Escuela Politécnica Superior

Departamento de Ingeniería Informática

MÉTODOS CLÁSICOS Y DE SOFT-COMPUTING

EN LA OPTIMIZACIÓN DE PROCESOS COMPLEJOS.
APLICACIÓN A UN PROCESO DE FABRICACIÓN.

TESIS DOCTORAL

Autor:
Raúl Mario del Toro Matamoros

Director:
Dr. D. Rodolfo E. Haber Guerra

Madrid, Febrero de 2011

 Título de la Tesis: Métodos clásicos y de soft-computing en la
optimización de procesos complejos.
Aplicación a un proceso de fabricación.

Autor: Raúl Mario del Toro Matamoros

Director: Dr. Rodolfo E. Haber Guerra

Lector: Prof. Pablo Varona Martínez

Miembros del Tribunal de Defensa de la Tesis Doctoral:

Presidente: Prof. José Dorronsoro Ibero

Vocales: Prof. José Manuel Andújar Márquez

Prof. Matilde Santos Peña

Dr. José Ramón Alique López

Secretario: Dr. Manuel Sánchez-Montañés Isla

Suplentes: Dr. Ángel Alique Palomar

Prof. José Eugenio Naranjo Hernández

 A m i m a d re, M erced es M a ta m o ro s,
p o r s u e d u c a c ió n y la g ra n d e z a d e s u a m o r h a c ia m í.
A m i a b u e la B e n ic ia A u d in o t ,
p o r s u c a riñ o , p ro t e c c ió n y a m o r s in lím it e s .
 AGRADECIMIENTOS

¡Hemos llegado al final del largo túnel, ya podemos acariciar la luz! Aunque ahora
comienzan nuevos retos, los de verdad, los que marcarán nuestro paso por esta vida. Hay
muchas personas que han incidido directamente en la consecución de este inmenso recorrido,
ya sea desde el punto de vista profesional o personal, y que no quiero dejar de mencionar y
agradecer en este pequeño momento de gloria.
A Rodolfo, director de esta Tesis, tutor de toda la carrera investigadora y amigo. Siempre
dirás que no te debo nada, que el esfuerzo ha sido mío (lo repites con frecuencia), pero debo
agradecer enormemente tu paciencia, amistad y, sobre todo: tu confianza desde el principio, tu
conducción, tu protección y lealtad frente a todos los obstáculos que ha habido que sortear.
A los colegas (amigos) del equipo investigador de GAMHE y C4LIFE, sin este gran
equipo hubiese sido imposible llevar adelante este proyecto. Muchas gracias a Fernando,
Alfonso, Maritza (la amiguita de la eterna sonrisa) y algunos que ya no están como Pedro,
Bruno, Diego y Michael. A Agustín, por su paciencia infinita y por ir siempre despejando el
camino. Muchas gracias a Salvador Ros, Ángel Alique, José Ramón Alique, Miguel Ramírez
y Jorge Pamies por todo su apoyo. Especial mención a Rodolfo Haber Haber, por sus
enseñanzas, confianza e ideas.
Gracias a los colegas del instituto, mejor dicho “intituto”, creo que así tiene más ritmo,
que le vamos a hacer, vengo de donde vengo, a la comunidad de “La del viernes”, los que
compartimos muchos mediodías, cumpleaños y largos debates. A Miguel y Andrés por su
ánimo en las largas tardes, a Gregorio por sus chistes y cafés y a mucha gente del instituto que
hacen que el trabajo sea menos difícil.
A los amigos y amigas, no los menciono uno por uno, cuando la amistad es verdadera las
palabras sobran. Ustedes saben quienes son, les agradezco estar ahí y la comprensión ante mi
escasa comunicación durante todo este tiempo. Para los que han querido emprender también
este camino y por circunstancias de la vida han tenido que desistir (Jorge, Héctor, Garzón…)
y para los que aún lo intentan en condiciones menos propicias (Guillermo, Elsy, Frank…),
este logro también es de ustedes.
 A mi madre, a ella debo mi educación y todo lo que soy, a mi abuela Benicia, mi segunda
madre, a ustedes dos está dedicado este momento. A mi padre, mis abuelos Julián y Emelina y
a toda la gran familia.
Muchas gracias a la tierra que me vio nacer y a mucha de su gente, por la educación
básica, la formación y por moldear mi actitud ante los problemas y ante la vida, por
enseñarme a sonreír inclusive en los momentos más tristes.
A la familia López-Sánchez, por acogerme como uno más. Mónica, muchas gracias por la
paciencia (han sido muchísimas horas sacrificadas), por el empuje, por el amor incondicional,
por la compañía, por aportar otros criterios y diferentes puntos de vista, este es: nuestro
momento.
 RESUMEN

