Universidad de Ingenier Ia Y Tecnolog Ia Carrera de Ingenier Ia Electr Onica

UNIVERSIDAD DE INGENIERÍA Y TECNOLOGÍA
CARRERA DE INGENIERÍA ELECTRÓNICA
DISEÑO E IMPLEMENTACIÓN DE
CONTROLADORES BASADOS EN LÓGICA DIFUSA
PARA UNA PLANTA DE PROCESOS
MULTIPROPÓSITO
TESIS
Para optar el tı́tulo profesional de Ingeniero Electrónico
AUTOR:
Jose Luis Pampamallco Jara
ASESOR
Arturo Rojas Moreno
Lima - Perú
2022
Dedicatoria:
Dedico esta tesis con todo mi cariño a mis padres, quienes me han brindado su apoyo
incondicional en mis estudios y desarrollo como persona.
Agradecimientos:
Les agradezco a mis padres y hermanos por su apoyo y confianza puesta en mı́. También,
un agradecimiento a la universidad por la experiencia brindada durante todos estos años
de desarrollo profesional. A mi asesor Dr. Arturo Rojas, por apoyarme con su asesorı́a y
sus enseñanzas durante mi desarrollo en la carrera de Ingenierı́a Electrónica.
Índice general
Pág.
RESUMEN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
ABSTRACT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
CAPÍTULO 1 INTRODUCCIÓN 5
1.1 Formulación del Problema . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.2 Antecedentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2.1 Aplicaciones de Control Difuso en Entorno Real . . . . . . . . . . . . . . . 8
1.2.2 Desempeño de Controladores PID vs Controladores Difusos . . . . . . . . . 10
1.2.3 Herramientas utilizadas para Simular e Implementar Controladores Difusos . 12
1.3 Alcance y Limitaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4 Objetivos de la Tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.5 Organización de la Tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
CAPÍTULO 2 CONFIGURACIÓN DE EQUIPOS Y MODELADO EXPE-

RIMENTAL DE LOS PROCESOS 16
2.1 Equipos Industriales de Control . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.1.1 Planta Industrial Multipropósito para Control e Instrumentación . . . . . . . 17
2.1.2 Módulo Industrial Multipropósito para Control y Supervisión . . . . . . . . 19
2.1.3 Interfaz de Usuario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.1.4 Procedimientos utilizados para los Controladores PID y Difuso . . . . . . . . 22
2.2 Modelado Experimental de los Procesos de la Planta Industrial Multipropósito 23
III
2.2.1 Modelado del Proceso de Flujo . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.2 Modelado del Proceso de Presión . . . . . . . . . . . . . . . . . . . . . . . 26
2.2.3 Modelado del Proceso de Nivel . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2.4 Modelado del Proceso de Temperatura . . . . . . . . . . . . . . . . . . . . . 29
CAPÍTULO 3 CONTROL BASADO EN ALGORITMO PID 31

3.1 Algoritmo de Control PID . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2 Estrategias de Control PID . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3 Simulación de los Sistemas de Control PID . . . . . . . . . . . . . . . . . . . 35
3.3.1 Control del Proceso Flujo . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.3.2 Control del Proceso Presión . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.3.3 Control del Proceso Nivel . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.3.4 Control del Proceso Temperatura . . . . . . . . . . . . . . . . . . . . . . . . 38
3.4 Implementación de los Sistemas de Control PID . . . . . . . . . . . . . . . . 39
3.4.5 Control de la Razón de Flujos . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.4.6 Control en Cascada del Nivel empleando Flujo . . . . . . . . . . . . . . . . 45
3.4.7 Control Descentralizado de Nivel y Temperatura . . . . . . . . . . . . . . . 46
CAPÍTULO 4 CONTROL BASADO EN LÓGICA DIFUSA 48

4.1 Controlador basado en Algoritmo de Lógica Difusa . . . . . . . . . . . . . . 48
4.1.1 Fuzzificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.1.2 Tipos de Reglas difusas: Mamdani y Takagi-Sugeno . . . . . . . . . . . . . 50
4.1.3 Métodos de Inferencia Difusa: Mamdani y Takagi-Sugeno . . . . . . . . . . 51
4.1.4 Defuzzificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.1.5 Estructuras de los Sistemas de Control Difuso . . . . . . . . . . . . . . . . . 57
IV
4.2 Simulación de los Sistemas de Control Difuso . . . . . . . . . . . . . . . . . 58
4.3 Implementación de los Sistemas de Control Difuso . . . . . . . . . . . . . . . 63
4.3.5 Control de la Razón de Flujos . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.3.6 Control en Cascada del Nivel empleando Flujo . . . . . . . . . . . . . . . . 72
4.3.7 Control Descentralizado de Nivel y Temperatura . . . . . . . . . . . . . . . 74
CAPÍTULO 5 COMPARACIÓN DE RESULTADOS 76

5.1 Proceso de Flujo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
5.2 Proceso de Presión . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.3 Proceso de Nivel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
5.4 Proceso de Temperatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.5 Estrategia de Control de la Razón de Flujos . . . . . . . . . . . . . . . . . . . 80
5.6 Estrategia de Control en Cascada de Nivel empleando Flujo . . . . . . . . . . 81
5.7 Estrategia de Control Descentralizado de Nivel y Temperatura . . . . . . . . . 82
CAPÍTULO 6 CONCLUSIONES 84
6.1 Recomendaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
6.2 Trabajos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
ANEXOS Y PROGRAMAS FUENTES . . . . . . . . . . . . . . . . . . . . . . 91
V
Índice de tablas
1.1 Software de controladores difusos ofertados por empresas de automatiza-

ción industrial. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.1 Escalamiento de instrumentos digitales. . . . . . . . . . . . . . . . . . . 18

2.2 Escalamiento de instrumentos analógicos. . . . . . . . . . . . . . . . . . 19
3.1 Variación de los parámetros de diseño: Kc , Ki o Kd [1]. . . . . . . . . . . 32
4.1 Reglas difusas empleadas para el control del proceso de flujo FIT11. . . . 63
4.2 Reglas difusas empleadas para el control del proceso de presión PIT11. . . 66
4.3 Reglas difusas empleadas para el control del proceso de nivel LIT10. . . . 68
4.4 Reglas difusas empleadas para el control del proceso de temperatura TIT10. 69
4.5 Reglas difusas empleadas para el control del proceso de flujo FIT10. . . . 72
5.1 Sistema de control PID vs. difuso del proceso de flujo. . . . . . . . . . . 76

5.2 Sistema de control PID vs. difuso del proceso de presión. . . . . . . . . . 78
5.3 Sistema de control PID vs. difuso del proceso de nivel. . . . . . . . . . . 79
5.4 Sistema de control PID vs. difuso del proceso de temperatura. . . . . . . . 80
5.5 Sistema de control PID vs. difuso de la razón de flujos. . . . . . . . . . . 81
5.6 Sistema de control PID vs. difuso en cascada de nivel empleando flujo. . . 82
5.7 Sistema de control PID vs. difuso descentralizado de temperatura y nivel. 83
VI
Índice de figuras
1.1 Diagrama de bloques del sistema de separación de solución etanol-agua. . 9

1.2 Estructura del sistema de agua caliente. . . . . . . . . . . . . . . . . . . . 10
2.1 Planta industrial multipropósito para control e instrumentación. . . . . . . 17

2.2 P&ID de la planta industrial multipropósito para control e instrumentación. 18
2.3 Módulo industrial multipropósito para control y supervisión. . . . . . . . 20
2.4 Arquitectura de control de equipos empleado para el desarrollo de la tesis. 20
2.5 Diseño de la interfaz de control y supervisión. a) Pantalla principal. b)
Diagrama de proceso para el control descentralizado. c) Pantalla de con-
trol PID. d) Pantalla de control difuso. e) Tendencia de control de nivel y
temperatura. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.6 Diagrama de flujo de la implementación del controlador PID. . . . . . . . 22
2.7 Diagrama de flujo de la implementación del controlador difuso. . . . . . . 22
2.8 P&ID de la variable del proceso de flujo FIT10 y FIT11. . . . . . . . . . 24
2.9 Modelo dinámico experimental vs. aproximado del proceso de flujo FIT10. 25
2.10 Modelo dinámico experimental vs. aproximado del proceso de flujo FIT11. 25
2.11 P&ID de la variable del proceso de presión PIT11. . . . . . . . . . . . . . 26
2.12 Modelo dinámico experimental vs. aproximado del proceso de presión
PIT11. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.13 P&ID de la variable del proceso de nivel LIT10. . . . . . . . . . . . . . . 28
2.14 Modelo dinámico experimental vs. aproximado del proceso de nivel LIT10. 28
2.15 P&ID de la variable del proceso de temperatura TIT10. . . . . . . . . . . 29
VII
2.16 Modelo dinámico experimental vs. aproximado del proceso de temperatu-
ra TIT10. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.1 Diagrama de bloques del sistema de control de la razón. . . . . . . . . . . 33

3.2 Diagrama de bloques del sistema de control descentralizado. . . . . . . . 34
3.3 Diagrama de bloques del sistema de control en cascada. . . . . . . . . . . 35
3.4 Simulación del sistema de control PID de flujo FIT11. . . . . . . . . . . . 36
3.5 Simulación del sistema de control PID de presión PIT11. . . . . . . . . . 37
3.6 Simulación del sistema de control PID de nivel LIT10. . . . . . . . . . . 38
3.7 Simulación del sistema de control PID de temperatura TIT10. . . . . . . . 39
3.8 Implementación del sistema de control PID de flujo FIT11. . . . . . . . . 41
3.9 Implementación del sistema de control PID de presión PIT11. . . . . . . . 42
3.10 Implementación del sistema de control PID de nivel LIT10. . . . . . . . . 43
3.11 Implementación del sistema de control PID de temperatura TIT10. . . . . 44
3.12 Implementación del sistema de control PID de razón de flujos FIT10 y
FIT11. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.13 Implementación del sistema de control PID en cascada de nivel LIT10
empleando flujo FIT11. . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.14 Implementación del sistema de control PID descentralizado de nivel LIT10
y temperatura TIT10. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.1 Funciones de pertenencia [23] . . . . . . . . . . . . . . . . . . . . . . . 49

4.2 Grado de cumplimiento (DOF) en las funciones de pertenencia de las en-
tradas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.3 Sistema difuso Mamdani [24]. . . . . . . . . . . . . . . . . . . . . . . . 52
4.4 Grados de cumplimientos (DOF) mı́nimos en la función de pertenencia de
salida. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.5 Sistema difuso Takagi-Sugeno [24]. . . . . . . . . . . . . . . . . . . . . 54
4.6 Estructura general de sistema difuso de 2 entradas, 25 reglas y una salida. 56
VIII
4.7 Estructura del sistema de control PD Difuso . . . . . . . . . . . . . . . . 57
4.8 Estructura del sistema de control PI Difuso . . . . . . . . . . . . . . . . . 58
4.9 Estructura del sistema de control PID Difuso . . . . . . . . . . . . . . . . 58
4.10 Simulación del sistema de control difuso de flujo FIT11. . . . . . . . . . 59
4.11 Simulación del sistema de control difuso de presión PIT11. . . . . . . . . 60
4.12 Simulación del sistema de control difuso de nivel LIT10. . . . . . . . . . 61
4.13 Simulación del sistema de control difuso de temperatura TIT10. . . . . . 62
4.14 Funciones de pertenencia de entrada y salida para el proceso de flujo FIT11. 64
4.15 Implementación del sistema de control difuso de flujo FIT11. . . . . . . . 64
4.16 Funciones de pertenencia de entrada y salida para el proceso de presión
PIT11. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.17 Implementación del sistema de control difuso de presión PIT11. . . . . . 66
4.18 Funciones de pertenencia de entrada y salida para el proceso de nivel LIT10. 67
4.19 Implementación del sistema de control difuso de nivel LIT10. . . . . . . . 68
4.20 Funciones de pertenencia de entrada y salida para el proceso de tempera-
tura TIT10. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.21 Implementación del sistema de control difuso de temperatura TIT10. . . . 70
4.22 Sistema de control difuso de la razón de flujos. . . . . . . . . . . . . . . . 71
4.23 Funciones de pertenencia de entrada y salida para el proceso de flujo FIT10. 71
4.24 Implementación del sistema de control difuso de la razón de flujos FIT10
y FIT11. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.25 Implementación del sistema de control difuso en cascada de nivel LIT10
empleando flujo FIT11. . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.26 Sistema de control difuso en cascada de nivel empleando flujo . . . . . . 74
4.27 Sistema de control difuso descentralizado de nivel y temperatura. . . . . . 74
4.28 Implementación del sistema de control difuso descentralizado de nivel
LIT10 y temperatura TIT10. . . . . . . . . . . . . . . . . . . . . . . . . 75
5.1 Sistema de control PID vs. difuso del proceso de flujo FIT11. . . . . . . . 77
IX
5.2 Sistema de control PID vs. difuso del proceso de presión PIT11. . . . . . 78
5.3 Sistema de control PID vs. difuso del proceso de nivel LIT10. . . . . . . . 79
5.4 Sistema de control PID vs. difuso del proceso de temperatura TIT10. . . . 80
5.5 Sistema de control PID vs. difuso de la razón de flujos FIT10 y FIT11. . . 81
5.6 Sistema de control PID vs. difuso en cascada de nivel LIT10 empleando
flujo FIT11. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.7 Sistema de control PID vs. difuso descentralizado de nivel LIT10 y tem-
peratura TIT10. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
6.1 Dirección de conexionado para el tablero de control y supervisión. . . . . 91
X
RESUMEN
El controlador PID es el más empleado en la actualidad en las industrias. Se estima

que tal algoritmo se aplica en más del 90 % de los procesos industriales. El controlador
PID, se emplea cuando se tiene el modelo dinámico del proceso y resulta más conveniente
cuando los procesos se encuentran en marcha, ya que solo se necesita ajustar las tres
ganancias que la conforman para llegar al punto de referencia deseado. Sin embargo, en
los procesos en los cuales no se puede estimar el modelo dinámico y el cálculo matemático
resulta muy complejo o no se obtiene el desempeño deseado, se requiere una opción para
tales casos. Por ello, se utiliza el controlador basado en lógica difusa, el cual es un tipo de
control inteligente que no depende del modelo matemático, sino que imita el razonamiento
de un experto humano.
En esta tesis, se desarrollaron bloques de control basado en lógica difusa para la

implementación en un PLC Siemens para el control de los procesos flujo, presión, tempe-
ratura, nivel. Además, también se empleó para las estrategias control de la razón, control
en cascada y control descentralizado de los procesos de una planta multipropósito. Pa-
ra implementar el control de tales procesos, primero se hallan sus respectivos modelos
dinámicos, los cuales se lograron con la adquisición de datos experimentales para apro-
ximar los modelos a través de software especializado. Para fines de comparación, se im-
plementaron los sistemas de control PID y sistemas de control difuso en el software TIA
Portal. Por un lado, el controlador PID presenta mejor desempeño basándonos en tiempo
de establecimiento y error en estado estable, a diferencia del controlador basado en lógica
difusa para los siguientes procesos. En primer lugar, el proceso de flujo con una señal es-
calón de 12 - 15 l/min, comparando entre el controlador PID y el difuso, el parámetro que
define el mejor rendimiento es el tiempo de establecimiento de 13 segundos versus 20.5
segundos respectivamente. En segundo lugar, el proceso de presión con una señal escalón
de 0 - 0.2 bar, el controlador PID presenta tiempo de establecimiento de 13.8 segundos y
error en estado estable de 0.1 %; el controlador difuso, tiempo de establecimiento de 35
1
segundos y error en estado estable de 1.6 %. En tercer lugar, en la estrategia de control de
la razón de flujos el desempeño es directamente proporcional, al igual que en el proceso
de flujo. Por último, en la estrategia de control en cascada de nivel empleando flujo en un
rango de 0 - 25 cm, comparando el controlador PID contra el difuso comprende: tiempo
de establecimiento de 146 y 100 segundos y error en estado estable de 0 % y 10 % respec-
tivamente para ambos parámetros. Por tanto, en los procesos que requiera el control de la
variable de flujo o presión de agua en una tuberı́a resulta más conveniente la aplicación
del controlador PID, debido a su rápida respuesta y mayor precisión.
Por otro lado, el controlador difuso tiene un mejor desempeño que el controlador
PID para los siguientes procesos. Primero, el proceso de nivel con una señal escalón de 20
- 30 cm, el controlador PID presenta un tiempo de establecimiento de 60 segundos y por-
centaje de sobreimpulso de 20.6 %; el controlador difuso, tiempo de establecimiento de
41 segundos y porcentaje de sobreimpulso de 1.7 %. Segundo, el proceso de temperatura
con un escalón de 27 - 40 ◦ C, el controlador PID presenta tiempo de establecimiento 50
minutos, error en estado estable de 10 % y porcentaje de sobreimpulso de 25 %; el contro-
lador difuso, tiempo de establecimiento de 40 minutos, error en estado estable de 0.7 % y
porcentaje de sobreimpulso de 16.2 %. Finalmente, en la estrategia de control descentrali-
zado los resultados muestran un menor tiempo de establecimiento, error en estado estable
y porcentaje de sobreimpulso del controlador difuso a diferencia del controlador PID.
Palabras clave:
Controlador difuso; Planta multipropósito; Reglas difusas; Fuzzificación; Defuzzifica-
ción; Procesos industriales; Mamdani; Takagi-Sugeno
2
ABSTRACT
DESIGN AND IMPLEMENTATION OF FUZZY

