Desarrollo de Una Herramienta en Matlab para

Desarrollo de una herramienta en Matlab para
Sintonización de Controladores PID, utilizando

algoritmos genéticos basado en técnicas de
optimización multiobjetivo
Development of a tool for tuning in matlab PID
controllers, using genetic algorithms based on
optimization techniques multiobjective
Brayan René Acevedo Jaimes, ingeniero electrónico de la Universidad

Francisco de Paula Santander. Investigador adscrito al Grupo de
Investigación en Automatización y Control (GIAC). Miembro estudiante
ISA (International Society Automation) sección Colombia
payo_aj29@hotmail.com
Juan Camilo Fonseca Galindo, ingeniero electrónico de la Universidad

Francisco de Paula Santander. Investigador adscrito al Grupo de
Investigación en Automatización y Control (GIAC). Miembro estudiante
ISA (International Society Automation) sección Colombia
juankmilofg@gmail.com
July Andrea Gómez Camperos, ingeniera mecatrónica de la Universidad

de Pamplona. Candidata a magíster en controles industriales.
Dinamizadora de Tecnoparque Colombia Nodo Ocaña. Investigadora
adscrita al Grupo de Investigación en Automatización y Control (GIAC).
julyandreagomez@misena.edu.co
Servicio Nacional de Aprendizaje - SENA

Centro de Formación CIES
Tecnoparque Colombia Nodo Ocaña
Regional Norte de Santander
FECHA DE RECEPCIÓN: 21 DE MARZO DE 2014

FECHA DE ACEPTACIÓN: 16 DE MAYO DE 2014
Revista (Colombia)
Vol. 1, No. 1, enero-junio de 2014, pp. 80-103
RESUMEN
Este documento muestra la versatilidad y eficiencia que
presenta el desarrollo de una herramienta en Matlab para
sintonización de controladores proporcional, integral y
derivativo (PID) utilizando algoritmos genéticos (AG) ba-
sado en técnicas de optimización multiobjetivo (MOP)
fundamentado en frentes de Pareto, calculando de manera
óptima las constantes de ganancia proporcional, ganan-
cia integral y ganancia derivativa (KP, KI, KD) para mi-
nimización del error, atenuación del sobrepico máximo
y reducción del tiempo de establecimiento en una planta
determinada. Se compara el desempeño que tiene la im-
plementación de algoritmos genéticos en dar soluciones a
múltiples objetivos en controladores PID; con la sintoniza-
ción de controladores PID existente en Sisotool de Matlab
se simularon diferentes sistemas de control de lazo cerrado
conformados por una función de transferencia, su contro-
lador y lazo de realimentación. En estos sistemas se anali-
za el comportamiento que presentan los controladores al
aplicarle un step a la entrada de la planta.
Con la fabricación de esta herramienta se pretende optimi-

zar la forma de sintonización de controladores PID que en
la actualidad se está utilizando; hoy día no existe ninguna
herramienta que ayude de forma estructural al proceso de
sintonización sin utilizar un nivel complejo de programa-
ción y un amplio conocimiento en control; el uso e in-
tegración de una serie de técnicas que permitan obtener
una herramienta versátil y eficiente; utilizable en la tarea
de sintonización de controladores PID y que con la cual
se pueda simular y calibrar a través de métodos de inte-
ligencia computacional evolutiva, sin necesidad de tener
profundos conocimiento de programación.
Palabras clave: algoritmos genéticos, optimización mul-

tiobjetivo, controlador PID, Matlab, sintonización.
ABSTRACT
This document shows the versatility and efficiency by the
development of a tool in Matlab for tuning proportional,
81
Desarrollo de una herramienta en Matlab para sintonización de controladores PID, utilizando
algoritmos genéticos basado en técnicas de optimización multiobjetivo, B. Acevedo, J. Fonseca, J. Gómez
integral and derivative controller (PID) using genetic algo-

rithms (GA), based techniques for multiobjective optimiza-
tion (MOP) based on Pareto fronts, calculating optimally
constant proportional gain, integral gain and derivative
gain (KP, KI, KD) for error minimization, mitigation of the
maximum overshoot and settling time reduction in a given
plant. Performance that is implementing genetic algorithms
provide solutions to multiple targets in PID controllers, the
tuning of existing PID controllers Sisotool Matlab compares
different control systems closed loop formed by a transfer
function is simulated, the controller and feedback loop. In
these systems the behavior that drivers have to pass on a
stair at the entrance to the ground is analyzed.
With the realization of this tool is to optimize the shape of
tuning PID controllers currently in use, today there is no
tool to help structurally the tuning process without using a
complex programming level and extensive knowledge in
control, the use and integration of a number of techniques that
allow a more versatile and efficient tool, usable in the task of
tuning PID controllers which can simulate and calibrate by
methods of evolutionary computational intelligence without
have profound knowledge of programming.
Keywords: Genetic Algorithms, Multiobjective Optimiza-
tion, PID, MatLab, Controller Tuning.
82
Revista (Colombia)
de Pareto para encontrar los indivi-