En esta tesis se presenta el diseño, desarrollo e implementación de sistemas inteligentes,

basados en diferentes estrategias de hibridación de técnicas del soft-computing, para el control
de procesos complejos. La metodología de diseño parte de la obtención de una representación
computacional eficiente y simple, en cuanto a implementación algorítmica se refiere, de
procesos de elevada complejidad. Estos modelos constituyen la base para el desarrollo de
funciones de coste, esenciales durante el procedimiento de ajuste óptimo de los sistemas de
control inteligente. Igualmente, estos modelos son básicos para los estudios de simulación a
través del empleo de herramientas computacionales de análisis de sistemas dinámicos.
Debido a su gran impacto en la producción de bienes y servicios, las estrategias
desarrolladas son aplicadas a la optimización de un proceso de fabricación, en concreto, el
proceso de taladrado de alto rendimiento. Pese a su importancia, el conocimiento científico-
técnico disponible para su mejoramiento y optimización aún es insuficiente y los resultados
contemporáneos son todavía parciales. La incorporación de estrategias de control inteligente a
este proceso constituye una alternativa a métodos tradicionales y conduce a un potencial
incremento de su productividad lo que, a la larga, se traduce en mayores beneficios
económicos.
Las estrategias computacionales diseñadas e implementadas en Matlab, C/C++ y Labview,
están dirigidas hacia la optimización del proceso de taladrado de alto rendimiento por medio
de técnicas lineales y de soft-computing, que constituyen, desde el punto de vista científico y
técnico, algunas de las aportaciones de este trabajo. Concretamente, las estrategias propuestas
están basadas en un algoritmo de control lineal proporcional, integral y derivativo (PID) y en
sistemas híbridos, obtenidos a partir de la combinación de técnicas básicas del soft-computing.
En particular, se han aprovechado las sinergias entre los sistemas de inferencia borrosa, las
redes neuronales adaptativas (sistema híbrido neuro-borroso) y diferentes métodos
metaheurísticos tales como los algoritmos genéticos, los métodos basados en la simulación de
procesos físicos como el algoritmo de temple simulado (Simulated Annealing) y el algoritmo

V
de entropía cruzada (Cross Entropy) y métodos de búsqueda directa como el algoritmo de
Nelder-Mead.
Para el ajuste óptimo de las estrategias de control inteligente, se ha utilizado, como
función objetivo a minimizar, la integral del error absoluto ponderado en el tiempo (ITAE).
Esta función penaliza las respuestas transitorias temporales de larga duración y es muy
sensible ante variaciones de parámetros, en comparación con otros criterios como la integral
del error absoluto (IAE) o la integral del error cuadrático ponderado en el tiempo (ITSE), entre
otros.
Además de las aportaciones expuestas anteriormente, otras contribuciones de esta Tesis
Doctoral constituyen los modelos computacionales eficientes que, diseñados e implementados
mediante una herramienta de alto rendimiento como Matlab/Simulink, permiten emular el
comportamiento dinámico o estático de variables representativas en procesos de fabricación.
Como parte de la metodología científica de la Tesis Doctoral, todas las estrategias
desarrolladas son validadas rigurosamente en una plataforma experimental, utilizada como
soporte tecnológico, lo cual permite el aprovechamiento mutuo de las experiencias alcanzadas
y la mejora de los resultados obtenidos. La validación de las estrategias mediante su
implementación en tiempo real, actuando directamente sobre operaciones de taladrado de alto
rendimiento, ha permitido corroborar los resultados obtenidos en simulación. Además, ha
dado la posibilidad de realizar estudios comparativos entre las estrategias basadas en técnicas
de soft-computing y las estrategias lineales para comprobar su desempeño, así como la
efectividad de los métodos metaheurísticos empleados en el ajuste de los sistemas de control
inteligente. Los estudios comparativos se han basado en la cuantificación del cumplimiento de
objetivos de control, a partir de parámetros que caracterizan el comportamiento dinámico de
sistemas de control, como la amplitud máxima de las oscilaciones (máximo sobrepaso) que
pueden aparecer en la variable controlada (ej., fuerza de corte) y los valores medios de su
error respecto a su valor deseado (ej., índices de desempeño ITAE, IAE, ITSE, entre otros).
Los estudios comparativos mostraron que, en el caso de la aplicación de las técnicas de
optimización para el ajuste de sistemas de inferencia borrosa, las respuestas temporales de los
sistemas de control, obtenidas en simulación son similares a las experimentales. Esto se debe
a que en todos los casos se han obtenido parámetros óptimos o sub-óptimos de los sistemas de
control borrosos. Pero a pesar de su similitud, el desempeño en general del sistema de control
optimizado mediante el método de entropía cruzada, es ligeramente superior al resto de
técnicas utilizadas, además de ofrecer una muy buena relación tiempo de cómputo y total de
parámetros de ajuste del método requeridos.
Por otra parte, los estudios comparativos del desempeño en tiempo real de las estrategias
de control no lineal empleadas, basadas en técnicas del soft-computing, controlando
operaciones de taladrado de alto rendimiento, han corroborado que, en general, resultan más