LOGIC-BASED CONTROLLERS FOR A
MULTIPURPOSE PROCESS PLANT
The PID controller is the most widely used controller in industry today. It is esti-
mated that such algorithm is applied in more than 90 % of industrial processes. The PID
controller is used when the dynamic model of the process is available and it is more con-
venient when the processes are running, since it is only necessary to adjust the three gains
that conform it to reach the desired set point. However, in processes where the dynamic
model cannot be estimated or the mathematical calculation is too complex and the desired
performance is not obtained, an option is required for such cases. Therefore, the fuzzy
logic based controller is used, which is a type of intelligent control that does not depend
on the mathematical model, but mimics the reasoning of a human expert.
In this thesis, fuzzy logic based control blocks were developed for implementa-
tion in a Siemens PLC for the control of flow, pressure, temperature, level processes. In
addition, it was also used for the strategies ratio control, cascade control and decentrali-
zed control of the processes of a multipurpose plant. To implement the control of such
processes, first their respective dynamic models are found, which were achieved with the
acquisition of experimental data to approximate the models through specialized softwa-
re. For comparison purposes, PID control systems and fuzzy control systems were im-
plemented in TIA Portal software. On the one hand, the PID controller presents better
performance based on settling time and steady state error, as opposed to the fuzzy logic
based controller for the following processes. Firstly, the flow process with a step signal of
12 - 15 l/min, comparing between the PID and fuzzy controller, the parameter that defines
the best performance is the settling time of 13 seconds versus 20.5 seconds respectively.
Secondly, the pressure process with a step signal of 0 - 0.2 bar, the PID controller presents
3
settling time of 13.8 seconds and steady state error of 0.1 %; the fuzzy controller, settling
time of 35 seconds and steady state error of 1.6 %. Third, in the flow ratio control strategy
the performance is directly proportional, as in the flow process. Finally, in the cascade
level control strategy using flow in a range of 0 - 25 cm, comparing the PID controller
against the fuzzy controller comprises: settling time of 146 and 100 seconds and steady
state error of 0 % and 10 % respectively for both parameters. Therefore, in processes that
require the control of the flow variable or water pressure in a pipeline, the application of
the PID controller is more convenient, due to its fast response and higher accuracy.
On the other hand, the fuzzy controller has a better performance than the PID
controller for the following processes. First, the level process with a step signal of 20 -
30 cm, the PID controller has a settling time of 60 seconds and overshoot percentage of
20.6 %; the fuzzy controller has a settling time of 41 seconds and overshoot percentage of
1.7 %. Second, the temperature process with a step of 27 - 40 ◦ C, the PID controller has a
settling time of 50 minutes, steady state error of 10 % and overshoot percentage of 25 %;
the fuzzy controller, settling time of 40 minutes, steady state error of 0.7 % and overshoot
percentage of 16.2 %. Finally, in the decentralized control strategy, the results show a
lower settling time, steady state error and overshoot percentage for the fuzzy controller as
opposed to the PID controller.
Keywords:
Fuzzy logic control; Multipurpose plant; Fuzzy rules; Fuzzification; Defuzzification; In-
dustrial processes; Mamdani; Takagi-Sugeno
4
Capı́tulo 1
INTRODUCCIÓN
En la automatización industrial, los controladores SISO (del inglés Single-Input,

Single-Output) está caracterizado por tener una salida y una entrada, los más utilizados
son los que se basan en el algoritmo de control PID (Proporcional, Integral y Derivativo)
[1]. Los controladores se emplean para controlar las variables presentes en los procesos
industriales, tales como flujo, nivel, presión, temperatura, velocidad y posición. La amplia
aceptación de los controladores PID en el control de procesos se debe a su simplicidad,
fácil implementación en cualquier procesador y su desempeño en la aplicación de proce-
sos lineales en términos de tiempo de respuesta, porcentaje de sobreimpulso y error en
estado estable [2]. Sin embargo, en la industria existen casos en los que determinar el
modelo dinámico del proceso resulta complejo. En tales casos, el empleo del controlador
PID es restringido y no es tan eficiente.
En la industria existen procesos complejos de modelar o cuyos modelos matemáti-

cos son no lineales, como el caso del proceso de nivel de agua en tanque, los cuales no se
pueden controlar con el algoritmo PID convencional, sino que requieren de controladores
avanzados para obtener un mejor rendimiento [3]. Por un lado, el controlador predictivo
es un método de control que usa el modelo dinámico del proceso para predecir las salidas
futuras y con ello optimiza las acciones de control posteriores. Por otro lado, el control
difuso no requiere de un modelo dinámico preciso del proceso [4]. El procesamiento de
un controlador difuso es más próximo al razonamiento del experto humano, el cual se
basa en el cumplimiento de ciertas reglas que son especı́ficas para cada aplicación [1].
Por ese motivo, para resolver estos problemas, las grandes firmas dedicadas al rubro de
automatización ofrecen software de controladores difusos que trabajan con sus controla-
dores lógicos programables (PLC, del inglés Programmable Logic Controller) ofertados
(ver Tabla 1.1).
TABLA 1.1: Software de controladores difusos ofertados por empresas de automatización indus-
trial.
Empresas de automatización Software dedicado

Rockwell automation RSLogix 5000 FuzzyDesigner
Siemens S7 Fuzzy Control ++
ABB Fuzzy control W/Fuzzyoon
Emerson process Management Delta V Fuzzy
La Universidad de Ingenierı́a y Tecnologı́a (UTEC) cuenta con un laboratorio de

Automatización, donde se imparte la enseñanza y entrenamiento de los estudiantes en sis-
temas industriales de control, redes industriales y automatización industrial. Los equipos
disponibles son tres plantas industriales multipropósito para control e instrumentación
compuesta por sensores de flujo, presión, temperatura y nivel y actuadores digitales y
analógicos, también con tres módulos industriales multipropósito para control y supervi-
sión, de los cuales dos están compuestos de equipos Rockwell y uno de equipos Siemens.
Para el desarrollo de esta tesis se usó el sistema compuesto por equipos de la marca Sie-
mens, los cuales cuentan con tres diferentes gamas de PLC: bajo, medio y alto.
1.1 Formulación del Problema
Las herramientas de software para aplicación de control difuso, si bien existen y

son ofrecidas por las grandes firmas dedicadas al rubro de automatización, son utilizados
como una alternativa para el control de plantas industriales cuyo modelo dinámico es
complejo de calcular, ya sea porque no se cuenta con los valores de las variables reales
de la planta o no se llega a obtener el desempeño deseado con el controlador PID, por
ejemplo, el proceso de nivel de agua en un tanque [3] o control de temperatura del agua
[5]. Por ende, la aplicación del control PID es descartado debido a la dificultad de estimar
6
los parámetros de este controlador. Además, tales paquetes de software involucran un alto
costo de adquisición, ya que no viene incluido con el software de programación de los
PLC ofertados (ver Tabla 1.1), a comparación de los controladores PID que si vienen
incorporados.
En esta tesis, se propone como una alternativa de solución el desarrollo de blo-

ques controladores basados en lógica difusa en el software de programación TIA Portal
de Siemens. Por esta razón, se diseñaron e implementaron bloques controladores basados
en lógica difusa para el control de procesos industriales. Además, se realizó el diseño y si-
mulación del algoritmo lógico difuso para los procesos flujo, presión, temperatura, nivel,
también se diseñaron para las estrategias control de la razón, control en cascada y control
descentralizado de los procesos de la planta industrial multipropósito. Posteriormente, la
implementación de tales algoritmos se ejecutaron en un PLC de gama alta de la mar-
ca Siemens. También, los bloques de control difuso se desarrollaron con caracterı́sticas
similares a los bloques difusos ofrecidos por la marca Siemens.
La existencia de los bloques controladores basados en lógica difusa incrementa la

oferta de controladores en el laboratorio de automatización. Asimismo, tales bloques se
pueden usar en la capacitación dentro del curso de control inteligente o similar.
1.2 Antecedentes
En la actualidad, más del 90 % de los procesos existentes en las industrias [6]

aplican los controladores basados en algoritmo PID. Esto se debe a la necesidad de auto-
matizar los procesos industriales con la finalidad de aumentar la producción, reduciendo el
tiempo de fabricación para obtener el mejor rendimiento e incrementar las ganancias. Sin
embargo, no todos los procesos se pueden controlar con el algoritmo PID, sino también
se necesita aplicar otros algoritmos de control avanzado. Por ello, las marcas dedicadas
7
al rubro de automatización ponen a disposición software y módulos para aplicación de
control avanzado e inteligente, entre los cuales está el controlador difuso.
El algoritmo de lógica difusa es una forma de representación matemática del ra-

zonamiento humano, el cual es útil en aplicaciones de sistemas expertos e inteligencia ar-
tificial [7]. El procesamiento de información basado en lógica difusa se basa en las reglas
heurı́sticas si (antecedente) entonces (consecuente) [8]. Por ejemplo, en el sector indus-
trial los operarios deciden, con base en su experiencia, si la temperatura es muy alejada
al esperado en determinado proceso, entonces se incrementa la potencia, en caso contra-
rio, si la temperatura es cercana al valor deseado se reduce la potencia al mı́nimo. En las
industrias, el control por lógica difusa representa una alternativa de aplicación de con-
trol inteligente frente al control tradicional PID, en especial cuando se requiere controlar
procesos no lineales y procesos complejos de modelar [9].
Para entender la importancia de control basado en algoritmo de lógica difusa en

las industrias se hace énfasis en tres aspectos importantes. Primero, las aplicaciones de
control difuso en entorno real. Segundo, el desempeño de los controladores PID vs. los
controladores difusos. Por último, las herramientas utilizadas para simular e implementar
controladores difusos.
1.2.1 Aplicaciones de Control Difuso en Entorno Real
En el entorno industrial hay muchas aplicaciones de lógica difusa para el control

de variables de procesos. Una aplicación es el uso del algoritmo lógico difuso para el
control de la separación de solución de etanol-agua, el cual se suele encontrar en procesos
de conversión de azúcares a alcohol [10]. La técnica aplicada para ese propósito es por
destilación basada en el control de puntos de ebullición de los disolventes bajo presión
relevante. Las variables presión y temperatura (ver figura 1.1) se usan como señales de
8
entrada al módulo de lógica difusa para el control del regulador de voltaje que suministra
calor al depósito de la mezcla.
F IGURA 1.1: Diagrama de bloques del sistema de separación de solución etanol-agua.
Otra aplicación es la elaboración de un sistema de control eléctrico para tratamien-

to de huevo en polvo [11]. Entre los procedimientos de tratamiento de huevo en polvo, la
pulverización y el secado son los más importantes y complejos. Por lo tanto, la alta preci-
sión en el control de presión de la tuberı́a es relevante para la parte de pulverización y la
temperatura para el proceso de secado en la caja de desecación. Entre todas estas aplica-
ciones, la combinación de tecnologı́a de control difuso y PLC mostró un control eficiente
al aplicarlo en este sistema no lineal.
Por otra parte, el uso del control basado en lógica difusa para un sistema de sumi-
nistro de agua a presión constante y regulación de frecuencia de una bomba [12]. Los re-
sultados obtenidos muestran un mejor desempeño en términos de conservación de energı́a
y alta confiabilidad a comparación del obtenido con un controlador PID.
9
En el entorno de aplicación doméstica se utilizó el control de lógica difusa para un
sistema de agua caliente en una institución [5]. El sistema de agua caliente (ver figura 1.2)
está constituido por energı́a solar como una fuente de calefacción principal y una varilla
de calefacción eléctrica como secundario. El resultado obtenido es un sistema de control
de temperatura de agua con ahorro de consumo energético y de alta eficiencia en términos
de tiempo de respuesta, pequeños rebosamientos.
F IGURA 1.2: Estructura del sistema de agua caliente.
1.2.2 Desempeño de Controladores PID vs Controladores Difusos
Según los resultados obtenidos a través de la simulación e implementación del

control de las variables de proceso, se realizó una comparación entre el desempeño del
controlador convencional PID y el controlador basado en algoritmo de lógica difusa. A
continuación se explicarán casos de resultados obtenidos comparando los dos algoritmos
de control.
En [13], se empleó el algoritmo lógico difuso para un sistema de control de nivel

de agua en un tanque de compensación de comportamiento dinámico y no lineal. Los
resultados obtenidos con el controlador lógico difuso presentaron un mejor rendimiento
en término de tiempo de respuesta y error en estado estable.
10
En [14], la simulación del control difuso se hace utilizando la librerı́a Fuzzy Logic
Toolbox del software Matlab, donde se usa el control no lineal de la variable de flujo,
aunque solo asume la parte de simulación más no implementación. El desempeño de un
controlador basado en lógica difuso sobre un controlador PID se observa en los resultados.
Se puede esperar un mejor rendimiento de control, robustez y estabilidad general del
controlador basado en algoritmo de lógica difusa.
Otros estudios muestran la aplicación de controlador PID combinado con el algo-

ritmo de lógica difusa e incluso redes neuronales y comparan con los resultados obtenidos
con el controlador convencional PID. En [15], el control basado en lógica difusa se usa en
el proceso no lineal de temperatura de agua en un tanque, para hallar las ganancias propor-
cional, integral y derivativo del controlador PID estándar. En otros trabajos, se empleó la
lógica difusa en la sintonización de las ganancias proporcional e integral del controlador
PI, como en [8], donde se realizó el control de velocidad de un brazo robótico. También,
el control difuso se implementó para el proceso no lineal de nivel de agua en un tanque
bombeado por una bomba hidráulica [9]. Otra forma de utilizar la lógica difusa es imple-
mentarlo en conjunto a las redes neuronales. En [16], la lógica difusa y redes neuronales
se aplicó para el control del proceso no lineal de la variable temperatura.
Los resultados obtenidos de todos los experimentos mostraron mayor rendimiento

en los controladores PID sintonizados por el algoritmo basado en lógica difusa, ya que
permite tener valores dinámicos de los parámetros proporcional, integral y derivativo del
PID a diferencia del habitual controlador PID que tiene parámetros de control estáticos.
Además, en el controlador basado en redes neuronal permite el aprendizaje del proceso,
el cual no se puede realizar con el algoritmo de lógica difusa que no depende de valores
históricos.
11
1.2.3 Herramientas utilizadas para Simular e Implementar Controladores Difusos
En los trabajos previos acerca del uso de algoritmo de lógica difusa se sigue tres
pasos respectivos. Primero, modelar el proceso que se desea controlar. Luego, simular el
sistema de control difuso de procesos industriales con el fin de hallar las reglas lógicas.
Finalmente, implementar el algoritmo de control difuso en controladores lógicos progra-
mables.
Los trabajos previos usan el modelo dinámico para hallar las reglas difusas por
medio de la simulación del sistema de control difuso. En algunos casos hallan el modelo
dinámico de dos formas distintas: desarrollo del cálculo matemático para un sistema de
bombeo de agua [4], nivel de lı́quido en un tanque de base esférica [13] y para uno de base
rectangular [9], la otra forma es a través de toma de datos de entrada y salida del proceso
de forma experimental utilizando la librerı́a de Matlab System Identification Toolbox™
para realizar aproximación del modelo dinámico como en el caso de [15] lo utilizo para
la aproximación del proceso de temperatura de agua, proceso de nivel de agua en un
prototipo de tanque a pequeña escala [15].
Para la simulación, se usó del software Matlab/Simulink, de modo que se configura