INTRODUCCIÓN duos más calificados que satisfagan
las funciones objetivo propuestas.
Los controladores PID en la ac-
tualidad son una de las soluciones
más prácticas, confiables y sólidas
1. Marco conceptual
para el control de procesos indus-
triales. A pesar de que la mayoría Uno de los mayores retos de los se-
de controladores PID funcionan res humanos es poder controlar las
diferentes tareas que se realizan en
moderadamente bien aplicando
la industria: desde prender y apagar
reglas de sintonía sencillas, existen
un dispositivo con la ayuda de un
procesos que necesitan de un ajus-
botón, hasta controlar aeronaves no
te más preciso para garantizar su
tripuladas. Los controladores han
óptimo desempeño, de modo que generado muchos beneficios para
una correcta sintonización de los la apropiada operación de proce-
parámetros de ganancia del con- sos o sistemas, por lo cual son de
trolador conlleva un buen funcio- gran interés, tanto en sus funciona-
namiento de este. lidades como en el mejoramiento
continuo del desempeño de proce-
Por consiguiente, en este documen- sos industriales (M. Claudia, 2006).
to se implementa una herramienta Por esta razón, el control resulta ser
que da solución a un problema una atractiva área de trabajo para
de optimización multiobjetivo de aplicar los algoritmos genéticos y
controladores PID en función de proponer soluciones factibles.
tres acciones básicas de control:
acción proporcional, integral y
1.1 Controladores PID
derivativa, representando el mo-
delo de la planta por una función El diseño de controladores se reali-
de transferencia, su controlador y za en función del conocimiento del
lazo de realimentación, teniendo proceso, es decir, a partir del mo-
como funciones objetivo el error, delo del proceso, del esquema de
sobrepico máximo y tiempo de es- control y de las restricciones que se
tablecimiento. Para optimizar los le imponen al proceso. A diferencia
controladores PID y obtener las de ello, la sintonización de los con-
constantes óptimas de ganancia troladores se realiza sin que se dis-
(KP, KI y KD) del controlador se uti- ponga de dicha información. Todo
lizaron algoritmos genéticos, que controlador PID está gobernado
son algoritmos basados en las leyes por los valores de ciertas constan-
de selección natural. Además, se tes que ponderan las ganancias en
maneja un problema de optimiza- el controlador, estas se denominan
ción multiobjetivo usando frentes ganancia proporcional, ganancia
83
integral y ganancia derivativa (I. A. En la ecuación 1 se aprecia la ex-

Ruge y M. A. Alvis, 2009). presión matemática que modela un
controlador PID en el dominio de
El primer término, ganancia pro- Laplace (K. Ogata, 1993). En la Fi-
porcional (KP), tendrá el efecto de gura 1 se observa el diagrama de
reducir el tiempo de elevación. bloques de un control PID a una
Una ganancia integral KI tendrá planta. Como entrada al sistema se
el efecto de eliminar el error en tiene la referencia r (t) y como sali-
estado estacionario, pero puede da del sistema se tiene y (t); el con-
empeorar la respuesta transitoria. trolador en este caso se denomina
Una ganancia derivativa KD tiene Gpid(s) y el sistema o planta que se
el efecto de incrementar la estabili- desea controlar se encuentra como
dad al sistema, reducir el sobrepico Gp(s) (J. Camilo y M. Alejandra,
y mejorar la respuesta transitoria. 2013).
Diagrama de bloques para un control PID
Señal de
Referencia Error Controlador control Planta Salida
r(t) e(t) Gpid(s) u(t) Gp(s) y(t)
Fuente: J. Camilo y M. Alejandra, 2013.
Los métodos de sintonización en Se establecen condiciones de dise-

su mayoría están fundamentados ño para obtener los valores de ga-
en estudios experimentales de la nancias. Las condiciones de diseño
respuesta a una entrada escalón más comunes son: error de estado
unitario (step), razón por la cual estacionario, sobrepico máximo y
los parámetros del controlador obte- tiempo de establecimiento, que es
nidos por esta metodología arrojan el tiempo necesario para que la res-
respuestas medianamente esta- puesta alcance y permanezca den-
bles; dichos parámetros se utilizan tro de un porcentaje (generalmente
como un punto de partida para ha- del 2 o 5) del error alrededor del
cer una sintonización mucho más valor final. En la Figura 2 se apre-
fina y así obtener una respuesta cian estas condiciones de diseño (K.
deseada. Ogata, 1993), (DiStefano, 1992).
84
Revista (Colombia)
Condiciones de diseño en controlador PID
Sobrepico máximo
c(t)
Error
0,5
0
t
Tiempo de establecimiento
Fuente: autor.
1.2 Algoritmos genéticos una solución aceptable a un pro-