VI
efectivas que las estrategias lineales para hacer frente a la complejidad intrínseca de estos
procesos.
Algunos de los resultados parciales alcanzados durante las diferentes etapas de desarrollo
de esta Tesis Doctoral, han sido sometidos a la consideración de la comunidad científica
internacional. Investigadores de diferentes campos tales como las ciencias de la computación,
la inteligencia artificial, la automática, la ingeniería de fabricación, la ingeniería mecánica y
los procesos de transformación de metales, entre otros, han valorado de forma positiva varias
de las aportaciones realizadas.

VII
 ABSTRACT

This dissertation presents the design, development and implementation of intelligent

systems based on different hybridization strategies of soft-computing techniques for
controlling complex processes. The design methodology includes dynamic modelling by
obtaining simple and efficient computational representations, in terms of algorithmic
implementation, of highly complex processes. These models are the basis for the development
of cost functions which are key issues for the optimal tuning procedure of intelligent control
systems. Moreover, these models are fundamentals for simulation studies through the use of
computational tools for dynamic systems analysis.
Due to its large impact on the goods and services production, the developed strategies are
applied to the optimization of a manufacturing process, in particular, the high performance
drilling process. Despite its importance, the scientific and technical knowledge generated
about its optimization are insufficient and the existing results are still partials. The
introduction of intelligent control strategies is an alternative to deal with its physical
complexity as well as to yield a potential increase in productivity that stem on greater
economic benefits.
The computational control strategies designed and implemented in Matlab, C/C++ and
Labview are directed towards the optimization of the high performance drilling process. From
the scientific and technical standpoint, the developed strategies are contributions of this work.
More specifically, the strategies are based on the proportional, integral and derivative (PID)
control algorithm as well as hybrid intelligent systems, generated from the combination of
basic soft-computing techniques. In particular, it has taken advantage from the synergies
between fuzzy inference systems, adaptive neural networks (neuro-fuzzy hybrid system) and
diverse metaheuristics methods. Methods such as the genetic algorithms and based on
simulation of physical processes (i.e., simulated annealing algorithm and the cross entropy
algorithm). Direct search methods such as the Nelder-Mead algorithm are also considered.
For the optimal tuning of the intelligent control strategies, the integral of the time
weighted absolute error (ITAE) has been used as objective function to minimize. This function