el controlador difuso con la librerı́a Fuzzy Logic Toolbox™. Por ejemplo, la simulación
de un sistema de control difuso de nivel de agua por bombeo de una bomba centrifuga [4],
[9]; sistema de control difuso para temperatura [10], velocidad de un servomotor [7], el
flujo de agua por una tuberı́a.
Los controladores lógicos programables son dispositivos electrónicos para contro-

lar procesos secuenciales, por eso se emplean para la implementación de control en plan-
tas industriales. Sus caracterı́sticas principales son su alta fiabilidad y robustez. Se aplican
ampliamente en procesos industriales, pero también se utilizan en otros campos, como la
automatización de viviendas y edificios, sistemas de energı́as renovables [7]. En la indus-
tria, principalmente se aplica en la producción automática estándar. Con el incremento en
12
el campo de la automatización, no solo las funciones de seguridad se llevan a cabo, sino
también el control inteligente está involucrado con el proceso de automatización [8]. La
demanda de usar controladores inteligentes fue en ascenso, por el cual las grandes firmas
en el rubro de automatización lanzaron al mercado módulos / software que se acoplan a
sus PLC, por ello la empresa Siemens ofrece el paquete de software FuzzyControl++ que
emplea métodos basados en lógica difusa y el paquete NeuroSystem basado en la teorı́a
de las redes neuronales.
Sin embargo, muchos de los estudios realizados sobre control basado en lógica
difusa implementado en PLC desarrollan un programa que les facilite aplicar control inte-
ligente sin la necesidad de adquirir software o módulos de control basado en lógica difusa.
Los múltiples modelos de PLC utilizados para el desarrollo de algoritmo lógico difuso que
se ejecutaron en PLC Siemens sin necesidad de usar módulos o software adicionales. En
[4], se usó para el control de nivel; en [11], para un sistema de tratamiento de huevo en
polvo en un PLC S7-200; en [7], para el control difuso de velocidad de un servomotor en
PLC-1200; [15], para el control de temperatura de agua y en [10] para sistema de separa-
ción de etanol-agua, ambos en PLC delta. En el caso de [8], se usó el software adicional
FuzzyControl++ y fue implementado en un PLC de gama media S7-300 Siemens para el
control de velocidad de un brazo mecánico.
Las soluciones de control de la industria generalmente se basan en un controlador

lógico programable (PLC). No obstante, las implementaciones de controladores basados
en lógica difusa para sistemas complejos cuyo control se basa en un sistema difuso ha sido
una desventaja, ya que no todos los PLC tienen módulos especı́ficos para este propósito
[17].
Otra alternativa de aplicar control basado en lógica difusa es utilizada en [18]

quien utiliza el PLC S7-200, software OPC server y el programa Matlab. Mediante el uso
redes de comunicación con OPC server se enlaza las dos variables de diferente software,
ası́ que se realiza la toma de datos (sensor) del proceso con el PLC, pero el control basado
13
en lógica difusa se hace en Matlab y se reenvı́a la señal de control al PLC para enviar
(actuador) al proceso. El autor menciona que no se requiere hacer un control complejo en
PLC y solo usar el control basado en lógica difusa del Matlab, el cual es empleado por la
mayor parte de las industrias para modelar procesos y simular la aplicación de algoritmos
de control en procesos.
1.3 Alcance y Limitaciones
Los bloques de control lógico difuso estarán disponibles en el software de progra-

mación del PLC Siemens del módulo industrial multipropósito para control y supervisión.
La implementación del control basado en lógica difusa se limita a los procesos de la plan-
ta industrial multipropósito para control e instrumentación ubicada en el laboratorio de
Automatización de UTEC. El control difuso se realizó para los procesos flujo, presión,
temperatura y nivel. Asimismo, empleando las variables previamente mencionadas se im-
plementará las estrategias de control de la razón, control en cascada y control descentra-
lizado. Además, no se requiere adicionar software adicional a los equipos existentes para
este trabajo de tesis. El PLC utilizado para el sistema de control es el S7-1500 Siemens y
el software de programación es TIA Portal.
1.4 Objetivos de la Tesis
El objetivo general de la tesis es diseñar e implementar bloques controladores ba-

sados en lógica difusa para el control de procesos de una planta industrial multipropósito.
Para alcanzar este objetivo se cuenta con los siguientes objetivos especı́ficos:
Hallar los modelos dinámicos de los procesos de una planta industrial multipropósi-
to: flujo, presión, nivel y temperatura.
14
Diseñar e implementar los sistemas de control PID para los procesos flujo, presión,
temperatura, nivel, ası́ como también las estrategias de control de la razón, control
en cascada y control descentralizado de una planta industrial multipropósito.
Diseñar e implementar el algoritmo de control difuso en el PLC S7-1500 para los

procesos y las estrategias de control anteriormente mencionadas.
Comparar los resultados experimentales de la implementación tanto de los sistemas

de control PID como los sistemas de control difuso.
Brindar este trabajo como un punto de partida para futuras investigaciones de apli-
cación de lógica difusa en PLC.
1.5 Organización de la Tesis
El presente trabajo de tesis sigue la siguiente organización: En el Capı́tulo 2, se

describe la planta industrial multipropósito para control e instrumentación y el módulo in-
dustrial multipropósito para control y supervisión. En este capı́tulo, también se obtienen
los modelos dinámicos de los procesos de la planta industrial multipropósito a través de
datos adquiridos de forma experimental. En el Capı́tulo 3, se da una breve introducción
al algoritmo de control PID y se muestran los resultados obtenidos de la simulación e im-
plementación del controlador PID Compact en el PLC Siemens para los procesos: flujo,
presión, nivel, temperatura y las estrategias de control de la razón de flujo, cascada y des-
centralizado. En el Capı́tulo 4, se explica sobre los distintos algoritmos de control difuso
y se observan los resultados obtenidos al simular e implementar los sistemas de control
difuso diseñado a través de lenguaje estructurado en el PLC Siemens para los procesos
previamente mencionados. En el Capı́tulo 5, se hace el análisis de los resultados experi-
mentales obtenidos con los algoritmos de control PID y lógico difuso. En el Capı́tulo 6,
se presentan las conclusiones a las que se llegó al finalizar la tesis.
15
Capı́tulo 2
CONFIGURACIÓN DE EQUIPOS Y MODELADO

EXPERIMENTAL DE LOS PROCESOS
La Universidad de Ingenierı́a y Tecnologı́a cuenta con tres plantas industriales

multipropósito ubicadas en el laboratorio de automatización. En esta tesis, se usa la planta
multipropósito y el módulo de control y supervisión instrumentada con equipos marca
Siemens. Primero, se describe acerca de los equipos y el conexionado realizado para ser
operado a través de una interfaz SCADA. Finalmente, se da detalles sobre el cálculo de los
modelos dinámicos estimados a través de los datos experimentales extraı́dos y procesados
en el software Matlab.
2.1 Equipos Industriales de Control
Actualmente, la universidad UTEC brinda cursos de pregrado donde se imparte

la enseñanza a sus alumnos de la mención de automatización de programación de PLC,
configuración de redes industriales y desarrollo de proyectos de automatización. Por tal
motivo, se emplea el manejo de una planta industrial multipropósito a pequeña escala con
un módulo de control y supervisión con el fin de familiarizarse con equipos posterior-
mente encontrados en el ámbito industrial. Asimismo, se brindan programas externos de
educación ejecutiva de diseño y gestión de proyectos de automatización 1 .
Antes de comenzar el desarrollo del trabajo de tesis, se brinda una breve intro-
ducción de los equipos usados. Primero, la planta industrial multipropósito en conjunto a
1
Programa Avanzado de Ingenierı́a del Diseño y Gestión de Proyectos de Automatización, septiembre
2019. Enlace: http://y2u.be/LZB3tkqKQ4c. Última revisión el 23-09-2019.
su diagrama de instrumentación y tuberı́as (P&ID, del inglés Piping and Instrumentation
Diagram). Segundo, la arquitectura de control usada en el módulo de control y supervisión
para la implementación del control de los procesos de las variables y de las estrategias de
control previamente mencionadas.
2.1.1 Planta Industrial Multipropósito para Control e Instrumentación
La planta industrial multipropósito es un sistema de circulación de agua frı́a y

caliente entre dos tanques de agua. Por un lado, la circulación de agua frı́a alimenta a la
planta. Por otro lado, el agua caliente generada en el tanque inferior circula desde el tanque
T-20 a T-10 con ayuda de una bomba centrifuga. En este sistema de control, se realiza la
lectura de las variables: flujo, presión, temperatura y nivel. En la Figura 2.1, se muestra la
tercera planta industrial multipropósito adquirida por la universidad visualizada de forma
más exacta en su P&ID (ver figura 2.2).
F IGURA 2.1: Planta industrial multipropósito para control e instrumentación.
17
F IGURA 2.2: P&ID de la planta industrial multipropósito para control e instrumentación.
En las Tablas 2.1 y 2.2, se observa los rangos de operación de los sensores y
actuadores analógicos y digitales de la planta industrial multipropósito usados para la
elaboración de esta tesis. Se tiene en cuenta que el único equipo conectado por Ethernet
es el variador de frecuencia VFD20 que acciona la bomba centrı́fuga PUMP20.
TABLA 2.1: Escalamiento de instrumentos digitales.
Tag Instrumentos Rango de operación

EV10 Válvula electroneumática ON - OFF
HL20 Switch de nivel alto ON - OFF
LL20 Switch de nivel bajo ON - OFF
JC10encl Enclavamiento del control de potencia ON - OFF
18
TABLA 2.2: Escalamiento de instrumentos analógicos.
Tag Instrumentos Comunicación Rango de operación

FIT10 Transmisor indicador de flujo 4-20mA 0 - 80 l/min
FIT11 Transmisor indicador de flujo 4-20mA 0 - 80 l/min
LIT10 Transmisor indicador de nivel 4-20mA 0 - 255 cmH2 0
PIT11 Transmisor indicador de presión 4-20mA 0 - 16 bar
PIT20 Transmisor indicador de presión 4-20mA 0 - 255 mbar
TIT10 Transmisor indicador de temperatura 4-20mA 0 - 100 ◦ C
EV11 Válvula electroneumática 4-20mA 0 - 100 %
EV12 Válvula electroneumática 4-20mA 0 - 100 %
VFD20 Variador de frecuencia Ethernet 0 - 100 %
JC10 Control de potencia 4-20mA 0 - 100 %
2.1.2 Módulo Industrial Multipropósito para Control y Supervisión
El módulo industrial multipropósito para de control y supervisión (ver figura 2.3)

está conformado por tres PLC de marca Siemens de distintas gamas utilizadas para múlti-
ples funciones. Para el propósito de esta tesis se emplea el modelo S7-1500 Siemens.
Este equipo es un módulo educativo, donde se enseña a hacer el conexionado

de los sensores y los actuadores a las I/O de los PLC. También, se enseña a realizar el
conexionado de la arquitectura de control para saber los equipos que se desea usar.
La arquitectura utilizada para hacer esta tesis es la descrita en la figura 2.4, donde
se emplea el uso del controlador PLC S7-1500, la periferia I/O ET-200 SP, variador de
frecuencia VFD20 para accionar la bomba PUMP20 y una computadora para configurar
una topologı́a estrella entre todos los equipos con el switch como centro (ver figura 2.4).
Se tiene en cuenta que los módulos I/O del PLC S7-1500 Siemens ubicado en el
módulo industrial multipropósito para control y supervisión, solo cuentan con entradas
y salidas digitales. Por lo tanto, el uso de la periferia I/O ET-200 SP es necesario para
las señales digitales y analógicas de los sensores y actuadores necesarios a utilizar. En
los anexos, se puede encontrar las direcciones de todos los conexionados realizados y el
esquema del panel frontal del tablero de control y supervisión.
19
F IGURA 2.3: Módulo industrial multipropósito para control y supervisión.
F IGURA 2.4: Arquitectura de control de equipos empleado para el desarrollo de la tesis.
2.1.3 Interfaz de Usuario
La interfaz diseñada en esta tesis se basa en el SCADA actualmente usado para la

planta industrial multipropósito, donde se muestran los estados y valores de los sensores y
actuadores. Adicionalmente, al SCADA se le agrega la opción para aplicar control basado
en lógica difusa, ası́ como el control PID para los procesos de flujo, presión, temperatura,
nivel, ası́ como también las estrategias de control de la razón, control en cascada y control
20
descentralizado. En la figura 2.5, la interfaz muestra la respuesta de los procesos y las
estrategias de control previamente mencionadas al emplear tanto el controlador basado en
lógica difusa como el controlador basado en PID.
(a)
(b) (c)
(d) (e)
F IGURA 2.5: Diseño de la interfaz de control y supervisión. a) Pantalla principal. b) Dia-

grama de proceso para el control descentralizado. c) Pantalla de control PID. d) Pantalla
de control difuso. e) Tendencia de control de nivel y temperatura.
21
2.1.4 Procedimientos utilizados para los Controladores PID y Difuso
En las figuras 2.6 y 2.7, se muestran los pasos a seguir para la implementación de
los sistemas de control PID, ası́ como los sistemas de control difuso respectivamente. Los
pasos a seguir son los mismos para los procesos: flujo, presión, nivel, temperatura y para
las estrategias de control de la razón de flujos, control en cascada de nivel empleando flujo
y control descentralizado de nivel y temperatura.
F IGURA 2.6: Diagrama de flujo de la implementación del controlador PID.
F IGURA 2.7: Diagrama de flujo de la implementación del controlador difuso.
22
2.2 Modelado Experimental de los Procesos de la Planta Industrial Multipropósito
En la industria, la automatización de los procesos es requerida con el fin de opti-

mizar el consumo de recursos y reducir el tiempo de producción. Por ello, es necesario
utilizar el algoritmo de control más adecuado. El cálculo de parámetros de los controla-
dores suelen ser dependientes de los modelos dinámicos del proceso; sin embargo, hallar
el modelo dinámico de los procesos suele ser complejos de estimar por dos motivos.
Primero, el dimensionamiento de los equipos es difı́cil de obtener si el proceso está en
operación. Segundo, el cálculo matemático de forma manual es tedioso de realizar.
Entonces, el cálculo del modelo dinámico del proceso se realiza de forma expe-
rimental. Primero, una señal de entrada se envı́a al proceso. Segundo, el proceso debe
generar una señal de salida. Tercero, se estima el modelo dinámico a través de la relación
de la señal de salida sobre la señal de entrada. Por ejemplo, en el caso del proceso de flujo
se tiene como señal de entrada el porcentaje de la abertura de la válvula y como señal de
salida será el flujo de agua que pase por la tuberı́a. El proceso de flujo se define como:
salida f lujo(L/min)
Gf lujo = = . (2.1)
entrada abertura( %)
El modelo dinámico se calculó de forma experimental, ası́ que el uso de una herra-
mienta o método para realizar tal operación es necesario. El método utilizado para hallar
el modelo es ARMAX, el cual consiste en estimar los parámetros de un sistema utilizando
el método de predicción y los órdenes polinómicos definidos por el usuario. Además, son
ampliamente usados en la identificación de modelos dinámicos o funciones de transferen-
cia [19]. Por ello, se empleó la herramienta brindada, el software Matlab ”ident”, el cual
es una herramienta que se basa en el método identificación ARMAX. Con esta herramien-
ta se obtiene el modelo dinámico de los procesos: flujo, presión, temperatura y nivel de la
23
planta industrial multipropósito. Además, esta herramienta permite saber el porcentaje de
fiabilidad del modelo dinámico estimado vs. el real.
2.2.1 Modelado del Proceso de Flujo
La planta industrial multipropósito para control e instrumentación cuenta con dos

procesos que miden flujo de agua por la tuberı́a. El primero mide el flujo a la entrada de
agua de frı́a al tanque T-10 con un sensor FIT10, el cual es regulado por la válvula EV11.
El segundo sensor, FIT11, mide el flujo que agua que circula de la tuberı́a del tanque T-20
al T-10, el cual es controlado por el actuador PUMP20 (ver figura 2.8).
F IGURA 2.8: P&ID de la variable del proceso de flujo FIT10 y FIT11.
El modelo dinámico del proceso de flujo se representa en el dominio de Laplace