blema por medio del mejoramiento
Los algoritmos genéticos fueron de un conjunto de individuos cuya
introducidos por John H. Holland función de evaluación corresponde
(John Holland, 1992) a principios a una solución del problema. Esta
de los sesenta y son, por mucho, la optimización se realiza mediante
técnica evolutiva más popular en la procesos selectivos y de intercam-
actualidad. bio de información genética (John
Holland, 1992).
Los algoritmos genéticos resultan
ser un tipo de algoritmo matemático Para poder aplicar el algoritmo ge-
altamente paralelo que transforma nético se requieren los siguientes
un conjunto de objetos matemáticos componentes básicos:
individuales con respecto al tiempo
usando operaciones modeladas de • Una representación o codifica-
acuerdo con el principio darwiniano ción de las soluciones poten-
de reproducción y supervivencia del ciales del problema. Existen tres
más apto, y tras haberse presentado tipos de codificación: binaria,
de forma natural una serie de no binaria y mixta, como se
operaciones genéticas entre las que observa en la Figura 3. Es nece-
destaca la recombinación sexual sario mencionar que la codifica-
(John Koza, 1992; G. Toscano, ción binaria es una de las más
2001). comúnmente utilizadas; cuando
no es la adecuada, se debe a
La idea fundamental de los algorit- que la codificación del proble-
mos genéticos consiste en encontrar ma se define mejor con otro tipo
85
de código, en algunos casos la • Operadores genéticos como cru-

codificación por números (Ma- za, mutación y elitismo, que
neiro, 2002). El tipo de codifica- alteren la composición de los
ción por implementar depende hijos que se producirán para las
de la naturaleza del problema siguientes generaciones (Gunter
que se va a solucionar. Rudolph, 1994).
Tipos de codificación Existen tres tipos principales de cru-

za. De un punto: se selecciona un
Binaria punto de manera aleatoria den-
tro del cromosoma de cada padre
No binaria y a partir de este se intercambian
Mixta
los materiales genéticos para dar
origen a nuevos individuos, como
Fuente: Muñoz (2005). se aprecia en la Figura 4 (John Ho-
lland, 1992); de dos puntos: igual
• Una forma de crear una a la anterior, excepto que se gene-
población inicial de posibles ran dos puntos de cruza por cada
soluciones, normalmente un padre (A. de Jong, 1975); uniforme:
proceso aleatorio. cruza de n puntos (Lawrence Da-
vis, 1991).
• Una función de evaluación (fit-
ness) que juegue el papel del
ambiente, clasificando las solu- Cruce
ciones en términos de su aptitud;
esta función puede determinar Punto corte
qué tan buenos o malos serán
los resultados y la convergencia
o no del método.
• Un mecanismo de selección que

permita elegir a los individuos
de acuerdo con su aptitud. En los Fuente: Muñoz (2005).
algoritmos genéticos se puede

llevar el proceso de selección de El operador de mutación consiste
diversas maneras, ya sea deter- en alterar las características genéti-
minística o probabilísticamente. cas de un individuo, con el objeto
Las técnicas de selección puede aumentar la probabilidad de ex-
den ser proporcional (John Ho- ploración del espacio de búsqueda
lland, 1992), mediante torneo y disminuir el riesgo de estanca-
(A. Wetzel, 1983) o de estado miento del algoritmo en óptimos
uniforme (Darrel Whitley, 1989). locales.
86
Revista (Colombia)
1.2.1 Optimización multiobjetivo no de la región donde se en-

cuentra el conjunto factible del
El problema de encontrar un vector problema. Las restricciones son
de variables de decisión es que sa- funciones de las variables de
tisfagan las restricciones y optimice decisión y pueden ser tanto de
una función vectorial cuyos ele- igualdad como de desigualdad
mentos representen las funciones (G. Toscano, 2001).
objetivo. Estas funciones forman
una descripción matemática de • Funciones objetivo, las que for-
criterios de desempeño que están man el criterio de evaluación
usualmente en conflicto entre sí. para saber qué tan buena es una
Por lo tanto, el término optimizar solución; al igual que las res-
significa encontrar aquella solu- tricciones, son funciones de las
ción que daría un valor aceptable variables de decisión. En la op-
al diseñador en todas las funciones
timización multiobjetivo existen
objetivo (A. Osyczka, 1984).
dos o más funciones objetivos
La optimización multiobjetivo ma- (f1 (x), f2 (x),….., fk (x)) en cada
neja los siguientes conceptos: problema (G. Toscano, 2001).
• Variables de decisión, que re- • Problema de optimización ob-

sultan ser un conjunto de n pa- jetivo en estos problemas el
rámetros cuyos valores dan una objetivo de la optimización es
solución que puede o no ser vá- encontrar un vector de deci-
lida a un problema de optimiza- sión o individuo que minimice
ción (G. Toscano, 2001). los resultados evaluados por las
funciones objetivos y además
• Restricciones, generalmente en
todos los problemas de ingenie- cumpla con las restricciones de
ría; estas delimitan el problema igualdad o desigualdad impues-
y validan las soluciones. Por lo tas; a esto se le conoce como un
tanto, se puede decir que las conjunto factible en la pobla-
restricciones dibujan el contor- ción (G. Toscano, 2001).
• Dominancia de Pareto, para dos vectores de decisión (x*), (y*) X (G.