IX
penalizes the long time duration transient responses. Likewise, it is very sensitive to changes
in control system parameters, compared with other criteria such as integral absolute error
(IAE) or the integral of the time weighted square error (ITSE), among others.
In addition of the contributions discussed above, the design and implementation of
efficient computational models constitute other valuable contributions of this Thesis. These
models emulate the dynamic or the static relations of the most representative variables in
manufacturing processes. Being possible the implementation due to the use of a high
performance tool for the technical computing as Matlab/Simulink.
As part of the scientific methodology of this Thesis, the developed control strategies are
rigorously validated in an experimental platform used as technological support. This method
enables a mutual advantage of the acquired experience and a results improvement. The real
time control of experimental high performance drilling operations corroborates the results
obtained during the simulation stage. Moreover, these experiments give the possibility to
make comparative studies between the control strategies. Also, they allow comparing the
effectiveness of metaheuristics methods employed for optimal tuning of intelligent control
systems. The comparative studies are based on performance indices that characterize the
dynamic behaviour of the control systems. Performance indices related to the controlled
variable (i.e., cutting force) such as the maximum overshoot (i.e., maximum amplitude of
oscillations) and average values of its error with respect to the reference value (i.e., ITAE,
IAE, ITSE, among others).
Comparative studies confirm that the fuzzy control systems optimally tuned by different
methods, provide a satisfactory performance of the process. The dynamic transient responses
of control systems obtained in simulation and experimentally, are very similar. The cause is
that in all cases the adjusted controllers parameters are optimal or sub-optimal. But despite
their similarity, the overall performance of the control system optimized by the cross-entropy
method is slightly superior to the others. It also offers a good relation between the
computational time and total setting parameters that requires.
Moreover, comparative studies have confirmed that the nonlinear control strategies based
on soft-computing techniques, in general, have a better performance than linear strategies for
real-time control of high performance drilling operations. Therefore, are more effective to
deal with the inherent complexity of these types of processes.
During the development stages of this Thesis, some of the partial achieved results have
been submitted for consideration by the international scientific community. Researchers from
different fields such as computer science, artificial intelligence, automation, manufacturing
engineering, mechanical engineering and metallurgical engineering, among others, have
positively evaluated some contributions of the reported work.

X
 TABLA DE CONTENIDO

LISTA DE FIGURAS ..................................................................................................................... XV

LISTA DE TABLAS .....................................................................................................................XIX

INTRODUCCIÓN ............................................................................................................................. 1
Objetivos ....................................................................................................................................... 3
Metodología................................................................................................................................... 5
Estructura del trabajo ..................................................................................................................... 5

CAPÍTULO 1 ESTADO DEL ARTE................................................................................................. 9

1.1 Sistemas Inteligentes para el control y monitorización de procesos ....................................... 9
1.2 Operaciones de mecanizado como procesos electro-mecánicos complejos ...........................19
1.3 Inteligencia Artificial para la optimización de los procesos de mecanizado ..........................22
1.4 Conclusiones.......................................................................................................................27

CAPÍTULO 2 UN ENFOQUE COMPUTACIONAL PARA EL MODELADO DE PROCESOS

DE FABRICACIÓN.................................................................................................29
2.1 Identificación de sistemas dinámicos ...................................................................................30
2.1.1 Pre-procesamiento de los datos para la identificación experimental..........................33
2.1.2 Plataforma experimental para la identificación de procesos de fabricación ...............35
2.2 Diseño e implementación de un modelo computacional para emular el comportamiento
de variables representativas en procesos de fabricación. Análisis del caso particular de
las fuerzas de corte en el proceso de fresado de alta velocidad .............................................38
2.2.1 Modelo físico-matemático del proceso de fresado de alta velocidad .........................39
2.2.2 Descripción del modelo implementado en Simulink.................................................46
2.2.3 Validación experimental del modelo de fuerzas de corte ..........................................52
2.3 Diseño e implementación de un modelo dinámico computacionalmente eficiente de un
proceso de fabricación complejo: el proceso de taladrado de alto rendimiento......................54
2.3.1 Modelado dinámico del proceso de taladrado...........................................................56
2.3.2 Identificación experimental del proceso TAR en una máquina herramienta ..............59
2.3.3 Implementación de los modelos en Matlab/Simulink ...............................................63
2.3.4 Validación de los modelos y análisis de error de ajuste ............................................64

XI
 2.3.5 Aplicación de los modelos a la predicción de las fuerzas de corte en materiales
de mayor dureza. Análisis de errores .......................................................................66
2.4 Diseño e implementación de un modelo dinámico múltiple entrada-simple salida,
computacionalmente eficiente de un proceso de fabricación complejo. Estudio del caso
particular del proceso de fresado de alta velocidad ..............................................................68
2.4.1 Diseño de experimento para la identificación del modelo dinámico del FAV ...........69
2.4.2 Identificación experimental del modelo dinámico del proceso de fresado de alta
velocidad ................................................................................................................71
2.4.3 Implementación del modelo en Matlab/Simulink .....................................................79
2.5 Conclusiones.......................................................................................................................82