con el nombre de función de transferencia, el cual se puede encontrar en (2.2) para FIT10
y (2.3) para FIT11. La función de transferencia obtenida se verifica graficando los datos
obtenidos experimentalmente versus el resultado estimado (ver figura 2.9 y 2.10).
0.1262
Gf lujoF IT 10 = (2.2)
s + 0.1656
24
0.1341
Gf lujoF IT 11 = (2.3)
s + 0.1749
F IGURA 2.9: Modelo dinámico experimental vs. aproximado del proceso de flujo FIT10.
F IGURA 2.10: Modelo dinámico experimental vs. aproximado del proceso de flujo FIT11.
Los resultados obtenidos muestran que el proceso de flujo FIT10 tiene un porcen-
taje de fiabilidad del 94.5 %; el proceso flujo FIT11,un 92.9 %, ambas con funciones de
25
transferencia de primer orden. Además, no se considera el retraso visualizado en 2.10 en
la función de transferencia 2.3, debido a que solo sucede al inicio cuando la tuberı́a está
completamente vacı́a.
2.2.2 Modelado del Proceso de Presión
Con el objetivo de obtener el modelo dinámico del proceso de presión de agua que
pasa por la tuberı́a del tanque T-20 al T-10. Se utilizó una abertura de la válvula EV12 de
50 % solo para dejar pasar el agua, más no para usarlo como actuador. En la figura 2.11, el
P&ID muestra los elementos necesarios para la recopilación de datos. Donde el sensor de
presión es PIT11, y el actuador para este caso es la bomba PUMP20, la cual es accionada
por el variador de frecuencia VFD20 que está conectada a través de la comunicación
Ethernet (ver figura 2.4).
F IGURA 2.11: P&ID de la variable del proceso de presión PIT11.
El cálculo del proceso de presión se realizó siguiendo los mismos pasos que en
el caso del proceso de flujo, y para la estimación del modelo se utilizó la herramienta
“ident”de Matlab. Según la respuesta obtenida, el proceso de presión toma una función
de transferencia de segundo orden mostrada en (2.4), el cual presenta un porcentaje de
26
similitud de 91.72 % con respecto al modelo real. Con respecto al orden de la función de
transferencia, se basó el modelo dinámico más aproximado usando la función “ident”.
0.000.6118
Gpresion = (2.4)
s2 + 0.5007 + 0.118
Luego de obtener la función de transferencia y saber que tiene un alto valor de

confiabilidad, el comportamiento dinámico experimental versus el estimado de la presión
se compara de forma gráfica (ver figura 2.12) con respecto a la señal de entrada de fre-
cuencia de la bomba manejado de forma porcentual (0 - 100 %). No se considera el retraso
visualizado en 2.12 en la función de transferencia 2.4, debido a que solo se genera al inicio
cuando la tuberı́a está completamente vacı́a.
F IGURA 2.12: Modelo dinámico experimental vs. aproximado del proceso de presión PIT11.
2.2.3 Modelado del Proceso de Nivel
Con el fin de obtener el modelo dinámico del proceso de nivel de agua que circula
del tanque T-20 al T-10. Se usó una abertura de la válvula EV12 al 50 % solo para dejar
27
pasar el agua, no para usarla como actuador. En la figura 2.13, el P&ID muestra los ele-
mentos necesarios para la toma de datos. Donde el sensor de nivel es LIT10, y el actuador
para este caso es la bomba PUMP20, la cual es accionada por el variador de frecuencia
VFD20 conectado a través de la comunicación Ethernet (ver figura 2.4).
F IGURA 2.13: P&ID de la variable del proceso de nivel LIT10.
F IGURA 2.14: Modelo dinámico experimental vs. aproximado del proceso de nivel LIT10.
Aplicando los mismos pasos que en los casos anteriores se realizó el cálculo de
proceso de nivel y se usó la herramienta “ident”de Matlab para estimar el modelo dinámi-
co. Según la respuesta obtenida, el proceso de nivel toma una función de transferencia
28
de segundo orden mostrada en (2.5), cuyo porcentaje de similitud con el gráfico obtenido
experimentalmente es del 96.42 %. Con respecto al orden de la función de transferencia,
se basó el modelo dinámico más aproximado obtenido al usar la función “ident”.
Tras la adquisición de la función de transferencia y saber que tiene un alto valor de

fiabilidad, se compara de forma gráfica el comportamiento dinámico experimental versus
el estimado del proceso de nivel (ver figura 2.14) con respecto a la señal de entrada de
frecuencia de la bomba manejado de forma porcentual (0 - 100 %).
0.002013
Gnivel = (2.5)
s2 + 0.1824s + 0.005826
2.2.4 Modelado del Proceso de Temperatura
En el siguiente caso, el modelo dinámico del proceso de temperatura de agua en el

tanque T-10, se realiza inicialmente con una cantidad de agua constante en el tanque su-
perior. En la figura 2.15, el P&ID muestra los elementos necesarios para la toma de datos.
Donde el sensor de temperatura es TIT10, y el actuador para este caso es la resistencia, la
cual se regula a través de la comunicación 4-20 mA (ver Tabla 2.2).
F IGURA 2.15: P&ID de la variable del proceso de temperatura TIT10.
Empleando los mismos pasos que en los casos anteriores, se realizó el cálculo de
proceso de temperatura usando la herramienta “ident”de Matlab para estimar el modelo
29
dinámico, con la única excepción que el tiempo muerto de 76.9 segundos no se tomó
en cuenta para la aproximación. Según la respuesta obtenida, el proceso de temperatura
toma una función de transferencia de tercer orden mostrada en (2.6), cuyo porcentaje de
similitud con el modelo real es 99.32 %.
4.205e − 05
Gtemperatura = (2.6)
s3 + 76.93942s2 + 3.0315s + 8.405e − 03
Luego de obtener la función de transferencia y saber que tiene un alto valor de

confiabilidad, se compara de forma gráfica para ver el comportamiento dinámico expe-
rimental versus el estimado de temperatura (ver figura 2.16) con respecto a la señal de
entrada de potencia manejada de forma porcentual (0 - 100 %).
F IGURA 2.16: Modelo dinámico experimental vs. aproximado del proceso de temperatura TIT10.
30
Capı́tulo 3
CONTROL BASADO EN ALGORITMO PID
En este capı́tulo, se da una breve descripción general del algoritmo de control PID
implementado en la planta industrial multipropósito, utilizando el bloque de control PID
de Siemens. Además, se explican las estrategias de control a emplear para que puedan ser
comparadas posteriormente con el control basado en lógica difusa. Finalmente, la simula-
ción e implementación de los sistemas de control PID se realizó para los procesos: flujo,
presión, temperatura, nivel y las estrategias de control de la razón, cascada y descentrali-
zado en el controlador lógico programable (PLC), de los cuales se muestran los resultados
obtenidos gráficamente.
3.1 Algoritmo de Control PID
El controlador PID es la suma de las acciones o modos de control P (Proporcional),

I (Integral) y D (Derivativo) que se encargan de procesar la señal de error e(t) para obtener
la variable controlada (CV) como se muestra a continuación:
Z
Kc de(t)
u = Kc e(t) + e(t)dt + Kc Td = P (t) + I(t) + D(t), (3.1)
Ti dt
Donde u es la variable controlada (CV), y es la salida controlada del proceso o

variable del proceso (PV), e es la señal de error, r es la señal de referencia deseada, Kc
es la ganancia que produce estabilidad marginal cuando solo se usa la acción de control
proporcional, Ti es el tiempo integral y Td es el tiempo derivativo. En (3.1), se enfoca en
el dominio del tiempo, pero también se puede usar en el dominio de Laplace como:
U (s) Kc
Gc (s) = = Kc + + Kc Td s (3.2)
E(s) Ti .s
Para alterar la respuesta del sistema, este controlador se sintoniza con la finalidad
de conseguir el máximo rendimiento en términos de tiempo de subida, sobreimpulso,
tiempo de estabilización y error en estado estable de la respuesta de salida. Para ello, los
parámetros Kc , Ki equivalente a Kc /Ti y Kd igual a Kc .Td se sintonizan con las reglas
que se muestran a continuación:
TABLA 3.1: Variación de los parámetros de diseño: Kc , Ki o Kd [1].
Parámetros Tr PO % Ts ess
Kc Disminuye Aumenta Cambio pequeño Disminuye
Ki Disminuye Aumenta Aumenta Elimina
Kd Cambio pequeño Disminuye Disminuye Cambio pequeño
Donde Tr representa el tiempo de subida desde un punto inicial hasta la referencia

indicada, P O % es porcentaje de sobreimpulso de la respuesta, Ts es el tiempo de estabili-
zación de la variable del proceso y ess es el error en estado estable, el cual es la diferencia
entre la referencia y la variable del proceso.
3.2 Estrategias de Control PID
A lo largo de los años, el desarrollo de las industrias se ha debido al creciente uso

de controladores lógicos programables (PLC). Las industrias buscan que sus procesos se
manejen de la manera más eficiente; es decir, alcanzar la máxima productividad, máximo
beneficio, costo mı́nimo o el menor tiempo de gasto de energı́a [20]. Por lo tanto, la
intervención humana se debe mantener al mı́nimo posible, de modo que a través de los
32
controladores lógicos programables, los procesos se puedan controlar sin la necesidad de
intervención de un operario en todo el proceso de producción.
Entonces, existe la necesidad de algoritmos de control que ayuden a garantizar

que con el controlador lógico programable (PLC), se obtenga un sistema de control au-
tomático eficiente. En la industria, con el fin de obtener el mejor rendimiento, también se
aplican estrategias de control. Existen muchas aplicaciones para estos distintos métodos
de control, en los cuales se involucran el control de dos o más variables. Las estrategias
de control aplicadas en esta tesis son las siguientes:
Control de la Razón
El control de la razón se aplica para mantener la relación constante entre dos flujos.
En la industria, la aplicación de esta estrategia se realiza para mezcla o fundición de
dos o más sustancias. Por ejemplo, control de la razón de flujo de aire y combustible
en el proceso de combustión [1]. La estructura de control de la razón se observa en
la figura 3.1.
F IGURA 3.1: Diagrama de bloques del sistema de control de la razón.
33
Control Descentralizado
La estrategia de control descentralizado es donde dos procesos están relacionados

directamente, ya que la entrada de uno afecta al otro proceso. Por ejemplo, en esta
tesis se realizará el control de nivel y temperatura de un tanque (ver figura 3.2), don-
de a mayor entrada de agua afecta la temperatura del tanque; es decir, si se ingresa
agua a menor temperatura al actualmente en el tanque afecta en una reducción de
temperatura.
F IGURA 3.2: Diagrama de bloques del sistema de control descentralizado.
Control en Cascada
La estrategia de control en cascada presenta mejoras significativas en el rendimiento

del sistema de control [1]. Por ello, se requiere generar un lazo de control secundario
realimentado internamente al lazo de control principal (ver figura 3.3). En esta tesis,
el proceso principal se representa por el nivel y el proceso secundario es el de la
variable de flujo; es decir, proceso 1 es para la variable de nivel y proceso 2 es para
la variable de flujo y solo se tiene un actuador que será el variador de frecuencia
que acciona la bomba centrifuga.
34
F IGURA 3.3: Diagrama de bloques del sistema de control en cascada.
3.3 Simulación de los Sistemas de Control PID
En la industria, los sistemas industriales de control son automatizados utilizando

el algoritmo de control PID. Además, hay muchas variaciones de este algoritmo y no hay
un estándar definido. El software TIA Portal usa un bloque de control definido por el
algoritmo mostrado a continuación:
1 TD .s
y = Kp [(b.w − x) + (w − x) + (c.w − x)], (3.3)
Ti .s a.TD .s + 1
En donde y es el valor de salida del algoritmo PID, Kp es la ganancia proporcional,

s representa el operador laplaciano, b es la variable que indica el ponderado de la acción
proporcional, w es la consigna o referencia, x es la variable actualmente controlada, Ti
es el tiempo de integración, a es el coeficiente para el retardo de la acción derivada y c
es la variable para la ponderación de la acción derivativa. Además, este algoritmo es un
equivalente al PID ideal mostrado en (3.1).
La simulación de los sistemas de control PID, se emplea para el proceso de flu-

jo, presión, temperatura, nivel. Además, se utiliza la herramienta “pidtune”del software
Matlab para hallar las ganancias proporcional, integral y derivativo del controlador vi-
sualizado en la ecuación (3.3). La simulación de las estrategias de control de la razón
de flujo, control en cascada de nivel empleando flujo y control descentralizado de nivel
35
y temperatura se adjuntan en el enlace de drive en el capı́tulo de Anexos y programas
fuentes.
3.3.1 Control del Proceso Flujo
En la planta industrial multipropósito existen dos tramos para medir flujo. Prime-
ro, el flujo de agua de entrada con el sensor FIT10. Segundo, el flujo de agua bombeado
del tanque inferior al superior con el sensor FIT11. En la simulación, solo se consideró el
modelo dinámico del proceso de flujo con el sensor FIT11 hallado en (3.3). Los paráme-
tros del controlador PID utilizados para la simulación son: Kp = 4.98, b = 1.2625, Ti =
1.266, a = 0.1, TD = 0.5718 y c = 0.
F IGURA 3.4: Simulación del sistema de control PID de flujo FIT11.
La respuesta del sistema de control PID de flujo FIT11, se observa en la figura 3.4.
Donde las caracterı́sticas de la curva de salida son: 5 segundos de tiempo de estabilización,
porcentaje de sobreimpulso 0 % y 0.05 % de error de estado estable.
36
3.3.2 Control del Proceso Presión
La simulación del sistema de control de presión, se realizó usando el modelo

dinámico calculado en (2.4), donde el sensor usado es PIT11 y el actuador es la bomba
PUMP20 accionada por el variador de frecuencia VFD20. Los parámetros del controlador
PID utilizados para la simulación son: Kp = 238.63, b = 1.7535, Ti = 0.184, a = 0.1, TD =
0.8584 y c = 0.
F IGURA 3.5: Simulación del sistema de control PID de presión PIT11.
La respuesta del sistema de control PID de presión PIT11, se muestra en la fi-

gura 3.5. Donde las caracterı́sticas de la curva de salida son: 8 segundos de tiempo de
estabilización, porcentaje de sobreimpulso 0 % y 0.667 % de error de estado estable.
37
3.3.3 Control del Proceso Nivel
La simulación del sistema de control de nivel fue realizado empleando el modelo

dinámico hallado en (2.5), donde el sensor usado es LIT10 y el actuador es la bomba
PUMP20 accionada por el variador de frecuencia VFD20. Los parámetros del controlador
PID son: Kp = 1.410, b = 1.22, Ti = 1.0505, a = 0.133, TD = 1.8143 y c = 0.
F IGURA 3.6: Simulación del sistema de control PID de nivel LIT10.
La respuesta del sistema de control PID de nivel LIT10, se visualiza en la figura