Toscano, 2001).
87
Es importante notar que aunque la la solución óptima (I. A. Ruge y M.

dominancia se da en el espacio de A. Alvis, 2009).
las variables de decisión, la com-
paración se da en el resultado de En la Figura 5 se observa el diagra-
la evaluación de las funciones ob- ma básico de un algoritmo genético.
jetivo, es decir, en el espacio de las
funciones objetivo.
Diagrama de flujo
• Óptimo de Pareto. Podemos de algoritmo genético simple
decir que un vector de decisión
(x*) que es miembro del conjun- Crear población
to factible es óptimo de Pareto si

y solo si no existe otro vector de Evaluación de desempeño
decisión (y*) que pertenezca al Generación Actual - Selección de los

conjunto factible y que lo domi- Generación Actual +1 Individuos
ne (G. Toscano, 2001). Cruce de individuos
Mutación de individuos
1.2.2 Estructura general de los AG
Reinsertar población
Se comienza con una población

inicial de soluciones aleatorias
NO ¿Generación
(población). Cada individuo en la Actual -#
población es llamado cromosoma, Generación
Total?
el cual representa una solución al SÍ
problema. Los cromosomas evo- FIN
lucionan a través de iteraciones
sucesivas, llamadas también ge- Fuente: autor.
neración; durante cada genera-
ción los nuevos cromosomas son 2.3 Aplicación de algoritmos
evaluados, usando la medida de genéticos en controladores PID
aptitud. Luego, mediante los ope-
radores de cruce y mutación, se En su mayoría, los algoritmos
seleccionan los cromosomas con evolutivos han sido empleados
mayor probabilidad de superviven- para ajustar los parámetros de
cia, a fin de realizar la exploración controladores PID, con el propósito
y la explotación de las funciones de mejorar el rendimiento de
objetivo. Por último, se reinsertan a controladores y así obtener un diseño
la población actual; después de ter- multidisciplinar que involucre
minar el número de generaciones tanto al diseño de control como al
se selecciona al individuo con ma- diseño mecánico y al electrónico.
yor desempeño, el cual representa A continuación se muestra, en la
88
Revista (Colombia)
Figura 6, el diagrama de bloques que Luego del proceso de optimización,

se tiene para aplicar los algoritmos al evaluar cada función objetivo en
genéticos al controlador PID. cada iteración la herramienta se-
lecciona y reordena los valores óp-
timos de las constantes KP, KI y KD
Algoritmos genéticos aplicados para todas las soluciones obtenidas
a controladores PID en cada aumento de generación,
de modo que al terminar el núme-
Algoritmo
ro máximo de generaciones tendre-
Error
genético mos los mejores resultados de las
(Función objetivo)
constantes a lo largo de todas las
generaciones evaluadas.
Entrada
Controlador Salida
+ Planta
- PID
Los algoritmos 1 y 2 muestran el
pseudocódigo del proceso de opti-
mización multiobjetivo y de la ob-
tención de los valores provenientes
Fuente: I. A. Ruge y M. A. Alvis, 2009.
de las funciones objetivo, respecti-
vamente.
2. Metodología
Algoritmo 1. Pseudocódigo general
e implementación
1. Número de individuos en la po-
El algoritmo que se aplicó fue desa- blación (tamaño de la población).
rrollado e implementado en Matlab
2013 utilizado en un computador 2. Número máximo de iteraciones
portátil Lenovo Z460 con procesa- (número de generaciones).
dor Intel® corre™ i5 M460 a 2,53
GHz con 8 GB de memoria RAM, 3. Establecer dimensiones del espa-
Windows 8, 64 bits. Se desarro- cio de búsqueda.
lló una herramienta en Matlab en
donde se tomaron como funcio- 4. Inicializar función de transferen-
nes objetivos el error, el sobrepico cia (numerador y denominador).
máximo y como restricción el tiem-
po de establecimiento, de manera 5. Definir función para obtener el
que el problema de optimización valor de las funciones objetivo
multiobjetivo resuelto se define así: (algoritmo 2).
6. Aplicar algoritmo de optimiza-

ción usando algoritmos genéti-
cos y optimización multiobjetivo
con base en frentes de Pareto
(script en Matlab).
89
7. Obtener los mejores resultados. 6. Obtener los valores de error, so-

brepico máximo y tiempo de es-
Algoritmo 2. Pseudocódigo para ob- tablecimiento con la respuesta
tener funciones objetivo al paso unitario.
1. Obtener los parámetros de la 7. Ordenar del óptimo al menos

función de transferencia. bueno los valores obtenidos por
la evaluación.
2. Obtener las ganancias para eva-
luar (KP, KI y KD). La población inicial opera con una
codificación de tipo numérico real,
3. Definir la función de transferencia dando como ventaja la omisión de
resultante de multiplicar el con- procesos de codificación y decodi-
trolador PID (ecuación 1) y la fun- ficación, que son tenidos en cuen-
ción de transferencia de la planta. ta para pasar a los individuos de la
población al espacio de evaluación
4. Hacer el lazo de retroalimenta- definido por la función objetivo,
ción (feedback). trabajando así con los coeficientes
de las constantes en forma directa.
5. Obtener la respuesta al paso (step) En la Figura 7 se muestra el formato
de la función de transferencia re- de la población inicial.
sultante del feedback.
Población inicial
Población
81.4724 65.5741 43.8744
90.5792 3.5712 38.1558
12.6987 84.9129 76.5517
91.3376 93.3993 79.5200