CAPÍTULO 3 ESTUDIO DE MÉTODOS EFICIENTES LINEALES, BORROSOS Y NEURO-

BORROSOS PARA EL CONTROL DE PROCESOS COMPLEJOS .......................85
3.1 Estudio de estrategias lineales de control (algoritmo PID) y su aplicabilidad al control
de procesos complejos.........................................................................................................86
3.1.1 Métodos de ajuste....................................................................................................88
3.1.2 Algunas limitaciones ...............................................................................................89
3.2 Estudio de los sistemas borrosos y su aplicabilidad al control de procesos complejos...........89
3.2.1 Algunas definiciones básicas ...................................................................................91
3.2.2 Operaciones básicas de la lógica borrosa .................................................................93
3.2.3 Producto Cartesiano ................................................................................................95
3.2.4 Composición “Sup-∗” .............................................................................................96
3.2.5 Variable lingüística. Definición ...............................................................................96
3.2.6 El dispositivo lógico borroso: premisas de diseño ....................................................97
3.2.7 Configuración básica del DLB.................................................................................99
3.2.8 Características generales del DLB .........................................................................102
3.2.9 La toma de decisiones ...........................................................................................108
3.2.10 Desemborronado...................................................................................................111
3.3 Estudio de los sistemas híbridos neuro-borrosos y su empleo en el control de sistemas
complejos .........................................................................................................................113
3.3.1 Redes neuronales artificiales adaptativas ...............................................................115
3.3.2 Arquitectura ANFIS ..............................................................................................120
3.4 Conclusiones.....................................................................................................................123

CAPÍTULO 4 ESTUDIO DE MÉTODOS DE OPTIMIZACIÓN DE INSPIRACIÓN

GEOMÉTRICA, FÍSICA Y BIOLÓGICA EN EL CONTROL DE PROCESOS
COMPLEJOS ........................................................................................................125
4.1 Aplicación de algoritmos de optimización al ajuste de sistemas de control de procesos
complejos .........................................................................................................................126
4.2 Estudio del método de optimización Nelder-Mead para su aplicabilidad al ajuste de
sistemas de control de procesos complejos ........................................................................129
4.3 Estudio del algoritmo de optimización temple simulado para su empleo en el ajuste de
sistemas de control de procesos complejos ........................................................................133
4.4 Breve introducción al estudio de algoritmos genéticos.......................................................136
4.5 Estudio del método de optimización de entropía cruzada ...................................................141

XII
 4.5.1 Algoritmo de entropía cruzada adaptado para la solución de problemas de
optimización..........................................................................................................143
4.6 Conclusiones.....................................................................................................................145

CAPÍTULO 5 DISEÑO DE SISTEMAS INTELIGENTES DE CONTROL ÓPTIMOS PARA

PROCESOS COMPLEJOS ....................................................................................147
5.1 Diseño e implementación de una estrategia lineal para la optimización de un proceso
de fabricación. Aplicación al caso particular del proceso de taladrado de alto
rendimiento.......................................................................................................................148
5.1.1 Simulación del sistema de control..........................................................................149
5.1.2 Implementación experimental del sistema de control .............................................151
5.2 Diseño e implementación de un sistema de inferencia neuro-borrosa para el control de
un proceso de fabricación ..................................................................................................154
5.2.1 Modelos directo e inverso......................................................................................155
5.2.2 Simulación del sistema de control..........................................................................159
5.2.3 Implementación experimental del sistema de control y estudio comparativo ..........162
5.3 Diseño e implementación de un sistema de inferencia borrosa aplicado al control del
proceso de taladrado de alto rendimiento. Optimización mediante el método de Nelder-
Mead.................................................................................................................................164
5.3.1 Diseño de un controlador borroso para el proceso TAR .........................................165
5.3.2 Ajuste e implementación del controlador borroso ..................................................168
5.3.3 Implementación experimental del sistema de control y estudio comparativo ..........174
5.3.4 Estabilidad del sistema de control ..........................................................................176
5.4 Control de un proceso de fabricación mediante sistema de inferencia borrosa
optimizado a través del método de temple simulado ..........................................................177
5.4.1 Optimización y simulación del controlador borroso ...............................................178
5.4.2 Resultados experimentales.....................................................................................182
5.5 Optimización de un sistema de inferencia borrosa mediante algoritmos genéticos para
el control de un proceso de fabricación..............................................................................183
5.6 Ajuste de un sistema de inferencia borrosa, mediante el método de entropía cruzada,
para el control de un proceso de fabricación ......................................................................187
5.6.1 Resultados de la simulación...................................................................................188
5.6.2 Resultados experimentales.....................................................................................191
5.7 Estudio comparativo entre las técnicas de optimización empleadas para el ajuste de
estrategias borrosas de control de un proceso de fabricación complejo ...............................192
5.8 Conclusiones.....................................................................................................................196