3.6. Donde las caracterı́sticas de la curva de salida son: 40 segundos de tiempo de estabi-
lización, 12.5 % porcentaje de sobreimpulso promedio y 4.6 % de error de estado estable.
3.3.4 Control del Proceso Temperatura
La simulación del sistema de control de temperatura fue realizada con el modelo

dinámico estimado en (2.6), donde el sensor usado es TIT10 y el actuador es el controlador
38
de potencia JC10. Los parámetros del controlador PID son: Kp = 40.810, b = 1, Ti =
0.9505, a = 0.133, TD = 0.8143 y c = 0. Se tiene en cuenta una temperatura inicial de 20
◦
C y una señal escaón de 30 ◦ C.
F IGURA 3.7: Simulación del sistema de control PID de temperatura TIT10.
La respuesta del sistema de control PID de temperatura TIT10, se observa en la

figura 3.7. Donde las caracterı́sticas de la curva de salida son: 130 segundos de tiempo de
estabilización, porcentaje de sobreimpulso nulo y 0.28 % de error de estado estable.
3.4 Implementación de los Sistemas de Control PID
En la implementación de los sistemas de control PID de los procesos de la planta

industrial multipropósito, se usa el bloque PID Compact del software TIA Portal Siemens.
En los bloques PID, se configuran los parámetros proporcional, integral y derivativo pre-
viamente hallados en simulación. Con la finalidad de obtener la mejor respuesta con el
39
bloque controlador PID, se emplea la función de sintonización fina para los procesos: flu-
jo, presión, nivel, temperatura y las estrategias de control de la razón de flujos, control en
cascada de nivel empleando flujo y control descentralizado de nivel y temperatura.
En la planta industrial multipropósito, existen dos tramos para medir flujo. Prime-
ro, el flujo de agua de entrada con el sensor FIT10. Segundo, el flujo de agua bombeado
del tanque inferior al superior con el sensor FIT11. El lazo de control para el proceso de
flujo fue realizado con el sensor FIT11 y el actuador es la bomba PUMP20 accionada
por el variador de frecuencia VFD20, cuyo modelo dinámico fue hallado en (2.3). Los
parámetros del controlador PID empleados son los calculados a través de simulación y
sintonizados en la implementación, los cuales son: Kp = 5.7045, b = 0.2637, Ti = 3.3377,
a = 0.1, TD = 0.8417 y c = 0. La respuesta al implementar el sistema de control PID de la
variable del proceso de flujo FIT11, se observa en la figura 3.8.
Antes de indicar las caracterı́sticas de la respuesta del flujo, se debe mencionar

que no se considerará el sobreimpulso inicial, ya que el sensor no lee correctamente al
inicio hasta que detecte un flujo de agua constante en la tuberı́a verticalmente. A modo
de corrección fı́sica de la planta, se puede colocar una sección de la tuberı́a de forma
horizontal y que el flujómetro este situado en dicho punto para evitar los sobreimpulso
inicial generado por la tuberı́a vacı́a. Las caracterı́sticas de la respuesta del proceso de
flujo FIT11 con una señal de escalón de 15 l/min a 20 l/min son: 14.2 segundos de tiempo
de estabilización, 3.4 % porcentaje de sobreimpulso y error de estado estable nulo.
El lazo de control para el proceso de presión fue efectuado con el sensor PIT11 y
el actuador es la bomba PUMP20 accionada por el variador de frecuencia VFD20, cuyo
40
F IGURA 3.8: Implementación del sistema de control PID de flujo FIT11.
modelo dinámico fue hallado en (2.4). Los parámetros del controlador PID empleados
son los calculados a través de simulación y sintonizados en la implementación, los cuales
son: Kp = 238.6338, b = 0.2530, Ti = 3.3836, a = 0.1, TD = 0.8584 y c = 0. La respuesta
al implementar el sistema de control PID del proceso de presión PIT11, se visualiza en la
figura 3.9.
Las caracterı́sticas de la respuesta del proceso de presión PIT11 con una señal es-
calón de 0.35 bar a 0.5 bar son: 13.2 segundos de tiempo de estabilización, porcentaje de
sobreimpulso nulo y error de estado estable de 3.34 %. Adicionalmente, se debe mencio-
nar que la máxima de presión de agua que puede circular por la tuberı́a es de 0.55 bar
debido a las dimensiones de la tuberı́a. Por eso, cuando se toma la referencia de 0.5 bar
y sumado a que el valor de la ganancia proporcional es alto, genera las oscilaciones en la
respuesta del sistema cuando la señal de escalón es 0.5 bar.
41
F IGURA 3.9: Implementación del sistema de control PID de presión PIT11.
El lazo de control para el proceso de nivel fue realizado con el sensor LIT10 y
el actuador es la bomba PUMP20 accionado por el variador de frecuencia VFD20, cuyo
modelo dinámico fue hallado en (2.5). Los parámetros del controlador PID utilizados son
los hallados a través de simulación y sintonizados en la implementación, los cuales son:
Kp = 1.410, b = 1.22, Ti = 1.0505, a = 0.133, TD = 1.8143 y c = 0. La respuesta al
implementar el sistema de control PID del proceso de nivel LIT10, se observa en la figura
3.10.
Las caracterı́sticas de la respuesta del proceso de nivel LIT10 con una señal es-
calón de 20 cm a 30 cm son: 60 segundos de tiempo de estabilización, 20.6 % porcentaje
de sobreimpulso y 0.1 % de error de estado estable.
42
F IGURA 3.10: Implementación del sistema de control PID de nivel LIT10.
El lazo de control para el proceso de temperatura fue efectuado con el sensor

TIT10 y el actuador es el controlador de potencia JC10, cuyo modelo dinámico fue ha-
llado en (2.6). Los parámetros del controlador PID usados, son los calculados a través de
simulación y sintonizados en la implementación, los cuales son: Kp = 10.810, b = 1, Ti =
0.9505, a = 0.133, TD = 0.8143 y c = 0. La respuesta al implementar el sistema de con-
trol PID de la variable del proceso de temperatura TIT10 tiene en cuenta una temperatura
inicial del agua de 27 ◦ C y una señal escalón de 40 ◦ C, se muestra en la figura 3.11.
Las caracterı́sticas de la respuesta del proceso de temperatura TIT10 con una señal
escalón de 27 ◦ C a 40 ◦ C son: tiempo de estabilización 50 min, 25 % porcentaje de sobre-
impulso y error final varı́a entre 0 y 10 %.
43
F IGURA 3.11: Implementación del sistema de control PID de temperatura TIT10.
3.4.5 Control de la Razón de Flujos
Los lazos de control para la estrategia de control de la razón de flujos fueron di-
señados empleando los modelos dinámicos hallados en (2.2) y (2.3). Los parámetros del
controlador PID para el flujo por el sensor FIT11 son los asumidos previamente. Mien-
tras, el flujo por el sensor FIT10 se utilizan otros parámetros debido a que el actuador es
válvula EV11. Los parámetros del controlador PID usados son los calculados a través de
simulación y sintonizados en la implementación FIT10, los cuales son: Kp = 3.1371, b =
0.2625, Ti = 2.266, a = 0.1, TD = 0.5718 y c = 0. La respuesta al implementar el sistema
de control PID de la razón de flujos FIT10 y FIT11, se observa en la figura 3.12.
Las caracterı́sticas de la respuesta de la razón de flujos FIT10 y FIT11 con una

referencia de 8 l/min a 10 l/min y 16 l/min a 20 l/min respectivamente son: 12.5 y 14.1
44
F IGURA 3.12: Implementación del sistema de control PID de razón de flujos FIT10 y FIT11.
segundos de tiempo de estabilización, 15 y % 4 % de porcentaje de sobreimpulso y error

de estado estable nulo.
3.4.6 Control en Cascada del Nivel empleando Flujo
Los lazos de control para la estrategia de control en cascada de nivel empleando

flujo se realizaron con los modelos dinámicos hallados en (2.5) para el proceso de nivel
y (2.3) para el proceso de flujo. Los parámetros del controlador PID usados son los cal-
culados a través de simulaciones y sintonizados en la implementación de flujo FIT11, los
cuales son: Kp = 5.7045, b = 0.2637, Ti = 3.3377, a = 0.1, TD = 0.8417 y c = 0. Del mismo
modo, los parámetros del controlador PID de nivel LIT10 son: Kp = 1.410, b = 1.22, Ti =
1.0505, a = 0.133, TD = 1.8143 y c = 0.
45
F IGURA 3.13: Implementación del sistema de control PID en cascada de nivel LIT10 empleando
flujo FIT11.
La respuesta al implementar el sistema de control PID en cascada de nivel LIT10

empleando flujo FIT11, se observa en la figura 3.13. Las caracterı́sticas de la respuesta
con la estrategia de control en cascada, para la variable de nivel LIT10 con una referencia
de 0 cm a 25 cm, son las siguientes: 146 segundos de tiempo de estabilización, 4.5 %
porcentaje de sobreimpulso y error de estado estable nulo.
3.4.7 Control Descentralizado de Nivel y Temperatura
Los lazos de control para la estrategia de control descentralizado de nivel y tempe-

ratura se realizaron con los modelos dinámicos hallados en (2.5) para el proceso de nivel
y (2.6) para el proceso de temperatura. Los parámetros del controlador PID usados son
los calculados a través de simulaciones y sintonizados en la implementación LIT10, los
cuales son: Kp = 1.410, b = 1.22, Ti = 1.0505, a = 0.133, TD = 1.8143 y c = 0. Del mismo
46
modo, los parámetros para el control de la variable TIT10 son: Kp = 10.810, b = 1, Ti =
0.9505, a = 0.133, TD = 0.8143 y c = 0. La respuesta al implementar el sistema de control
PID descentralizado de nivel LIT10 y temperatura TIT10, se observa en la figura 3.14.
F IGURA 3.14: Implementación del sistema de control PID descentralizado de nivel LIT10 y
temperatura TIT10.
Las caracterı́sticas de la respuesta del proceso de nivel LIT10 son: 1.15 minutos de
tiempo de estabilización, 11.7 % porcentaje de sobreimpulso y 1 % de error de estado esta-
ble y para el proceso de temperatura TIT10 son: 13 minutos aproximadamente de tiempo
de estabilización, porcentaje de sobreimpulso 0 % y 12 % de error de estado estable.
47
Capı́tulo 4
CONTROL BASADO EN LÓGICA DIFUSA
En este capı́tulo, se da un breve concepto teórico sobre el algoritmo de lógica di-

fusa, los parámetros que permiten sintonizar este controlador, los tipos de control difuso
existentes y la implementación del algoritmo en la planta industrial multipropósito para
control e instrumentación y el módulo industrial multipropósito para control y supervi-
sión, configurados a través del software TIA Portal para el control de los procesos: flujo,
presión, nivel, temperatura, ası́ como a las estrategias de control de la razón, cascada y
descentralizado.
4.1 Controlador basado en Algoritmo de Lógica Difusa
El controlador difuso es un formalismo matemático usado para representar el ra-

zonamiento del experto humano. Por ello, su aplicación es realizada en sistemas expertos
y aplicaciones relacionados con inteligencia artificial [7].
El algoritmo de lógica difusa emplea reglas para procesar las variables de entrada
y generar una señal de control que actúa sobre el proceso que se requiera controlar [1].
En muchas aplicaciones para sistemas de control MISO, se suelen tener como señales de
entrada el error y derivada del error y la señal de salida es la ley de control [21].
Para la aplicación de lógica difusa en un sistema de control, se debe tener en cuenta

que es un controlador de tipo cı́clico, al igual que los controladores convencionales [1].
Los sistemas de control difuso comprenden cuatro partes fundamentales: fuzzificación,
inferencia, reglas difusas y defuzzificación [21].
4.1.1 Fuzzificación
La fuzzificación es donde la entrada del controlador se convierte en variables de

entrada de tipo difuso usando para ello las funciones de pertenencia [22]. Actualmente,
los controladores lógicos difusos utilizan distintas formas de función de pertenencia, tales
como la forma triangular, la forma trapezoidal y la forma sigmoide o campana (ver figura
4.1), en este trabajo se usa la forma trapezoidal.
F IGURA 4.1: Funciones de pertenencia [23]
Luego de definir la función de pertenencia se calcula el grado de cumplimiento

(DOF, del inglés degree of fulfillment), el cual se halla al trazar una lı́nea vertical con el
valor de la señal de entrada (ver figura 4.2).
49
F IGURA 4.2: Grado de cumplimiento (DOF) en las funciones de pertenencia de las entradas.
Considerando el caso de las señales de entrada 1 y entrada 2 son las lı́neas verti-
cales que se interceptan en los mismos puntos de la función de pertenencia de la figura
4.2.
4.1.2 Tipos de Reglas difusas: Mamdani y Takagi-Sugeno
Las reglas difusas se usan reglas heurı́sticas de la forma SI (antecedente), EN-

TONCES (consecuente), donde el antecedente y el consecuente también son valores difu-
sos, ya sean puros o resultado de operar con ellos [24]. Además, tales reglas constituyen
la clave del sistema de control difuso, ya que ellas determinan el comportamiento del sis-
tema para diferentes tipos de entradas [1]. Existen dos tipos de reglas difusas: Mamdani y
Takagi-Sugeno.
Reglas de tipo Mamdani
El formato de estas reglas es:
si x1 es A1 y x2 es A2 y ... y xn es An , entonces y es B.
En donde xi y y son variables heurı́sticas, y los Ai y B representan los valores

heurı́sticos que pueden asumir. Los sistemas que usan este tipo de reglas fueron
propuestos por Mamdani [23].
50
Cada regla difusa está conformado por uno o varios antecedentes y consecuentes.
Las ventajas del método Mamdani, es intuitivo, adaptable al lenguaje humano, por
lo tanto, resulta fácil de implementar.
Por ejemplo, tomando como referencia las siguientes reglas definidas por el razo-
namiento del experto humano:
• si x1 = n1 y x2 = n1, entonces y = n1
• si x1 = n1 y x2 = n2, entonces y = z0
• si x1 = z0 y x2 = n1, entonces y = z0
• si x1 = z0 y x2 = n2, entonces y = p1
Reglas de tipo Takagi-Sugeno
El formato de estas reglas es:
si x1 es A1 y x2 es A2 y ... y xn es An , entonces y = f (x1 , x2 , ...xn )
En donde xi son variables heurı́sticas, y los Ai representan los valores heurı́sticos

que pueden asumir, y es la variable de salida y f es la función lineal de las entradas.
Los sistemas de este tipo se les conoce como sistemas Takagi-Sugeno [23].
Estos tipos de sistemas se adaptan mejor al análisis matemático. Las ventajas que
presenta es la eficiencia computacional. Además, funciona bien con técnicas de
optimización, lineales y adaptativas.
4.1.3 Métodos de Inferencia Difusa: Mamdani y Takagi-Sugeno
La función de inferencia consiste en tomar las funciones de pertenencia prove-

nientes de la fuzzificación, y apoyado en la base de las reglas difusas para generar la
salida del sistema difuso [25]. Existen diferentes métodos de inferencia, los más comunes
son: Mamdani y Takagi-Sugeno [24].
51
Inferencia en sistemas Mamdani
Primero, evaluar el grado de cumplimiento o certeza de cada regla difusa para los
valores de las variables de entrada. Si la regla difusa que se evalúa es la n-ésima, el
grado de cumplimiento viene dado por DOF x(n).
Segundo, a partir del grado de cumplimiento, se halla la conclusión de la regla.

Asigna a cada variable de salida el conjunto difuso correspondiente modificado
por el grado especificado por DOF x(n). La función de pertenencia modificada
se expresa por las premisas de la señal de salida ypremisa(n) , donde n es la regla
evaluada. Dicho cambio se realiza mediante la implicación difusa Mamdani [23].
En la figura 4.3, se muestra la configuración básica de un sistema difuso Mamdani.
F IGURA 4.3: Sistema difuso Mamdani [24].
Por ejemplo, en la figura 4.2 se halla el grado de cumplimiento de las dos señales
de entrada y además se toman las reglas difusas Mamdani planteadas anteriormente
como ejemplo para hallar las premisas de la señal de salida a través del operador de
inferencia difusa, la cual se emplea el operador mı́nimo al aplicar la inferencia de
Mamdani.
• ypremisa(1) = min(DOF X1n1 ,DOF X2n1 )=DOF X1n1
• ypremisa(2) = min(DOF X1n1 ,DOF X2n2 )=DOF X2n2

52
• ypremisa(3) = min(DOF X1z0 ,DOF X2n1 )=DOF X1z0
• ypremisa(4) = min(DOF X1z0 ,DOF X2n2 )=DOF X2n2
F IGURA 4.4: Grados de cumplimientos (DOF) mı́nimos en la función de pertenencia de salida.
Inferencia en sistemas Takagi-Sugeno
Primero, el cálculo del antecedente de las reglas difusas es igual que en el caso de
los sistemas Mamdani; al emplear el operador de implicación elegido se obtiene el
grado de cumplimiento α para cada regla.
Segundo, el cálculo del consecuente de las reglas difusas se obtienen mediante la

combinación lineal de las señales de las entradas:
y = f (x1 , x2 , ..., xn )
En la figura 4.5, se observa la configuración básica de un sistema difuso Takagi-

Sugeno.
Por último, en un sistema difuso Takagi-Sugeno con un número de M reglas difu-

sas, la salida se obtiene a través de la media ponderada de las salidas individuales
y1 , y2 , ..., yn proporcionada por las reglas, como se muestra a continuación:
PM
i=1 αi .fi .(x1 , x2 , ..., xn )
Salida = PM (4.1)
i=1 wi
53
F IGURA 4.5: Sistema difuso Takagi-Sugeno [24].
4.1.4 Defuzzificación
En la defuzzificación se realiza la conversión de los datos que provienen de la

salida difusa de la función de inferencia a una salida numérica, mediante una ponderación
y normalización de las sentencias lógicas antecedentes [25]. Esta etapa es necesaria en los
sistemas difusos Mamdani, porque el conjunto difuso de salida para estos sistemas no es
directamente utilizable para dar una información exacta al operador o enviar el dato a un
accionador, es necesario pasar el dato difuso de salida a un valor real [23].
En la actualidad, existen distintos métodos de defuzzificación. Los principales

métodos de defuzzificación son: Centro de Máximos (COM), Suma de los Centros de
Áreas (SCOA) y Centro de Áreas (COA). Se tomó como referencia la descripción plan-
teada en [26] acerca de estos métodos:
Centro de Máximos (COM)
Los k términos heurı́sticos de la variable difusa de salida de la función de inferencia,

y sus valores máximos de pertenencia, cmaxk , tal que u(cmaxk ) = 1, 0. A los
cmaxk se les conoce como valores tı́picos de la variable.
54
La aportación de cada regla difusa al valor real yCOM es ponderada a través de la
altura αj de la j-ésima conclusión, de la siguiente forma:
P
k cmaxk .αj
yCOM = P , (4.2)
αj
Suma de los Centros de Áreas (SCOA)
A comparación del método previo, el cual no toma en cuenta las funciones de per-
tenencia de salida, este método añade tal información produciendo que incremente
el costo computacional [26].
Este método consiste en evaluar individualmente el centro de gravedad (área de

función de pertenencia cuando solo hay una sola señal de salida) de los conjuntos
difusos obtenidos en la inferencia y, a continuación, efectuar la media ponderada del
conjunto total, el que resulta de los conjuntos difusos. Si la función de pertenencia
de salida uB (y) es continua, se calcula a través de la siguiente ecuación:
R P
s
y. uB (y) · dy
ySCOA = R (4.3)
u (y) · dy
s B
Donde y es la variable de integración y S es el soporte conjunto difuso global.