Individuos i
63.2359 67.8735 18.6873
Genes
9.7540 75.7740 48.9764
27.8498 74.3132 44.5586

# Individuos
54.6882 39.2227 64.6313 81.4724 65.5741 43.8744
95.7507 65.5478 70.9365 (Kp) (Ki) (Kd)

96.4889 17.1187 75.4687
15.7613 70.6046 27.6025
97.0593 3.1833 67.9703
95.7167 27.6923 65.5098
48.5376 4.6171 16.2612
Fuente: autor.
90
Revista (Colombia)
En este algoritmo se usó selección búsqueda del algoritmo. El opera-

por torneo, utilizando dominancia dor de cruce implementado en el
como método de comparación; la algoritmo es un cruce de tipo uni-
idea básica de este tipo de selección forme, y se basa en el uso de una
consiste en elegir con base en com- máscara llamada de cruce; la ob-
paraciones directas de los indivi- tención de esta es de forma aleato-
duos de la población. Se escoge un ria, dando la misma probabilidad a
número de individuos para some- que en cada una de las posiciones
terlos a competición –generalmen- de la máscara haya un 1 o un 0. En
te compiten de a dos individuos–, la Figura 9 se observan los dos tipos
después comparamos con base en de cruce –de un punto (izquierda) y
su aptitud, de modo que el gana- en dos puntos (derecha)–.
dor es el individuo más apto de la
competencia; así se garantiza que el Cruce uniforme
mejor individuo será seleccionado Máscara
un mayor número de veces P que
el resto de individuos. En la Figura 8 0 1 0
Se observa el proceso de selección
utilizado en la herramienta.
Padre Madre
Selección
90,5792 3,5712 38,1558 12,6987 84,9129 76,5517
Selección
ind. seleccionados Ganador

Hijo 1 Hijo 2
I1, I2 I1
ind. seleccionados Ganador 90,5792 84,9129 38,1558 12,6987 3,5712 76,5517
I2, I3 I3
Máscara
I3, I4 I4 1 0 1
I1, I4 I4 Padre Madre
91,3376 93,3993 79,5200 48,5376 4,6171 16,2612

Fuente: autor.
El operador de cruce trabaja sobre

dos individuos, denominados indi- Hijo 1 Hijo 2
viduos progenitores o padres. Este
operador produce generalmente 48,5376 93,3993 16,2612 91,3376 4,6171 79,5200
otros dos individuos, que serán

nuevos puntos en el espacio de Fuente: autor.
91
Además, se usó una mutación de Después de haber hecho mutación,

tipo uniforme, la cual nos garantiza se busca obtener un conjunto de
un porcentaje de mutación cons- individuos aptos para la solución
tante a lo largo de todo el proceso del problema; de este modo la po-
evolutivo; en la mutación se habla blación se somete a un proceso de
de un progenitor y un descendien- optimización multiobjetivo basado
te, además de una máscara aleato- en frentes de Pareto. El proceso de
ria de tipo binario, encargada de optimización multiobjetivo se en-
seleccionar cuál será el bit del gen foca en la búsqueda de individuos
correspondiente por mutar. De este que satisfagan las restricciones
modo, el operador de mutación impuestas y al mismo tiempo so-
ayuda a renovar la población, y lo bresalgan en la evaluación de las
hace de forma arbitraria, pues el funciones objetivo. Estos criterios
resultado de la descendencia nada de desempeño por lo general están
tiene que ver con su progenitor. En en conflicto entre sí. En la Figura
la Figura 10 se muestra el proceso 11 se muestra una gráfica de cómo
de mutación implementado. se encuentran distribuidos los indi-
viduos en el frente de Pareto.
Mutación
Máscara
Bit de selección
0 0 1
Vector de mutación
31,2463 1,2389 13,3207
Vector de población
56,1161 84,0256 21,1970
Vector de la población mutado
56,1161 84,0256 13,3207
Fuente: autor.
92
Revista (Colombia)
Frente de Pareto
Individuos con máxima
aptitud en la Función 1
y mínima aptitud en la 7
Función 2
6
5
4
3
2
1
0
0 1 2 3 4 5 6 7
ESPACIO DE LA FUNCIÓN 2 Individuos con mínima

aptitud en la Función 1
y máxima aptitud en la
Individuos más cercanos al punto de Función 2.
origen indican los mejores individuos
del Frente de Pareto. Principales
candidatos a ser óptimo de Pareto.
Fuente: autor.
La herramienta cuenta con algoritmo y mostrar los resultados