CONCLUSIONES ..........................................................................................................................199
Lista de publicaciones .................................................................................................................207
Trabajo futuro.............................................................................................................................208

BIBLIOGRAFÍA ............................................................................................................................211

XIII
 LISTA DE FIGURAS

Figura 1.1. Principales metodologías del soft-computing iniciales......................................................11

Figura 1.2. Componentes del soft-computing y sistemas inteligentes híbridos. ...................................12
Figura 1.3. Sistema híbrido neuro-borroso para el control de procesos. ..............................................15
Figura 1.4. DLB de tipo TSK de primer orden y arquitectura ANFIS equivalente. .............................16
Figura 1.5. Clasificación de los procesos de mecanizado. ..................................................................19
Figura 1.6. Ejemplos de operaciones de mecanizado convencional. ...................................................20
Figura 1.7. Ejemplos de operaciones de mecanizado no tradicional....................................................21
Figura 2.1. Procedimiento de identificación.......................................................................................31
Figura 2.2. Respuesta a escalón de un proceso no realimentado. ........................................................31
Figura 2.3. Algoritmo de filtrado con fase cero..................................................................................34
Figura 2.4. Componentes de la plataforma experimental....................................................................35
Figura 2.5. Diagrama de la plataforma experimental..........................................................................36
Figura 2.6. Niveles de red en la plataforma experimental de monitorización y control........................37
Figura 2.7. Esquema del proceso de FAV. .........................................................................................40
Figura 2.8. Diagrama del proceso de FAV visto como una caja negra. ...............................................40
Figura 2.9. Modelo geométrico generalizado de una fresa..................................................................42
Figura 2.10. Geometría general de la herramienta..............................................................................43
Figura 2.11. Operación de fresado en 3D con el ángulo de elevación de la superficie Φ . ..................45
Figura 2.12. Diagrama de bloques del modelo matemático de las fuerzas y el par de corte en
SIMULINK...................................................................................................................47
Figura 2.13. Interfaz de usuario del modelo en SIMULINK para la entrada de parámetros de la
geometría de la herramienta...........................................................................................48
Figura 2.14. Árbol de dependencias entre los diagramas o subsistemas que conforman el
modelo desarrollado. .....................................................................................................49
Figura 2.15. Otros diagramas de bloques que componen el modelo implementado en
SIMULINK...................................................................................................................51
Figura 2.16. Gráfica de fuerza de corte resultante obtenida del modelo implementado en
SIMULINK para ciertos parámetros de entrada. ............................................................52

XV
Figura 2.17. Fuerza de corte resultante experimental (línea continua) y obtenida por el modelo
para diferentes condiciones de corte (línea discontinua).................................................53
Figura 2.18. Esquema del proceso de taladrado de alto rendimiento...................................................55
Figura 2.19. Parámetros geométricos utilizados en el modelo de Elhachimi et ál. ..............................57
Figura 2.20. Diagrama de flujo de la aproximación propuesta por Pirtini y Lazoglu...........................58
Figura 2.21. Diagrama de bloques teórico del proceso de taladrado de alto rendimiento.....................60
Figura 2.22. Perfil para la operación de taladrado. .............................................................................61
Figura 2.23. Señal de entrada al proceso (velocidad de avance) y fuerza obtenida, bruta y
media (filtrada) de una operación de taladrado en el material GGG40............................62
Figura 2.24. Implementación de los modelos en Matlab/Simulink. ....................................................63
Figura 2.25. Respuesta de los modelos de primer, segundo y tercer orden de la fuerza ante
cambios en la velocidad de avance y conjunto de datos de validación. ...........................64
Figura 2.26. Función de auto-correlación del error en la predicción de fuerza en el taladrado de
GGG40. ........................................................................................................................66
Figura 2.27. Aplicación de los modelos del GGG40 con ganancia unidad a la fuerza
normalizada del taladrado del material 17-4PH..............................................................67
Figura 2.28. Esquema del proceso de FAV y diagrama de bloques de una representación del
proceso mediante funciones de transferencia. ................................................................69
Figura 2.29. Probeta con perfil escalonado en su superficie con cambios de 0.5 mm. .........................69
Figura 2.30. Diseño de experimento para la identificación del proceso de FAV. Cambios
planificados para cada una de las variables de entrada al proceso...................................70
Figura 2.31. Señales registradas durante la operación de fresado con la herramienta de 12 mm..........72
Figura 2.32. Fuerza media en cada uno de los experimentos. .............................................................73
Figura 2.33. Funciones de ajuste para las ganancias de los sub-sistemas que componen el
modelo..........................................................................................................................75
Figura 2.34. Desarrollo del modelo dinámico del proceso de FAV en Matlab/Simulink. ....................80
Figura 2.35. Simulación del modelo y comparación con los datos experimentales..............................81
Figura 3.1. Diagrama general de un controlador PID en un sistema de control realimentado. .............86
Figura 3.2. Diagrama en Matlab/Simulink del controlador PID discreto.............................................88
Figura 3.3. Sub-conjunto clásico y borroso........................................................................................92
Figura 3.4. Conjunto borroso puntual o singularidad borrosa.............................................................93
Figura 3.5. Diagramas de Venn. ........................................................................................................95
Figura 3.6. Variable lingüística fuerza...............................................................................................97
Figura 3.7. Diagrama en bloques del lazo de control con DLB...........................................................99
Figura 3.8. Representación en capas de la red neuronal adaptativa...................................................115
Figura 3.9. Arquitectura del sistema ANFIS. ...................................................................................120
Figura 3.10. Ejemplo de función de distribución de tipo campana generalizada. ..............................121
Figura 4.1. Diagrama general de un sistema de control de un proceso físico. ...................................126