Además, este es el método empleado en el trabajo de tesis, por ello, se puede sim-
plificar la ecuación 4.3 con la ecuación mostrada en 4.4 y empleando a la función
de pertenencia mostrada en 4.4.
PM
i=1 cmaxi .A(i)
yS = PM (4.4)
i=1 A(i)
En donde i representa el número de premisas halladas anteriormente, cmaxi es el

centro de la función de pertenencia de salida y A(i) representa el área de cada
función de pertenencia de salida, el área de cada trapecio se calcula con la fórmula
55
A = (basemenor + basemayor ).altura/2, en el cual se puede reemplazar la altura
con el valor DOF de cada premisa hallada.
Centro de Área (COA)
Funciona de la misma forma que el método COA con la diferencia que corrige la
superposición de áreas de las funciones de pertenencia de salida. Esto se realiza
tomando en cuenta las áreas solo una vez a diferencia del método SCOA [26]; para
ello solo se considera únicamente el área de la función de pertenencia que resulte
mayor en cada punto. Si la función de pertenencia uB (y) es continua, se halla a
través de la siguiente ecuación:
R
uB (y).y · dy
yCOA = Rs (4.5)
u (y) · dy
s B
En la figura 4.6, se explica gráficamente la estructura del controlador difuso a

emplear en esta tesis, donde la cantidad de funciones de pertenencia por cada señal de
entrada y salida son de 5, la cantidad de reglas difusas equivalentes para ello son de 25.
Como referencia, la cantidad de funciones de pertenencias utilizadas para las señales de
entrada y salida, se toma en cuenta lo mencionado en [27], donde menciona que al emplear
más de 7 funciones de pertenencia para las señales del controlador difuso, el desempeño
del controlador será es el mismo.
F IGURA 4.6: Estructura general de sistema difuso de 2 entradas, 25 reglas y una salida.
56
4.1.5 Estructuras de los Sistemas de Control Difuso
Las estructuras de los sistemas de control difuso son muy diversos, ya que se pue-
de emplear de distintas formas de control. Ya seleccionado el método de control difuso de
Mamdani, ahora se analizan las estructuran de los sistemas de control difuso. A continua-
ción, se muestra los distintos tipos de los sistemas de control PD, PI y PID difusos.
Estructura del sistema de control PD Difuso
La estructura del sistema de control PD difuso [28], [21] se basa en tomar como
señales de entrada al error y la derivada del error. Adicionalmente, se agrega ga-
nancias ponderadas para sintonizar las señales de entrada g1 y g2. De igual forma,
se emplea una ganancia h1 en la señal salida (ver figura 4.7). Las ganancias se
sintonizan para obtener el mayor desempeño de la señal de salida del sistema.
F IGURA 4.7: Estructura del sistema de control PD Difuso
Estructura del sistema de control PI Difuso
La estructura del sistema de control PI difuso [28], [21] considera como señales de
entrada al error y derivada del error. Sin embargo, a diferencia del caso anterior,
en la señal de salida hay una retroalimentación del dato anterior. Adicionalmente,
se agrega ganancias ponderadas para sintonizar las señales de entrada g1 y g2. De
igual manera, se emplea una ganancia h1 en la señal salida (ver figura 4.8). Las
ganancias se sintonizan para obtener el mayor desempeño de la señal de salida del
sistema.
57
F IGURA 4.8: Estructura del sistema de control PI Difuso
Estructura del sistema de control PID Difuso
En la aplicación del sistema de control PID difuso, se define como la suma del
sistema de control PI difuso y el sistema de control PD difuso [29], [28] para dar
como resultado el sistema de control PID difuso (ver figura 4.9). También, existe
otra forma de aplicar el controlador PID difuso y es con las señales de error y la
derivada del error como las entradas, pero en lugar de generar la señal de control
del sistema de control, se genera las ganancias proporcional, integral y derivativa
del controlador PID como señal de salida [30].
F IGURA 4.9: Estructura del sistema de control PID Difuso
4.2 Simulación de los Sistemas de Control Difuso
Debido a que los equipos fueron adquiridos recientemente, se realizaron simula-

ciones para determinar las reglas difusas, rango de las funciones de pertenencia para el
58
control lógico difuso de los procesos de flujo, presión, nivel y temperatura, cuyos mode-
los dinámicos fueron estimados previamente en el capı́tulo 2 y se emplea el sistema de
control de la figura 4.7, el cual tiene como señales de entradas el error y la derivada del
error y la señal de salida es la ley de control. También, tener en cuenta que a pesar de
emplear el uso del software Matlab, no se usa la librerı́a dedicada para el control difuso.
La simulación de las estrategias de control se adjuntan en el enlace de drive en el capı́tulo
de Anexos y programas fuentes.
En la simulación del proceso de flujo, se usa el modelo dinámico previamente

calculado en (2.3), donde el sensor es FIT11 y el actuador es el variador de frecuencia
VFD20 que acciona la bomba centrifuga. Por lo tanto, la ley de control estará relacionado
directamente al porcentaje de frecuencia de la bomba entre 0 y 100 %. Tener en cuenta
que la frecuencia máxima de la bomba es 60 Hz, el cual se entiende como el 100 %.
F IGURA 4.10: Simulación del sistema de control difuso de flujo FIT11.
59
El valor de las ganancias del controlador difuso (ver figura 4.7) son calculados a
través de la simulación, las cuales son: g1 = 5, g2 = 2 y h1 = 1. En la figura 4.10, se
utilizó una señal de escalón variable para el flujo de agua del tanque inferior al superior.
Donde las caracterı́sticas de la curva de salida para el proceso de flujo son: tiempo de
establecimiento de 7.85 segundos, porcentaje de sobreimpulso de 0 % y error en estado
estable de 0.
En la simulación del proceso de presión, se usó el modelo dinámico previamente

calculado en (2.4), donde el sensor de presión es PIT11 y el actuador es el variador de
frecuencia VFD20. Por lo tanto, la ley de control estará relacionado directamente al por-
centaje de frecuencia del variador de la bomba entre 0 y 100 %. Además, el valor de las
ganancias del controlador difuso (ver figura 4.7) son calculados a través de la simulación,
las cuales son: g1 = 2, g2 = 1 y h1 = 1.
F IGURA 4.11: Simulación del sistema de control difuso de presión PIT11.
60
En la figura 4.11, se usó una señal escalón variable para el proceso de presión
en la tuberı́a. Donde las caracterı́sticas de la curva de salida para la presión son: tiempo
de estabilización de 41 segundos, porcentaje de sobreimpulso de 0 % y error en estado
estable de 0.
En la simulación del proceso de nivel, se utilizó el modelo dinámico previamente

hallado en (2.5), donde sensor de nivel es LIT10 y el actuador es el variador de frecuencia
VFD20. Por lo tanto, la ley de control estará relacionado directamente al porcentaje de
frecuencia del variador de la bomba entre 0 y 100 %. Además, el valor de las ganancias
del controlador difuso (ver figura 4.7) son calculados a través de la simulación, las cuales
son: g1 = 2, g2 = 1 y h1 = 1.
F IGURA 4.12: Simulación del sistema de control difuso de nivel LIT10.
En la figura 4.12, se utilizó una señal escalón variable para el proceso de nivel del
tanque superior. Donde las caracterı́sticas de la curva de salida para el nivel son: tiempo
61
de estabilización de 70 segundos, porcentaje de sobreimpulso de 1 % y error en estado
estable de 0.
En la simulación del proceso de temperatura, se empleó el modelo dinámico pre-

viamente estimado en (2.6), donde sensor de temperatura es TIT10 y el actuador es el
controlador de potencia JC10. Por lo tanto, la ley de control estará relacionado directa-
mente al porcentaje de potencia en la resistencia entre 0 y 100 %. También, el valor de las
ganancias del controlador difuso (ver figura 4.7) son calculados a través de la simulación,
las cuales son: g1 = 2, g2 = 1 y h1 = 6.
F IGURA 4.13: Simulación del sistema de control difuso de temperatura TIT10.
En la figura 4.13, se empleó una señal de escalón de 20 ◦ C a 30 ◦ C. Donde las

caracterı́sticas de la curva de salida para la temperatura del tanque superior son: tiempo
de estabilización de 100 minutos, porcentaje de sobreimpulso de 0 % y error en estado
estable de 0.
62
4.3 Implementación de los Sistemas de Control Difuso
La implementación de los procesos de la planta industrial multipropósito, se realizó

tomando como base el diagrama de sistema de control PD difuso (ver figura 4.7). Las
ganancias de las señales de entradas y salida se utilizan para sintonizar el sistema sin ne-
cesidad de alterar los rangos de las funciones de pertenencia de las entradas y salidas [21].
Otra forma de sintonizar el controlador difuso es a través de las reglas difusas asignadas.
A continuación, se muestran los resultados al implementar el bloque de control difuso
para los procesos flujo, presión, nivel y temperatura. También, se implementan para las
estrategias de control de la razón de flujos, control en cascada de nivel empleando flujo y
control descentralizado de temperatura y nivel.
El lazo de control para el proceso de flujo fue realizado con el sensor FIT11 y
el actuador es la bomba PUMP20 accionado por el variador de frecuencia VFD20, cuyo
modelo dinámico fue estimado en (2.3). El valor de las ganancias del controlador difuso
(ver figura 4.7) son calculadas a través de simulación y sintonizados en la implementación,
los cuales son: g1 = 1, g2 = 0.5 y h1 = 0.45. Además, las reglas difusas asumidas para
este proceso se observan en la Tabla 4.1, las cuales también se estimaron basándose en la
simulación previamente realizada y las funciones de pertenencia para las señales de las
entradas y salida se muestran en la figura 4.14.
TABLA 4.1: Reglas difusas empleadas para el control del proceso de flujo FIT11.
de/dt
n2 n1 z0 p1 p2
n2 n3 n2 n2 n1 z0
n1 n2 n2 n1 z0 p1
e(t) z0 n2 n1 z0 z0 z0
p1 n1 z0 p1 p2 p2
p2 z0 p1 p2 p3 p3
63
F IGURA 4.14: Funciones de pertenencia de entrada y salida para el proceso de flujo FIT11.
F IGURA 4.15: Implementación del sistema de control difuso de flujo FIT11.
64
La respuesta obtenida tras implementar el sistema de control difuso de flujo es vi-
sualizado en la figura 4.15. Las caracterı́sticas del sistema de control difuso implementado
del proceso de flujo FIT11 con una señal escalón de 15 l/min a 20 l/min son: tiempo de
estabilización de 22.5 segundos, porcentaje de sobreimpulso de 6.2 % y error en estado
estable nulo.
El lazo de control para el proceso de presión fue realizado con el sensor PIT11 y el
actuador es la bomba PUMP20 accionada por el variador de frecuencia VFD20, cuyo mo-
delo dinámico fue hallado en (2.4). Las ganancias del controlador basado en lógica difusa
utilizadas son los calculados a través de la simulación y sintonizados en la implementa-
ción, los cuales son: g1 = 1, g2 = 1 y h1 = 1. Además, las reglas difusas asumidas para
este proceso se observan en la Tabla 4.2 y las funciones de pertenencia para las entradas
y salida se muestran en la figura 4.16.
F IGURA 4.16: Funciones de pertenencia de entrada y salida para el proceso de presión PIT11.
65
F IGURA 4.17: Implementación del sistema de control difuso de presión PIT11.
La respuesta al implementar el sistema de control difuso de presión, se observa en

la figura 4.15. Las caracterı́sticas de la respuesta del proceso de presión PIT11 con una
referencia de 0.35 bar a 0.5 bar son: tiempo de estabilización de 23 segundos, porcentaje
de sobreimpulso nulo y error en estado estable de 1 %.
TABLA 4.2: Reglas difusas empleadas para el control del proceso de presión PIT11.
de/dt
n2 n1 z0 p1 p2
n2 n3 n2 n1 n1 z0
n1 n2 n1 n1 z0 p1
e(t) z0 n1 n1 z0 p1 p2
p1 n1 z0 p1 p2 p2
p2 z0 p1 p2 p2 p3
66
El lazo de control para el proceso de nivel fue realizado con el sensor LIT10 y
el actuador es la bomba PUMP20 accionada por el variador de frecuencia VFD20, cuyo
modelo dinámico fue calculado en (2.5). Las ganancias del controlador basado en lógica
difusa utilizadas son los calculados a través de la simulación y sintonizados en la imple-
mentación, los cuales son: g1 = 1, g2 = 1 y h1 = 1.8. Además, las reglas difusas asumidas
para este proceso se observan en la Tabla 4.3 y las funciones de pertenencia para las en-
tradas y salida se muestran en la figura 4.18.
F IGURA 4.18: Funciones de pertenencia de entrada y salida para el proceso de nivel LIT10.
La respuesta experimental del sistema de control difuso de nivel se observa en la

figura 4.19. Las caracterı́sticas de la respuesta del proceso de nivel LIT10 con una señal
escalón de 20 cm a 30 cm son: Las caracterı́sticas de la curva de salida son: tiempo de
estabilización de 41 segundos, porcentaje de sobreimpulso 1.7 % y error en estado estable
1.5 %.
67
TABLA 4.3: Reglas difusas empleadas para el control del proceso de nivel LIT10.
de/dt
n2 n1 z0 p1 p2
n2 n3 n2 n2 n1 z0
n1 n2 n2 n1 z0 p1
e(t) z0 n1 n1 p1 p1 p1
p1 n1 z0 p1 p2 p2
p2 z0 p1 p3 p2 p3
F IGURA 4.19: Implementación del sistema de control difuso de nivel LIT10.
El lazo de control para el proceso de temperatura fue realizado con el sensor TIT10
y el actuador es el controlador de potencia JC10, cuyo modelo dinámico fue hallado en
(2.6). La señal de referencia que va de 27 ◦ C a 40 ◦ C. Las ganancias del controlador basado
en lógica difusa utilizadas son los calculados a través de la simulación y sintonizados en
la implementación, los cuales son: g1 = 1, g2 = 1 y h1 = 3.5. Además, las reglas difusas
68
asumidas para este proceso se observan en la Tabla 4.4 y las funciones de pertenencia para
las entradas y salida se muestran en la figura 4.20.
F IGURA 4.20: Funciones de pertenencia de entrada y salida para el proceso de temperatura