una interfaz GUIDE (editor de obtenidos por la herramienta
interfaces de usuario GUI) para desarrollada. La interfaz tiene
interactuar con el usuario, cambiar los siguientes elementos, que se
los parámetros de operación del observan en la Figura 12:
PIDag
Fuente: autor.
93
La herramienta posee botones. Uno En el submenú parámetros de salida

es utilizado para iniciar la sintoni- se despliega una ventana donde se
zación de la planta; dos despliegan define el tiempo de establecimien-
información de los diseñadores de to mínimo con el cual el algoritmo
la herramienta de sintonización; otro va a restringir los individuos de la
es usado para ingresar al menú de población; es el tiempo mínimo en
parámetros de la herramienta en el cual se desea que la planta se
donde se modifican parámetros estabilice. Este submenú se aprecia
de operación del algoritmo. Existe en la Figura 14.
un botón de ayuda para orientar al
usuario sobre cómo emplear co- Parámetros de salida
rrectamente la herramienta.
Existen dos cuadros de texto editables

en donde se ingresan los coeficientes
del modelo de la planta en función
de Laplace, el numerador y denomi-
nador, respectivamente. En el botón
parámetros se despliegan tres subme-
nús, que se explican a continuación:
Fuente: autor.
En el de algoritmo genético se des-
pliega una ventana donde se
Límites de constantes
pueden modificar el número de in-
dividuos que evaluará el algoritmo
durante el proceso y el número de
generaciones en donde se especifi-
ca el número de generaciones que
el algoritmo se ejecutará. Este sub-
menú se aprecia en la Figura 13.
Algoritmo genético
Fuente: autor. Fuente: autor.
94
Revista (Colombia)
En el momento de ejecutar la he- se requiera que las constantes (Kp,

rramienta se deben ajustar los pa- Ki, Kd) puedan operar.
rámetros de búsqueda del AG, entre
los cuales están los límites supe- Al ejecutarse la sintonización se
riores e inferiores de cada una de aprecia una barra que indica el
las constantes. Estos límites garan- avance del algoritmo genético. Al
tizan que las constantes del PID terminarse la ejecución de la simu-
obtenido no estén por fuera del lación se muestran las respectivas
rango establecido. Los rangos de constantes, la gráfica de la respues-
operación pueden ser modificados ta de la planta en lazo abierto y la
a conveniencia, con el fin de ga- planta sintonizada con su respec-
rantizar una mejor exploración del tivo controlador, como se observa
espacio de búsqueda o delimitar en la siguiente figura.
los espacios de trabajos en donde
PIDag en ejecución
Fuente: autor.
3. Simulación y resultados optimización, la población inicial

generada es de tipo aleatorio y se
operó con un espacio de búsqueda
Para todas las pruebas desarrolla-
das se utilizó una población de 30
individuos y 20 iteraciones, que
corresponden en cada caso a 600 Se realizaron pruebas de la herra-
evaluaciones de cada una de las fun- mienta con plantas extraídas del
ciones objetivo. Para el algoritmo de libro de K. Ogata Ingeniería de
95
control moderna. En cada una de lazo cerrado con el controlador

ellas se obtuvieron las gráficas de obtenido de la herramienta PIDag,
la planta en lazo cerrado sin con- y se compararon resultados con la
trolador, y gráficas de la planta en herramienta Sisotool de Matlab.
3.1 Función de prueba 1
Proporcional Integrativo Derivativo

37,6692 18,9251 13,0447
Resultados para la función de prueba
Sobrepico máximo Tiempo establecimiento Error

Planta 0,4506 5,7288 0,67
Algoritmo G 0,9995 1,14 2,33e-7
Sisotool 1,22 2,5 0,05
Respuesta de la planta 1 sin controlador ante un escalón unitario
Step response
0,5
0,4
0,3
0,2
0,1
0
0 2 4 6 8 10 12
Time (seconds)
Fuente: autor.
96
Revista (Colombia)
Respuesta de la planta 1 con controlador sintonizado por PIDag ante un

escalón unitario
Step response
1
0.8
0.6
0.4
0.2
0
0 0,02 0,04 0,06 0,08 0,1 0,12 0,14
Time (seconds)
Fuente: autor.
Respuesta de la planta 1 con controlador sintonizado por Sisotool ante un

escalón unitario
Fuente: autor.
97
3.2 Función de prueba 2
Proporcional Integrativo Derivativo

8,4047 17,1467 12,0918
Resultados para la función de prueba
Sobrepico máximo Tiempo establecimiento Error