XVI
Figura 4.2. Diagrama de bloques del sistema de control y algoritmo de optimización.......................129
Figura 4.3. Diagrama de flujo del algoritmo de Nelder-Mead. .........................................................132
Figura 4.4. Algoritmo de Metropolis de aceptación-rechazo. ...........................................................136
Figura 4.5. Diagrama de flujo de datos del algoritmo.......................................................................137
Figura 5.1. Diagrama de simulación del sistema de control de la fuerza de corte..............................149
Figura 5.2. Gráfica del lugar de las raíces para una respuesta aperiódica. .........................................150
Figura 5.3. Simulación del sistema de control PID a lazo cerrado. ...................................................151
Figura 5.4. Diagrama del controlador PID implementado. ...............................................................152
Figura 5.5. Comportamiento en tiempo real del sistema de control. .................................................153
Figura 5.6. Estrategia CMI y modelos ANFIS. ................................................................................154
Figura 5.7. Entradas y salidas de los modelos ANFIS. .....................................................................155
Figura 5.8. Funciones de pertenencia y reglas de los modelos ANFIS..............................................157
Figura 5.9. Respuesta de los modelos ante datos de validación. .......................................................158
Figura 5.10. Aplicación de simulación de la estrategia de control por modelo interno y
modelos neuro-borrosos. .............................................................................................160
Figura 5.11. Simulación de la respuesta del sistema de control ante un escalón en la referencia .......161
Figura 5.12. Comportamiento del criterio ITAE en presencia de retardos de tiempo. ........................161
Figura 5.13. Comportamiento del sistema de control CMI-ANFIS y otras estrategias de control ......162
Figura 5.14. Comportamiento del error relativo para las estrategias de control.................................164
Figura 5.15. Particiones borrosas y funciones de pertenencia de las entradas y salidas. ....................166
Figura 5.16. Característica estática del controlador borroso. ............................................................167
Figura 5.17. Sistema de control distribuido basado en un regulador borroso para el control del
proceso de TAR ..........................................................................................................169
Figura 5.18. Aplicación de simulación del sistema de control borroso..............................................170
Figura 5.19. Resultados de la simulación del sistema de control. .....................................................171
Figura 5.20. Comportamiento del sistema de control según varía el tiempo de retardo. ....................172
Figura 5.21. Comportamiento de los índices de desempeño ITAE e IT2SE según varía el tiempo
de retardo. ...................................................................................................................173
Figura 5.22. Comportamiento del proceso según las estrategias de control PID y borrosas...............174
Figura 5.23. Comportamiento del error absoluto ponderado en el tiempo de las estrategias de
control.........................................................................................................................176
Figura 5.24. Optimización mediante temple simulado......................................................................178
Figura 5.25. Resultados tras 75 ejecuciones del algoritmo de SA. ....................................................179
Figura 5.26. Simulación del sistema de control borroso optimizado mediante SA. ...........................180
Figura 5.27. Comportamiento de la fuerza de corte según la variación del tiempo de retardo............181
Figura 5.28. Comportamiento del criterio ITAE según varía el tiempo de retardo. ............................181