TIT10.
TABLA 4.4: Reglas difusas empleadas para el control del proceso de temperatura TIT10.
de/dt
n2 n1 z0 p1 p2
n2 n3 n2 n2 n1 z0
n1 n2 n2 n1 z0 p1
e(t) z0 n1 n1 n1 p1 p1
p1 n2 n1 z0 p1 p1
p2 z0 p1 p1 p2 p3
La respuesta al implementar el sistema de control difuso de temperatura, se ob-

serva en la figura 4.21. Las caracterı́sticas de la respuesta del proceso de temperatura
TIT10 con una referencia de 27 ◦ C a 40 ◦ C son: tiempo de estabilización de 40 minutos,
porcentaje de sobreimpulso 16.2 % y error en estado estable 0.7 %.
69
F IGURA 4.21: Implementación del sistema de control difuso de temperatura TIT10.
4.3.5 Control de la Razón de Flujos
Los lazos de control para la estrategia de control de la razón de flujos es efectuado

empleando los modelos dinámicos hallados en (2.2) y (2.3). Además, la señal de referen-
cia variable para el proceso de flujo FIT10 y al tener una razón de 0.8 la referencia del
flujo de FIT11 serı́a equivalente a la referencia de FIT10 multiplicado por la razón. Al
implementar la estrategia de control de la razón de flujos, se asume como referencia el
diagrama del sistema de control de la figura 4.22. Las ganancias del controlador difuso
utilizado son calculadas a través de la simulación y sintonizados en la implementación,
los cuales son: g1 = 1, g2 = 1, h1 = 1.2, g3 = 1, g4 = 0.5 y h2 = 0.45. Además, las reglas
difusas asumidas para este proceso se observan en la Tabla 4.5 y las funciones de perte-
nencia para las entradas y salida se muestran en la figura 4.23 y en el caso del proceso de
flujo FIT11 son las asumidas anteriormente.
70
F IGURA 4.22: Sistema de control difuso de la razón de flujos.
F IGURA 4.23: Funciones de pertenencia de entrada y salida para el proceso de flujo FIT10.
La respuesta al implementar la estrategia de control difuso de la razón de flujos, se

observa en la figura 4.24. Las caracterı́sticas de la respuesta de la razón de flujos FIT10 y
FIT11 con una señal escalón de 8 l/min a 10 l/min y 16 l/min a 20 l/min respectivamente
son: tiempo de estabilización de 18.4 y 22.5 segundos, porcentaje de sobreimpulso de
71
TABLA 4.5: Reglas difusas empleadas para el control del proceso de flujo FIT10.
de/dt
n2 n1 z0 p1 p2
n2 n3 n2 n2 n1 z0
n1 n3 n2 n1 z0 p1
e(t) z0 n2 n1 z0 p1 p2
p1 n1 z0 p1 p2 p2
p2 z0 p1 p2 p2 p3
F IGURA 4.24: Implementación del sistema de control difuso de la razón de flujos FIT10 y FIT11.
25.2 % y 2 %, error en estado estable de 5 % y 0 %.
4.3.6 Control en Cascada del Nivel empleando Flujo
La estrategia de control en cascada del proceso de nivel (2.5) en el tanque superior

con el uso del sensor de nivel LIT10 empleando el proceso de flujo (2.3) de agua bombea-
do por el tanque inferior se utilizó el sensor de flujo FIT11, donde el único actuador es el
72
variador de frecuencia VFD20. En la implementación de la estrategia de control en casca-
da de nivel LIT10 usando flujo FIT11, se toma como referencia el diagrama del sistema
de control de la figura 4.26. Los valores de las ganancias con las cuales se implementó
son: g1 = 1.2, g2 = 1, h1 = 3.2, g3 = 1.2, g4 = 0.5 y h2 = 0.8. Para los procesos de flujo y
nivel se emplearon las funciones de pertenencia 4.14 y 4.18 y para las reglas difusas 4.1 y
4.3 respectivamente.
F IGURA 4.25: Implementación del sistema de control difuso en cascada de nivel LIT10 emplean-
do flujo FIT11.
La respuesta al implementar la estrategia de control difuso en cascada de nivel

LIT10 empleando flujo FIT11, se muestra en la figura 4.25. Las caracterı́sticas de la res-
puesta del proceso de nivel LIT10 del control en cascada con una variación de la referencia
de 0 cm a 25 cm son: tiempo de estabilización de 100 segundos, porcentaje de sobreim-
pulso de 0 % y error en estado estable de 10 %.
73
F IGURA 4.26: Sistema de control difuso en cascada de nivel empleando flujo
4.3.7 Control Descentralizado de Nivel y Temperatura
La estrategia de control descentralizado del proceso de nivel (2.5) empleando el

sensor LIT10 y para el proceso de temperatura (2.6) se usa el sensor TIT10 y los actua-
dores son el variador de frecuencia VFD20 y el controlador de potencia JC10 respecti-
vamente. Al momento de implementar la estrategia de control descentralizado de nivel
LIT10 y temperatura TIT10, se toma como referencia el diagrama del sistema de control
de la figura 4.27. Los valores de las ganancias con las cuales se implementó son: g1 = 1,
g2 = 1, h1 = 1.8, g3 = 1.2, g4 = 1 y h2 = 4.2. Para los procesos de nivel y temperatura
se utilizaron las funciones de pertenencia 4.18 y 4.20 y para las reglas difusas 4.3 y 4.4
respectivamente.
F IGURA 4.27: Sistema de control difuso descentralizado de nivel y temperatura.
La respuesta experimental de la estrategia de control descentralizado difuso de

nivel LIT10 y temperatura TIT10, se observa en la figura 4.28. Donde las caracterı́sticas de
74
F IGURA 4.28: Implementación del sistema de control difuso descentralizado de nivel LIT10 y
temperatura TIT10.
la respuesta del proceso de nivel LIT10 son: 0.8 minutos de tiempo de estabilización, 0 %
porcentaje de sobreimpulso y 2 % de error de estado estable y para temperatura TIT10 son:
10 minutos aproximadamente de tiempo de estabilización, porcentaje de sobreimpulso
nulo y 4 % de error de estado estable.
75
Capı́tulo 5
COMPARACIÓN DE RESULTADOS
En este capı́tulo, se compara los resultados obtenidos de la implementación de

los sistemas de control PID visto en el capı́tulo 3; los sistemas de control difuso, en el
capı́tulo 4 y se discute el rendimiento obtenido en cada proceso y estrategia de control
implementado. En la industria, para comparar el desempeño de las respuestas de los siste-
mas controlados se observa las especificaciones de diseño: tiempo de estabilización (Ts ),
el porcentaje de sobreimpulso ( %OS) y el error en estado estable (ess ).
5.1 Proceso de Flujo
Los resultados obtenidos (ver Tabla 5.1) muestran que para el control del proceso
de flujo FIT11, el control PID presenta un mayor rendimiento que el control difuso. En la
figura 5.1, se observa la respuesta del proceso de flujo FIT11 aplicando el controlador PID
y controlador difuso con una señal escalón de 15 - 20 l/min. En este rango, el controlador
PID tiene un tiempo de estabilización 14.2 segundos y 3.4 % de porcentaje de sobreim-
pulso a comparación del controlador difuso con un valor de 22.5 segundos de tiempo
de establecimiento y 6.2 % de porcentaje de sobreimpulso; es decir, para este proceso el
controlador PID resulta ser la mejor alternativa.
TABLA 5.1: Sistema de control PID vs. difuso del proceso de flujo.
Controlador Referencia Ts ess PO %

12 - 15 l/min 13 seg 0 2%
PID
15 - 20 l/min 14.2 seg 0 3.4 %
12 - 15 l/min 20.5 seg 0 11 %
Difuso
15 - 20 l/min 22.5 seg 0 6.2 %
F IGURA 5.1: Sistema de control PID vs. difuso del proceso de flujo FIT11.
5.2 Proceso de Presión
En el caso del proceso de presión PIT11, los resultados muestran (ver Tabla 5.2)
que el tiempo de estabilización y el error en estado estable resulta menor al aplicar el
control PID a diferencia del control difuso. En la figura 5.2, se observa la respuesta del
sistema de control de presión PIT11 aplicando PID y difuso para una señal escalón de
0.2 - 0.35 bar. Para el caso del controlador PID el tiempo de estabilización es 13.22 se-
gundos y el error en estado estable es 2.67 % y para el controlador difuso es 23 segundos
y 2 % respectivamente. Tener en cuenta que al aplicar el control PID mostró ciertas per-
turbaciones en su respuesta al alcanzar el valor de 0.5 bar, esto se debe a que se genera
perturbaciones al alcanzar el valor máximo de presión soportado en la tuberı́a de la planta
multipropósito.
77
F IGURA 5.2: Sistema de control PID vs. difuso del proceso de presión PIT11.
TABLA 5.2: Sistema de control PID vs. difuso del proceso de presión.

0 - 0.2 bar 13.8 seg 0.1 % 0%
0.2 - 0.35 bar 12 seg 2.67 % 0%
PID
0.35 - 0.5 bar 13.2 seg 3.34 % 0%
0.5 - 0.2 bar 13 seg 1.25 % 0%
0 - 0.2 bar 35 seg 1.6 % 0%
0.2 - 0.35 bar 21.6 seg 2% 0%
Difuso
0.35 - 0.5 bar 23 seg 1% 0%
0.5 - 0.2 bar 22.6 seg 0.5 % 0%
5.3 Proceso de Nivel
Los resultados obtenidos del control del proceso de nivel LIT10 (ver Tabla 5.3)
muestran un menor tiempo en estado estable y porcentaje de sobreimpulso al aplicar el
control difuso a diferencia del control PID. En la figura 5.3, se observa la respuesta del
sistema de control difuso y PID al variar la señal escalón de 20 - 30 cm. Para el contro-
lador difuso el tiempo de estabilización es 40 segundos, error en estado estable de 1 % y
78
porcentaje de sobreimpulso es 2 % y en el caso del controlador PID resulta 60 segundos,
0.1 % y 20.6 % respectivamente.
TABLA 5.3: Sistema de control PID vs. difuso del proceso de nivel.

0 - 20 cm 72 seg 0.1 % 10.9 %
PID
20 - 30 cm 60 seg 0.1 % 20.6 %
0 - 20 cm 49.8 seg 1 % 1.8 %
Difuso
20 - 30 cm 41 seg 0.5 % 1.7 %
F IGURA 5.3: Sistema de control PID vs. difuso del proceso de nivel LIT10.
5.4 Proceso de Temperatura
En el caso del proceso de temperatura, se obtuvo una mejor respuesta aplicando

el algoritmo de control difuso a diferencia del algoritmo de control PID (ver Tabla 5.4).
En la figura 5.4, se observa la respuesta del sistema de control PID y difuso con una señal
escalón de 27 - 40 ◦ C. Sin embargo, los resultados aplicando PID muestran una señal con
79
tiempo de estabilización de 50 minutos a más, error en estado estable 10 % y porcentaje
de sobreimpulso de 27 %. A comparación del sistema de control difuso, el cual tiene
un tiempo de estabilización de 40 minutos, error en estado estable de 1 % y porcentaje
de sobreimpulso de 17.5 %. Además, en la figura 4.21 muestra que al aplicar el control
difuso la señal de control cambia bastante en un periodo de tiempo corto.
TABLA 5.4: Sistema de control PID vs. difuso del proceso de temperatura.

◦
PID 27 - 40 C 50 min 0 - 10 % 25 %
Difuso 27 - 40 ◦ C 40 min 0.7 % 16.2 %
F IGURA 5.4: Sistema de control PID vs. difuso del proceso de temperatura TIT10.
5.5 Estrategia de Control de la Razón de Flujos
Para la aplicación de la estrategia de control de la razón de flujos, los resultados

obtenidos muestran mejor precisión en el flujo FIT10 al aplicar PID (ver figura 5.5). La
respuesta es más rápida tanto para el caso del flujo FIT10 y el flujo en FIT11 (ver Tabla
80
5.5). Los resultados obtenidos en la figura 5.5 muestran un menor tiempo de estabilización
para el controlador PID a diferencia del controlador difuso.
TABLA 5.5: Sistema de control PID vs. difuso de la razón de flujos.
Controlador Proceso Referencia Ts ess P O %

FIT10 8 - 10 l/min 12.5 seg 0 15 %
PID
FIT11 16 - 20 l/min 14.1 seg 0 4%
FIT10 8 - 10 l/min 18.4 seg 5 % 25.2 %
Difuso
FIT11 16 - 20 l/min 22.5 seg 0 2%
F IGURA 5.5: Sistema de control PID vs. difuso de la razón de flujos FIT10 y FIT11.
5.6 Estrategia de Control en Cascada de Nivel empleando Flujo
En los resultados obtenidos al aplicar la estrategia de control en cascada (ver Tabla

5.6), se observa una respuesta más estable al aplicar el controlador PID en el error en
estado estable al compararlo con el controlador difuso. El control del proceso de nivel
LIT10 es el más importante al aplicar la estrategia de control en cascada. En la figura
81
5.6, cuya señal escalón de 0 - 25 cm, se observa un tiempo de establecimiento de 100
segundos y un error en estado estable de +/- 10 % al aplicar el control difuso y un tiempo
de establecimiento de 146 segundos y porcentaje de sobreimpulo de 4.5 % para el control
PID. En esta tesis, se asume el error en estado estable como la especificación de diseño
más relevante, ası́ que el mejor controlador es PID.
TABLA 5.6: Sistema de control PID vs. difuso en cascada de nivel empleando flujo.
Controlador Referencia Ts ess P O %

PID 0 - 25 cm 146 seg 0 % 4.5 %
Difuso 0 - 25 cm 100 seg 10 % 0%
F IGURA 5.6: Sistema de control PID vs. difuso en cascada de nivel LIT10 empleando flujo FIT11.
5.7 Estrategia de Control Descentralizado de Nivel y Temperatura
Los resultados del sistema de control descentralizado de nivel y temperatura (ver

Tabla 5.7) muestran un tiempo de estabilización y menor error en estado en estable al apli-
car el control difuso a comparación del control PID. En la figura 5.7, se observa el control
de temperatura con una menor variación del valor final al aplicar el controlador difuso
82
con un error en estado estable de 4 % a comparación del PID con un 12 % y el tiempo en
estado estable es de 10 minutos y 13 minutos respectivamente. En el caso del proceso de
nivel LIT10, el controlador difuso presenta menor resultado en términos de tiempo de es-
tabilización de 0.8 minutos y porcentaje de sobreimpulso de 0 % a diferencia del PID con
un tiempo de establecimiento de 1.15 minutos y porcentaje de sobreimpulso de 11.7 %.
Por otro lado, la señal de control resulta más variable para el caso de controlador difuso,
ya que requiere regular con mayor presición la respuesta del sistema (ver figura 4.28), a
diferencia del controlador PID (ver figura 3.14).
TABLA 5.7: Sistema de control PID vs. difuso descentralizado de temperatura y nivel.
Controlador Proceso Referencia Ts ess PO %

◦
Temperatura 20 - 30 C 13 min 12 % 0%
PID
Nivel 0 - 20 cm 1.15 min 1 % 11.7 %
Temperatura 20 - 30 ◦ C 10 min 4% 0%
Difuso
Nivel 0 - 20 cm 0.8 min 2 % 0%
F IGURA 5.7: Sistema de control PID vs. difuso descentralizado de nivel LIT10 y temperatura
TIT10.
83
Capı́tulo 6
CONCLUSIONES
El desarrollo de esta tesis, se centra en el diseño e implementación de los bloques

controladores basado en lógica difusa para el control de los procesos flujo, presión, tem-
peratura y nivel de la planta multipropósito, ası́ como para las estrategias control de la
razón, control en cascada y control descentralizado. Por ello, primero se hallaron los mo-
delos dinámicos de todos los procesos previamente mencionados. Los modelos dinámicos
se determinaron a través de datos experimentales con porcentajes de estimaciones o simi-
litud mayores al 90 %.
Empleando los modelos dinámicos de los procesos previamente determinados, se

procedió a simular los sistemas de control PID y difuso. En el caso del algoritmo de
control PID, se hallaron los valores de las ganancias proporcional, integral y derivativa
requeridas para su implementación en el PLC. La simulación del sistema de control difuso
corroboró el diseño del controlador, principalmente las reglas de control y los rangos de
las funciones de pertenencia, los cuales posteriormente se implementaron el PLC S7-1500
Siemens usando el lenguaje estructurado para elaborar el algoritmo de control.
Los resultados experimentales obtenidos muestran que las salidas de los proce-
sos se estabilizan en sus respectivas señales de referencia. Sin embargo, en el caso de la
temperatura, la respuesta presenta sobreimpulsos altos correspondientes a inercia de las
resistencias en el tanque. Además, en el caso del proceso presión, la respuesta se estabili-
za con respecto a la señal de referencia, pero con la presencia de algunos sobreimpulsos
de corta duración. En el caso de control en cascada del nivel empleando el flujo, la res-
puesta del sistema oscila con un porcentaje de aproximadamente +/- 10 % con respecto a
la magnitud de la señal deseada.
Al comparar los resultados obtenidos con los dos algoritmos de control, tanto PID
como difuso, se puede concluir lo siguiente. En el proceso de flujo, la respuesta obtenida
con el controlador PID presenta un tiempo de estabilización promedio de 13.6 segundos
y porcentaje de sobreimpulso promedio de 2.7 %, los cuales son menores, a comparación
de los 21.5 segundos y 8.6 % obtenidos al aplicar el controlador difuso respectivamente.
En el proceso de presión, el controlador PID presenta un mejor desempeño en términos de
tiempo de establecimiento promedio de 13.8 segundos y error en estado estable promedio
de 1.84 %, a diferencia del controlador difuso con tiempo de establecimiento promedio
de 25.55 segundos y error en estado estable promedio de 1.3 %. Sin embargo, el contro-
lador difuso presento un mejor desempeño en los procesos restantes. En el proceso del
nivel, la respuesta obtenida con el controlador difuso presenta un tiempo de estabilización
promedio de 45.4 segundos y porcentaje de sobreimpulso promedio de 1.75 %, los cuales
son menores, a diferencia de los 66 segundos y 15.8 % obtenidos con el controlador PID
respectivamente. En el proceso de temperatura, la respuesta obtenida con el controlador
difuso presenta un tiempo de estabilización de 40 minutos y porcentaje de sobreimpulso
de 16.2 %, los cuales son menores, a diferencia de los 50 minutos y 25 % obtenidos con
el controlador PID respectivamente.
En la implementación de la estrategia de control PID de la razón de flujos, el

