM) y en
voltaje está en el rango de 2 a 3 V. Por lo tanto, consecuencia un torque bajo de 0.0636 Nm
la corriente debe ser en los tres casos baja. resulta una baja corriente baja de 0.265A, lo cual
es lo esperado porque se debe bajar el voltaje
Si la velocidad es medioalta, el torque presenta
de las baterías para que la velocidad del motor
tres opciones. Esta puede ser bajo, mediobajo o
no exceda los límites establecidos por los rangos
bajo. En estas condiciones, requerimos una
de operatividad. Este proceso se describe en la
pequeña corriente que permita cargar a las
figura 11.
baterías a esa velocidad del motor. Por lo tanto,
la corriente debe ser en los tres casos
mediabaja.
Si la velocidad es alta, el torque podría ser bajo
o mediobajo. En estas condiciones, requerimos
una corriente baja para limitar la velocidad del
motor y evitar que la máquina de inducción actúe
como generador. Por lo tanto, la corriente debe
ser en los tres casos baja. Finalmente, las
condiciones antes expuestas se pueden resumir
en 13 reglas que se detallan a continuación:

Figura 11. Sistema de Inferencia Difusa

utilizando Mandani en los rangos de alta
Fi velocidad.
gura 9. Reglas que describen los sistemas de Cuando la velocidad está por debajo de los
inferencia Mandani y Sugeno. rangos de operatividad (i.e. 3250RPM) y en
Una vez establecidas las reglas del controlador consecuencia un torque alto de 4.37 Nm resulta
se puede realizar las variaciones de las entradas una alta corriente baja de 1.73A, lo cual es lo
para evaluar las salidas utilizando el comando esperado porque se debe incrementar el voltaje
Rules del menú View. En el controlador de las baterías para que la velocidad del motor
Mandani, se puede ver que a una velocidad aumente también.
cercana a los rangos de operatividad de 3450 En el controlador Sugeno, se puede observar
RPM y un torque de 2 Nm resulta una baja que a una velocidad cercana a los rangos de
corriente de 0.294A, lo cual es lo esperado operatividad de 3450 RPM y un torque de 2 Nm
porque las baterías se encuentran en el voltaje
resulta una baja corriente de 0.217A, lo cual es Aplicando la deffuzyficación y comparando el
lo esperado porque las baterías se encuentran método del centroide con el método del bisector
en el voltaje adecuado y no necesitan ser en el sistema Mandani, vemos que no existe
cargadas. Este proceso se describe en la figura diferencia alguna. La relación lineal inversa entre
12. el torque y la velocidad se conservan, así como
también las relaciones con la variable de salida
corriente. Las superficies Mandani generadas
por los métodos del centroide y bisector pueden
ser apreciadas en las figuras 14 y 15
respectivamente.

Figura 12. Sistema de Inferencia Difusa

utilizando Sugeno en los rangos de normal
operación.
Cuando la velocidad está por encima de los
rangos de operatividad (i.e. 3660RPM) y en Figura 14. Superficie Mandani utilizando el
consecuencia un torque bajo de 0.0636 Nm método del centroide
resulta una baja corriente baja de 0.2A, lo cual
es lo esperado porque se debe bajar el voltaje
de las baterías para que la velocidad del motor
no exceda los límites establecidos por los rangos
de operatividad. Este proceso se describe en la
figura 13.