Planta 0,7421 3,7795 0,5
Algoritmo G 1,0137 1,9484 3,013e-7
Sisotool 1,22 2,5 0,05
Respuesta de la planta 2 sin controlador ante un escalón unitario
Step response
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0 2 4 6 8 10 12
Time (seconds)
Fuente: autor.
98
Revista (Colombia)
Respuesta de la planta 2 con controlador sintonizado por PIDag ante un

escalón unitario
Step response
1
0.8
0.6
0.4
0.2
0
0 0,005 0,01 0,015 0,02 0,025 0,03 0,035 0,04 0,045
Time (seconds)
Fuente: autor.
Respuesta de la planta 2 con controlador sintonizado por Sisotool ante un

escalón unitario
Fuente: autor.
99
4. Conclusiones do como opción al programador de

elegir el que más se acomode a sus
requerimientos de diseño.
Se analizó la sintonización de los
controladores correspondientes a
Se evidenció que la eficacia de la
cada una de las plantas simuladas
implementación de algoritmos ge-
tomando como criterios de evalua-
néticos aplicados a la sintonización
ción el error, el sobrepico máximo
de controladores PID radica en la
y tiempo de establecimiento obte-
nidos en la señal de salida como capacidad de exploración activa
resultados de la aplicación de un que tenga el algoritmo, la manera
escalón unitario (step) a la entrada en que se eligen los individuos de
de cada una de las plantas, cuan- la población, tener una cuidadosa
do se utiliza la herramienta PIDag, selección de los individuos por re-
con el fin de minimizar la magni- combinar y mutar, además de una
tud del error, reducir el sobrepico buena interpretación de las funcio-
máximo y obtener tiempos de esta- nes objetivos.
blecimientos más cortos. Las tablas
comparativas y las gráficas de las Al desarrollar una herramienta de
señales tomadas a la salida de la sintonización de controladores PID
planta mostraron que la herramien- usando algoritmos genéticos en
ta PIDag, en comparación con el donde se toma más de un criterio
Sisotool de Matlab, obtiene mejo- de evaluación es imperativo y ne-
res resultados en los tres criterios cesario implementar un proceso de
de evaluación tomados para la sin- optimización multiobjetivo funda-
tonización de controladores PID. mentado en frentes de Pareto, en
donde se demuestra que la asigna-
Se demostró que la aplicación de ción de restricciones y funciones
un método que se sustenta en prin- objetivo permite garantizar una
cipios de selección natural para mejor exploración del espacio de
la optimización de los valores de búsqueda y escoger individuos óp-
ganancia de un controlador PID timos, que satisfagan las restriccio-
permite dar a conocer una nueva nes impuestas y al mismo tiempo
forma de solución no convencional sobresalgan en la evaluación de las
a problemas de control, además de funciones objetivo en un espacio
encontrar una variedad de valores de búsqueda global sin que el algo-
óptimos para estos parámetros, dan- ritmo converja a un óptimo local.
100
Revista (Colombia)
REFERENCIAS Lawrence, Davis. (1991). Handbook

of Genetic Algorithms. New York:
Van Nostrand Reinhold.
Castro P. J. Camilo and Guzmán P.,
M. Alejandra (2013). Optimización Maneiro Malavé, Ninoska (febrero
multiobjetivo de un controlador PID. 2002). Algoritmos genéticos aplicados
Aplicando Algoritmos Bioinspirados, al problema cuadrático de asignación
CIIMA, 2 (20), 191-197. de facilidades. Departamento de
Investigación Operativa, Escuela de
De Jong. A. K. (1975). An Analysis Ingeniería Industrial, Universidad de
of the Behavior of a Class of Genetic Carabobo, Valencia, Venezuela.
Adaptative Systems. PhD thesis.
Michigan: University of Michigan. Muñoz M., A. F. (2003). Tecnologías
de control inteligente: Redes
Deb, K. et al., (2002). A fast an neuronales, algoritmos genéticos y de
elitist multiobjective genetic clonación artificial. ISSN 1692-72577,
algorithm: NSGA II. IEEE Transaction vol. 1, No. 1, 4-9.
on Evolutionary Computation, vol.
6(2). Muñoz M., A. F. Wseas, M. (July 2005)
Advance control of applied artificial
DiStefano, Stubberud and Williams cloning paper Wseas, transactions on
(1992). Retroalimentación y sistemas systems. Advance Artificial Cloning
de control. Segunda Edición (Trad. R. Applied to Industrial Process Control vol.
Gómez Cruz) Bogotá: Ed. McGraw- 4 Issue 7, 930-938, Atenas, Grecia.
Hill.
Ogata, K. (1993). Ingeniería de
Gunter, Rudolph (1994).Convergence control moderna. Segunda edición.
analysis of canonical genetic (Trad. B. A. Fabian-Kernel). México:
algorithms. January IEEE Transactions Ed. Prentice-Hall.
on Neural Networks 5(1), 96-101.
Osyczka, A. (1984). Multicreterion
Holland, John H. (1992). Adaptation Optimization in Engineering with
in natural artificial system. Second Fortran programs. Ellis Horwood
edition. Cambridge, Massachusetts: Limited.
The MIT Press.
Pinto F., M. Claudia (mayo 2006).
Koza, John R. (1992). Genetic Sintonización de controladores PID
Programming: On the Programming utilizando algoritmos evolutivos.
of Computers by Means of Natural Universidad de Pamplona, Facultad
Selection. Cambridge, Massachusetts: de Ingenierías y Arquitectura,
The MIT Press. Pamplona, Colombia.
101
Ruge, I. A. and Alvis, M. A. (2009). control using a Genetic Algorithm. 1998