tiempo de establecimiento promedio fue de 13.3 segundos a comparación del sistema de
control difuso de la razón con tiempo de establecimiento promedio de 20.5 segundos. Por
otro lado, en la estrategia de control en cascada del nivel empleando el flujo, se muestra
un tiempo de establecimiento de 146 y porcentaje de sobreimpulso de 4.5 % empleando
el controlador PID; sin embargo, la respuesta se estabiliza en la referencia con un error
en estado estable menor al obtenido con el control difuso, el cual tiene un tiempo de esta-
blecimiento de 100 segundos, pero no se estabiliza la señal con un error en estado estable
de 10 %. En la estrategia de control descentralizado de la temperatura y del nivel, los re-
sultados obtenidos basándose en el proceso de nivel son: tiempo de establecimiento 1.15
minutos y 0.8 minutos, error en estado estable de 1 % y 2 %, porcentaje de sobreimpulso
85
de 11.7 % y 0 % al aplicar control PID y difuso respectivamente. Del mismo modo, los
resultados obtenidos en relación con el proceso de temperatura son: tiempo de estable-
cimiento 13 minutos y 10 minutos, error en estado estable de 12 % y 4 %, porcentaje de
sobreimpulso de 0 % al aplicar control PID y difuso respectivamente.
6.1 Recomendaciones
En la aplicación de sistemas de control de procesos, cuyos modelos dinámicos

de complejo cálculo matemático, es recomendable usar el controlador difuso. Siempre y
cuando las reglas difusas se calculan por un personal experto en el proceso.
Considerar que al realizar la simulación, el comportamiento de la señal de control

del actuador se debe encontrar dentro de los rangos admisibles en el equipo fı́sico de la
planta industrial multipropósito. En el caso de este trabajo los rangos varı́an de 0 a 100 %.
Durante la implementación, se aplicó el control difuso con funciones de pertenen-

cia triangular, los cuales no son suficientes para la obtención de la respuesta deseada del
sistema.
6.2 Trabajos Futuros
En este trabajo solo se empleó de funciones de pertenencia de forma trapezoidal,

pero para futuros trabajos se puede comparar el desempeño de los sistemas al emplear
el tipo trapezoidal y el tipo sigmoide. Además de evaluar las respuestas al cambiar la
cantidad de funciones de pertenencia de las señales de entrada del controlador difuso.
Otro alcance futuro a realizar es que el controlador basado en lógica difusa se em-
plee en conjunto con otros controladores; por ejemplo, el controlador PID combinado con
el lógico difuso o el controlador difuso con la inteligencia artificial por redes neuronales.
86
REFERENCIAS BIBLIOGRÁFICAS
[1] A. Rojas, Control de procesos práctivo y avanzado, 1st ed., EDUNI, Ed. Lima,Perú,
2012.
[2] F. Chabni, R. TALEB, A. Benbouali, and M. Amin, “The application of fuzzy control
in water tank level using arduino,” International Journal of Advanced Computer
Science and Applications, vol. 7, 04 2016.
[3] E. D. Mañay, M. D. Chiliquinga, J. E. Iza, H. E. Yanchatipan, and P. Salazar, “Diseño

por simulación de un control fuzzy y mpc para un proceso de nivel,” in Ciencia
Latina Revista Cientı́fica Multidisciplinar, ser. 1, vol. 6, 2022, pp. 1951–1970.
[4] Z. Aydogmus, “Implementation of a fuzzy-based level control using SCADA,” Ex-

pert Systems with Applications, vol. 36, no. 3, pp. 6593–6597, apr 2009.
[5] Zhang Hua, Cai Zhenjiang, and Li Yan, “Fuzzy control strategies for temperature of
hot-water based on plc system,” in 2010 2nd International Conference on Industrial
and Information Systems, vol. 1, July 2010, pp. 57–60.
[6] C. L. Cuevas, “Diseño e implementación de bloques de control de orden fraccionario

para una planta multipropósito industrial,” in Repositorio Institucional UTEC, 2020.
[7] I. G. Pérez, A. J. C. Godoy, and M. C. Godoy, “Fuzzy controller based on plc s7-
1200: Application to a servomotor,” in 2014 11th International Conference on In-
formatics in Control, Automation and Robotics (ICINCO), vol. 01, Sep. 2014, pp.
156–163.
87
[8] S. Tomas, K. Michal, and K. Alena, “Fuzzy control of robotic arm implemented
in plc,” in 2013 IEEE 9th International Conference on Computational Cybernetics
(ICCC), July 2013, pp. 45–49.
[9] B. Bo, L. Chuang, and C. Meng, “Based on plc fuzzy control algorithm in the appli-
cation of level control,” in 2016 International Symposium on Computer, Consumer
and Control (IS3C), July 2016, pp. 698–701.
[10] S. Ansari, A. Soomro, and S. Karim, “Plc based fuzzy controlled ethanol-water se-
paration system,” Journal of Engineering and Applied Sciences, vol. 13, pp. 5266–
5275, 08 2018.
[11] Y. Song, Z. Bi, and K. Liu, “The plc system of egg powder treatment based on
fuzzy control algorithm,” in Fourth International Conference on Fuzzy Systems and
Knowledge Discovery (FSKD 2007), vol. 4, Aug 2007, pp. 530–534.
[12] X. Peng, L. Xiao, Z. Mo, and G. Liu, “The variable frequency and speed regulation
constant pressure water supply system based on plc and fuzzy control,” in 2009
International Conference on Measuring Technology and Mechatronics Automation,
vol. 1, April 2009, pp. 910–913.
[13] M. S. Aftab and M. B. Kadri, “Design of fuzzy logic based level controller for surge
tank system,” in 2013 3rd IEEE International Conference on Computer, Control and
Communication (IC4), Sep. 2013, pp. 1–4.
[14] A. K. Gaurav and A. Kaur, “Comparison between conventional pid and fuzzy lo-
gic controller for liquid flow control: Performance evaluation of fuzzy logic and pid
controller by using matlab/simulink,” International Journal of Innovative Techno-
logy and Exploring Engineering (IJITEE), vol. 1, no. 1, pp. 84–88, 2012.
[15] Y. Yang and H. Bian, “Design and realization of fuzzy self-tuning pid water tempe-
rature controller based on plc,” in 2012 4th International Conference on Intelligent
Human-Machine Systems and Cybernetics, vol. 2, Aug 2012, pp. 3–6.
88
[16] H. Guo, C. Fu, and S. Gan, “A fuzzy neural network algorithm applied to s7-200
plc,” in 2011 Eighth International Conference on Fuzzy Systems and Knowledge
Discovery (FSKD), vol. 1, July 2011, pp. 480–484.
[17] P. Leon, H. Lara, D. Aguilar, C. Vega, D. Sotomayor, and N. Espinosa, “Fuzzy con-
troller developed in a plc, based on weighted average method,” in 2015 CHILEAN
Conference on Electrical, Electronics Engineering, Information and Communica-
tion Technologies (CHILECON). IEEE, 2015, pp. 55–60.
[18] H. Li and L. Yang, “The application of fuzzy control in plc temperature control sys-
tem based on opc technology,” in 2014 Seventh International Symposium on Compu-
tational Intelligence and Design, vol. 2, Dec 2014, pp. 288–291.
[19] R. Diversi, R. Guidorzi, and U. Soverini, “Identification of armax models

with noisy input and output,” IFAC Proceedings Volumes, vol. 44, no. 1,
pp. 13 121–13 126, 2011, 18th IFAC World Congress. [Online]. Available:
https://www.sciencedirect.com/science/article/pii/S1474667016457289
[20] K. Ogata, Sistemas de control en tiempo discreto, 2nd ed., P. H. HISPANOAMERI-

CANA, Ed. México, 1995.
[21] K. Passino and S. Yurkovich, Fuzzy Control, A.-W. Longman, Ed. Columbus, Ohio,
1997.
[22] Siemens, SIMATIC S7 Fuzzy Control, 1996.
[23] J. Quevedo, Diseño de un controlador difuso para la estabilización de flujos de

retorno y de salida en un circuito de molienda de cemento. Universidad Politécnica
Salesiana Ecuador, 2016.
[24] R. Pérez, “Sistemas de inferencia basados en lógica borrosa: Fundamentos y caso

de estudio,” in Revista de Investigación de sistemas e Informática, vol. 7, 2010, pp.
91–104.
89
[25] N. Fernandez, L. Carbajal, and E. Colina, “Sistema difuso tipo mamdani para la
determinación genérica de la calidad del agua,” in Revista de la Facultad de Ciencias
Básicas, ser. 1, vol. 8. Universidad de Pamplona Colombia, 2010.
[26] F. M. Alvarez, “Diseño sistemático de controladores difusos usando razonamiento

inductivo.” Ph.D. dissertation, Universidad Politécnica de Cataluña, 2007.
[27] J. De la Cruz and M. Loya, “Diseño de un control difuso tipo mamdani para regular
la temperatura de una acuario tipo tropical,” Revista del Diseño Innovativo, vol. 3,
no. 8, pp. 1–9, sep 2019.
[28] P. Pivonka, “Comparative analysis of fuzzy pi/pd/pid controller based on classical

pid controller approach,” in 2002 IEEE World Congress on Computational Inte-
lligence. 2002 IEEE International Conference on Fuzzy Systems. FUZZ-IEEE’02.
Proceedings (Cat. No.02CH37291), vol. 1, 2002, pp. 541–546 vol.1.
[29] R. Carrasco Duboué and G. Alvarez Bestard, “Diseño e implementación de un pid

profesional y un pid difuso utilizando un microcontrolador pic18f4550,” 06 2014.
[30] C. Saeteros, “Implementación de un control pid fuzzy para la regulación de nivel

den módulo mps pa compact workstation mediante la tarjeta stm32f4 discovery,”
Master’s thesis, Universidad Politécnica Salesiana, 2018.
90
ANEXOS Y PROGRAMAS FUENTES
En este capı́tulo, se incluye los archivos empleados para el diseño e implementa-

ción de los bloques de control lógico difuso:
Hardware: Incluye esquema principal del tablero de control y supervisión y las direccio-
nes empleadas para el conexionado realizado de los sensores y actuadores a la periferia
I/O ET-200 SP.
F IGURA 6.1: Dirección de conexionado para el tablero de control y supervisión.
91
Software: Incluye las simulaciones de las estrategias de control aplicando el controlador
PID y el controlador difuso en el software Matlab. Además, se adjunta el programa eje-
cutable del software TIA Portal para la implementación de los sistemas de control PID y
sistemas de control basado en lógica difusa en el tablero de control y supervisión para de
los procesos: flujo, presión, nivel, temperatura y las estrategias de control trabajadas en
esta tesis para una planta industrial multipropósito.
Todos los archivos se encuentran adjuntos y almacenados en la nube en el siguiente enlace:
https://drive.google.com/drive/folders/1ZMN0gOxNJRh5a8QB3g
V8e-Jol9G4b65o?usp=sharing
92

Universidad de Ingenier Ia Y Tecnolog Ia Carrera de Ingenier Ia Electr Onica

Cargado por

Copyright:

Formatos disponibles

Universidad de Ingenier Ia Y Tecnolog Ia Carrera de Ingenier Ia Electr Onica

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

Universidad de Ingenier Ia Y Tecnolog Ia Carrera de Ingenier Ia Electr Onica

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD DE INGENIERÍA Y TECNOLOGÍA

CARRERA DE INGENIERÍA ELECTRÓNICA

CAPÍTULO 2 CONFIGURACIÓN DE EQUIPOS Y MODELADO EXPE-

CAPÍTULO 3 CONTROL BASADO EN ALGORITMO PID 31

CAPÍTULO 4 CONTROL BASADO EN LÓGICA DIFUSA 48

CAPÍTULO 5 COMPARACIÓN DE RESULTADOS 76

1.1 Software de controladores difusos ofertados por empresas de automatiza-

2.1 Escalamiento de instrumentos digitales. . . . . . . . . . . . . . . . . . . 18

3.1 Variación de los parámetros de diseño: Kc , Ki o Kd [1]. . . . . . . . . . . 32

5.1 Sistema de control PID vs. difuso del proceso de flujo. . . . . . . . . . . 76

1.1 Diagrama de bloques del sistema de separación de solución etanol-agua. . 9

2.1 Planta industrial multipropósito para control e instrumentación. . . . . . . 17

3.1 Diagrama de bloques del sistema de control de la razón. . . . . . . . . . . 33

4.1 Funciones de pertenencia [23] . . . . . . . . . . . . . . . . . . . . . . . 49

6.1 Dirección de conexionado para el tablero de control y supervisión. . . . . 91

El controlador PID es el más empleado en la actualidad en las industrias. Se estima

En esta tesis, se desarrollaron bloques de control basado en lógica difusa para la

DESIGN AND IMPLEMENTATION OF FUZZY

En la automatización industrial, los controladores SISO (del inglés Single-Input,

En la industria existen procesos complejos de modelar o cuyos modelos matemáti-

Empresas de automatización Software dedicado

La Universidad de Ingenierı́a y Tecnologı́a (UTEC) cuenta con un laboratorio de

1.1 Formulación del Problema

Las herramientas de software para aplicación de control difuso, si bien existen y

En esta tesis, se propone como una alternativa de solución el desarrollo de blo-

La existencia de los bloques controladores basados en lógica difusa incrementa la

En la actualidad, más del 90 % de los procesos existentes en las industrias [6]

El algoritmo de lógica difusa es una forma de representación matemática del ra-

Para entender la importancia de control basado en algoritmo de lógica difusa en

1.2.1 Aplicaciones de Control Difuso en Entorno Real

En el entorno industrial hay muchas aplicaciones de lógica difusa para el control

F IGURA 1.1: Diagrama de bloques del sistema de separación de solución etanol-agua.

Otra aplicación es la elaboración de un sistema de control eléctrico para tratamien-

F IGURA 1.2: Estructura del sistema de agua caliente.

1.2.2 Desempeño de Controladores PID vs Controladores Difusos

Según los resultados obtenidos a través de la simulación e implementación del

En [13], se empleó el algoritmo lógico difuso para un sistema de control de nivel

Otros estudios muestran la aplicación de controlador PID combinado con el algo-

Los resultados obtenidos de todos los experimentos mostraron mayor rendimiento

Para la simulación, se usó del software Matlab/Simulink, de modo que se configura

Los controladores lógicos programables son dispositivos electrónicos para contro-

Las soluciones de control de la industria generalmente se basan en un controlador

Otra alternativa de aplicar control basado en lógica difusa es utilizada en [18]

1.3 Alcance y Limitaciones

Los bloques de control lógico difuso estarán disponibles en el software de progra-

1.4 Objetivos de la Tesis

El objetivo general de la tesis es diseñar e implementar bloques controladores ba-

Diseñar e implementar el algoritmo de control difuso en el PLC S7-1500 para los

Comparar los resultados experimentales de la implementación tanto de los sistemas

1.5 Organización de la Tesis

El presente trabajo de tesis sigue la siguiente organización: En el Capı́tulo 2, se

CONFIGURACIÓN DE EQUIPOS Y MODELADO

La Universidad de Ingenierı́a y Tecnologı́a cuenta con tres plantas industriales

2.1 Equipos Industriales de Control

Actualmente, la universidad UTEC brinda cursos de pregrado donde se imparte

2.1.1 Planta Industrial Multipropósito para Control e Instrumentación

La planta industrial multipropósito es un sistema de circulación de agua frı́a y

F IGURA 2.1: Planta industrial multipropósito para control e instrumentación.

TABLA 2.1: Escalamiento de instrumentos digitales.