Figura 15. Superficie Mandani utilizando el

método del Bisector
Aplicando la deffuzyficación y comparando el
método Wtaver con el método del Wtsum en el
sistema Sugeno, notamos algunas diferencias.
Pese que la relación lineal inversa entre el
Figura 13. Sistema de Inferencia Difusa torque y la velocidad se conservan, el aspecto
utilizando Sugeno en los rangos de alta de las superficies varían. El método wtsum
velocidad. suaviza la superficie de la variable de salida en
Cuando la velocidad está por debajo de los comparación con el método Wtaver. Cuando el
rangos de operatividad (i.e. 3250RPM) y en torque está en el rango negativo y la velocidad
consecuencia un torque alto de 4.37 Nm resulta es baja, la superficie del Wtaver presenta un
una alta corriente baja de 1.8A, lo cual es lo plano con una pendiente significativa, mientras
esperado porque se debe incrementar el voltaje que la superficie del Wtsum muestra un plano
de las baterías para que la velocidad del motor horizontal. Las superficies Mandani generadas
aumente también. por los métodos Wtaver y Wtsum pueden ser
apreciadas en las figuras 16 y 17 los grupos de salida, para el caso Mandani se
respectivamente. tiene una salida con seis consideraciones
(mínimo, bajo, medio, etc), por otro lado para el
Comparando las superficies Mandani y Sugeno,
caso Sugeno la salida corresponde a cinco
podemos notar algunas diferencias. Los rangos
“Implicaciones” Sugeno (Alta, MediaAlta, etc)
máximos del torque en Mandani son mayores
donde la superficie se verá afectada
que los Sugeno. Ésto se debe principalmente a
dependiendo del criterio del diseñador, estas
que el modelo Sugeno no modela los grupos de
implicaciones como se ha decidido denotarlas
sus extremos con una función, sino con un
relacionadas con el ‘Sugeno Fuzzy Logic
singleton (ver ecuaciones (1) y (2)). De la misma
Toolbox, Help’ producirán variaciones de la
forma, algunos picos en la curva Mandani son
superficie en contraste del modelo Mandani, esto
suavizados por la curva Sugeno, mientras que
se debe a la diferenciación en las reglas de cada
otros sufren el efecto contrario. La razón es que
modelo y el numero de implicaciones (5) en
las salidas del sistema Sugeno utiliza
relación con las consideraciones Mandani (6),
combinaciones lineales por cada grupo que
variarán dependiendo de la toma de decisiones.
modela la región asignada de manera adecuada,
pero en los límites de las regiones se producen Antes de proceder con los parámetros de
intersecciones de rectas que se manifiestan entrada para comprender mejor lo que sucede al
como picos en la superficie. realizar ambos modelos, en la figura 18, se
presentan las superficies para ambos casos y
como se dijo anteriormente el tipo de superficie
logrado dependerá del criterio de selección de
reglas y parámetros. El eje X se encuentra la
velocidad, en el Y el Torque y en el eje Z la
Corriente. En primer lugar, se deben observar
las variaciones de corriente en el eje Z, aquí se
puede observar que el valor óptimo considerado
se encuentra alrededor de 3500 rpm y un torque
aproximado de 2.4 N/m, entonces la corriente
alcanza valores intermedios que van de 2 a 3
amperios. Ahora, lo que se observa en el modelo
Mandani respecto a la corriente en los valores
cercanos a 4000 rpm y un torque de 5 N/m es
únicamente un valor de corriente sin embargo
Figura 16. Superficie Sugeno utilizando el esto no implica que el sistema trabaje en sus
método Wtaver. mejores consideraciones, simplemente el
controlador fallaría por el exceso de corriente, es
por eso que se ponen límites, tanto en la planta
como debería hacerse en la construcción del
diseño, esto podría constar con protecciones
ante picos de voltaje o reguladores de
realimentación. Siguiendo con el modelo
Sugeno, este presenta de mejor manera el
criterio del diseñador del controlador ya que su
salida está constituida por las ¨Implicaciones¨
(Alta, MediaAlta, etc) que son criterios que se
eligen del como se espera que el controlador
vaya a reaccionar según las entradas
proporcionadas, este puede ser más fino si se
aumenta el número de implicaciones, es por esto
que en los límites de 4000 rpm y 2-4N/m se
aprecia un valor de corriente no muy óptimo,
Figura 17. Superficie Mandani utilizando el
respecto al de 3500 rpm y 2Nm.
método Wtsum
3.4 Comparación de Controladores Mandani y
Sugeno
Las entradas y salidas para ambos sistemas
(Mandani y Sugeno), en ambos casos son
iguales con funciones internas similares, la
variación se presenta al momento de organizar