Aplicación de los algoritmos genéticos Second International Conference on
para el diseño de un controlador PID Knowledge-Based Intelligent Electronic
adaptativo. Tecnura, vol. 13(23), Systems. Australia: Editors, L. C. Jain and
82-90. R. K. Jain Adelaide, 21-23.
Syswerda, Gilbert (1989). Uniform Wetzel. A. (1983). Evaluation of

Crossover in Genetic Algorithms. In Effectiveness of genetic algorithms
J. David Schaffer (ed.) Proceedings of in combinational optimization.
the Third International Conference Pittsburgh (unpublished): University of
on Genetic Algorithms. San Mateo, Pittsburgh.
California: Morgan Kaufmann, 2-9.
Whitley. Darrel (1989). The Genitor
Toscano, P. G. (septiembre 2001). Algorithm and Selection Pressure:
Optimización multiobjetivo usando Why Rank-Based Allocation of
un microalgoritmo genético. Reproductive Trials is Best. In
Universidad Veracruzana-Lania. Proceedings of the Third International
Conference on Genetic Algorithms.
Van Rensburg, P. J., Shaw, L. S. y Van San Mateo, California: Morgan
Wyk J. D. (April 1998). Adaptive PID- Kaufmann Publishers, 116-121.
102

Desarrollo de Una Herramienta en Matlab para

Cargado por

Copyright:

Formatos disponibles

Desarrollo de Una Herramienta en Matlab para

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Desarrollo de Una Herramienta en Matlab para

Cargado por

Copyright:

Formatos disponibles

Desarrollo de una herramienta en Matlab para

Sintonización de Controladores PID, utilizando

Brayan René Acevedo Jaimes, ingeniero electrónico de la Universidad

Juan Camilo Fonseca Galindo, ingeniero electrónico de la Universidad

July Andrea Gómez Camperos, ingeniera mecatrónica de la Universidad

Servicio Nacional de Aprendizaje - SENA

FECHA DE RECEPCIÓN: 21 DE MARZO DE 2014

Con la fabricación de esta herramienta se pretende optimi-

Palabras clave: algoritmos genéticos, optimización mul-

integral and derivative controller (PID) using genetic algo-

de Pareto para encontrar los indivi-

integral y ganancia derivativa (I. A. En la ecuación 1 se aprecia la ex-

Diagrama de bloques para un control PID

Fuente: J. Camilo y M. Alejandra, 2013.

Los métodos de sintonización en Se establecen condiciones de dise-

Condiciones de diseño en controlador PID

1.2 Algoritmos genéticos una solución aceptable a un pro-

de código, en algunos casos la • Operadores genéticos como cru-

Tipos de codificación Existen tres tipos principales de cru-

• Un mecanismo de selección que

algoritmos genéticos se puede

1.2.1 Optimización multiobjetivo no de la región donde se en-

• Variables de decisión, que re- • Problema de optimización ob-

• Dominancia de Pareto, para dos vectores de decisión (x*), (y*) X (G.

Es importante notar que aunque la la solución óptima (I. A. Ruge y M.

to factible es óptimo de Pareto si

decisión (y*) que pertenezca al Generación Actual - Selección de los

ne (G. Toscano, 2001). Cruce de individuos

Se comienza con una población

Figura 6, el diagrama de bloques que Luego del proceso de optimización,

6. Aplicar algoritmo de optimiza-

7. Obtener los mejores resultados. 6. Obtener los valores de error, so-

1. Obtener los parámetros de la 7. Ordenar del óptimo al menos

81.4724 65.5741 43.8744

90.5792 3.5712 38.1558

12.6987 84.9129 76.5517

91.3376 93.3993 79.5200

27.8498 74.3132 44.5586

95.7507 65.5478 70.9365 (Kp) (Ki) (Kd)

15.7613 70.6046 27.6025

97.0593 3.1833 67.9703

95.7167 27.6923 65.5098

48.5376 4.6171 16.2612

En este algoritmo se usó selección búsqueda del algoritmo. El opera-

ind. seleccionados Ganador

ind. seleccionados Ganador 90,5792 84,9129 38,1558 12,6987 3,5712 76,5517

ind. seleccionados Ganador

I1, I4 I4 Padre Madre

91,3376 93,3993 79,5200 48,5376 4,6171 16,2612

El operador de cruce trabaja sobre

otros dos individuos, que serán

Además, se usó una mutación de Después de haber hecho mutación,

31,2463 1,2389 13,3207

56,1161 84,0256 21,1970

Vector de la población mutado

56,1161 84,0256 13,3207

ESPACIO DE LA FUNCIÓN 2 Individuos con mínima

La herramienta cuenta con algoritmo y mostrar los resultados

La herramienta posee botones. Uno En el submenú parámetros de salida

• Dominancia de Pareto, para dos vectores de decisión (x), (y) X (G.