 la construcción de modelos difusos. Estas
técnicas de adaptación pueden ser usadas para
personalizar las funciones de pertenencia, de
modo que el sistema difuso modele mejor los
datos.
Las características observadas entre ambos
sistemas son:
Controlador Sugeno
Es computacionalmente eficiente.
Se puede observar que el sistema funciona bien
con las técnicas lineales (en este caso, control
PID).
Funciona bien con las técnicas de optimización y
adaptación. Permite un buen análisis
matemático.
Controlador Mandani
Es muy intuitivo
Tiene gran aceptación
Se ha adapta bien con la interfaz humana
Figura 18. Superficies resultantes para los
modelos difuso y mandani
5. CONCLUSIONES
El torque requerido (2-5 N/m) está en la
proximación de 3500 rpm, lo que coincide con la Los modelos de inferencia difusa Mandani y
gráfica obtenida para Mandani y Sugeno de la Sugeno proporcionan una aproximación del
figura 21. controlador del vehículo eléctrico, más no
precisan de valores exactos del modelo. Las
reglas que modelan los sistemas difuso Mandani
También, se puede ver la diferencia señalada y Sugeno son el resultado de las relaciones
anteriormente en las líneas de código (reglas), encontradas entre el torque y la velocidad en el
donde la variación mencionada se presenta en la motor de inducción; y el voltaje y la corriente en
salida de corriente para los dos modelos, a pesar las baterías Lead-Acid. Para comparar el
que la regla 1 sea similar en ambos casos, para comportamiento de los sistemas Mandani y
cada modelo representará distintos valores de Sugeno fue necesario aplicar los mismos valores
corriente y esto se da por la diferencia en los de entrada a cada sistema con el objetivo de
modelos, entonces para este caso el modelo evaluar sus respectivas salidas. Los valores
Sugeno representa de mejor manera el modelo estimados de la salida de la corriente en
fuzzy ya que se adapta de mejor manera. condiciones de alta, normal y baja velocidad en
los modelos difusos Mandani y Sugeno son
Las funciones de Toque para Mandani y Sugeno aproximadamente cercanos con una variación
así como para Velocidad son similares en justificada en que el modelo Sugeno suaviza las
ambos casos, por este motivo el análisis se ha ecuaciones de control y en consecuencia
concentrado en la salida de corriente, así mismo suaviza la superficie de la variable de salida.
se puede ver que no se ha dejado un grado de Este proyecto complementa la aplicación de un
pertenencia bajo para lado X de torque y controlador al vehículo eléctrico diseñado en el
velocidad que va entre 3000 a 4000 rpm y -0.5 a informe anterior utilizando las herramientas de
5 N/m, en el eje Y se puede ver que se inferencia Difusa, las cuales nos han mostrado
encuentra alrededor de (+-)0.5 cada función. sus ventajas y desventajas. Ésto constituye un
También es importante destacar que se usaron importante aporte en el desarrollo del campo del
distintos tipos de funciones de pertenencia para control inteligente ya que implementa nuevos
este análisis que para el desarrollo de la planta. métodos de aprendizaje en esta área.
Debido a que el control Sugeno tiene una
representación computacional más compacta y
eficiente que la representación computacional
Mandani de un sistema, el sistema de Sugeno se
REFERENCIAS
presta a la utilización de técnicas adaptivas para
A. E. Fitzgerald, Charles Kingsley Jr., and
Stephen D. Umans, Electric Machinery, 6th
Edition, McGraw-Hill, Boston, MA, 2003.
BatteryUniversity. Charging the lead-acid battery.
http://www.batteryuniversity.com/partone-
13.htm. (25 sep. 08)
E.A. Tusa, M.F. Sandoval. Induction Machine
Performance, Experiment #5 of Electric
Machinery Course Guide and Laboratory
Information. University of Illinois at Urbana –
Champaign, 2008.
J.R. Jang, C.T. Sun, E. Mizutani, Neuro-Fuzzy
and Soft Computing A Computational
Approach to Learning and Machine
Intelligence. Ed. Prentice Hall: United States
of America, 1997
P.W. Sauer, P.T. Krein, P.L. Chapman, ECE 431
Electric Machinery Course Guide and
Laboratory Information, University of Illinois at
Urbana-Champaign, 2005.
Baghgar, Bostan. Using Fuzzy Controller in
Induction Motor Speed Control with Constant
Flux. Pwaset Volume 5 April 2005 ISSN
1307-6884
Lemus, Coronel. Simulación de un sistema de
Control de Velocidad. Escuela Superior de
Ingeniería Mecánica y Eléctrica del Instituto
Politécnico Nacional de Mexico, 2000
Sandoval, M. Bonilla, J. Tusa, E. Modelo de un
Sistema Fuzzy (Mandani) para el Control de
Velocidad del Motor de Inducción de un Auto
Eléctrico. Noviembre, 2008.