XVII
Figura 5.29. Respuesta temporal del sistema de control optimizado mediante SA durante el
taladrado del material GGG40.....................................................................................182
Figura 5.30. Comportamiento del sistema de control optimizado durante una operación de
taladrado del material 17-4PH .....................................................................................183
Figura 5.31. Diagrama del sistema de control borroso y optimización mediante algoritmos
genéticos.....................................................................................................................184
Figura 5.32. Resultados tras 99 ejecuciones de la optimización mediante GA ..................................185
Figura 5.33. Simulación del sistema de control optimizado mediante GA. .......................................186
Figura 5.34. Aplicación de simulación del sistema de control con ruido aditivo. ..............................186
Figura 5.35. Diagrama del sistema de control borroso y el método de optimización de entropía
cruzada. ......................................................................................................................188
Figura 5.36. Funciones de densidad probabilísticas para los parámetros [ Ke Kce ] ..........................189
Figura 5.37. Resultados durante la optimización mediante entropía cruzada. ...................................190
Figura 5.38. Simulación del sistema de control borroso. ..................................................................190
Figura 5.39. Comportamiento de los criterios de desempeño ITAE e ISTSE en presencia de
retardos de tiempo en el sistema de control..................................................................191
Figura 5.40. Comportamiento del sistema de control durante el taladrado del material GGG40........192
Figura 5.41. Estudio comparativo sin presencia de perturbaciones. ..................................................194
Figura 5.42. Estudio comparativo en presencia de perturbaciones....................................................196

XVIII
 LISTA DE TABLAS

Tabla 1.1. Aplicación del soft-computing al modelado, monitorización y control de procesos. ...........18
Tabla 1.2. Técnicas de IA en la optimización de procesos de mecanizado..........................................24
Tabla 1.3. Sistemas inteligentes en la automatización de procesos de mecanizado. ............................25
Tabla 2.1. Comparación de las fuerzas de corte obtenidas experimentalmente y mediante el
modelo. .........................................................................................................................54
Tabla 2.2. Resultados del análisis estadístico de los retardos de tiempo del bus de campo MPI. .........59
Tabla 2.3. Propiedades de los materiales de las piezas de trabajo experimentales. ..............................60
Tabla 2.4. Condiciones nominales para la operación de taladrado. .....................................................61
Tabla 2.5. Modelos del taladrado de GGG40. ....................................................................................62
Tabla 2.6. Resultados del análisis de error para los modelos del taladrado de GGG40........................65
Tabla 2.7. Análisis del error de ajuste para los modelos generados del material GGG40
empleados en el material 17-4PH...................................................................................67
Tabla 2.8. Valores que alcanzan cada una de las variables de entrada a lo largo del eje x de la
pieza, durante la operación de ranurado. ........................................................................71
Tabla 2.9. Condiciones nominales para el experimento de identificación. ..........................................71
Tabla 2.10. Parámetros de algunos de los modelos obtenidos con la herramienta de 12 mm. ..............74
Tabla 2.11. Funciones de ajuste de las ganancias de los sub-sistemas para la herramienta de 10
mm. ..............................................................................................................................76
Tabla 2.12. Análisis estadísticos de las constantes de tiempo de los modelos de los sub-
sistemas. .......................................................................................................................76
Tabla 2.13. Valores de ajuste de los coeficientes para el cálculo de las ganancias del modelo. ...........78
Tabla 2.14. Valores de ajuste de las constantes de tiempo y retardos de tiempo de los sub-
sistemas que conforman el modelo del proceso de FAV.................................................78
Tabla 2.15. Errores del modelo, réplicas de ajuste y de validación (filas sombreadas). .......................82
Tabla 3.1. Métodos de ajuste de algoritmos de control PID................................................................88
Tabla 3.2. Algunas funciones de pertenencia típicas. .......................................................................104
Tabla 4.1. Algunos tipos de representación de los individuos de una población................................138

XIX
Tabla 4.2. Ejemplos de operadores de cruce. ...................................................................................139
Tabla 5.1. Criterios de error de la respuesta temporal de la fuerza de corte. .....................................153
Tabla 5.2. Resumen de los parámetros de los modelos neuro-borrosos.............................................159
Tabla 5.3. Estudio comparativo entre el controlador CMI-ANFIS y otras estrategias de control
analizadas. ..................................................................................................................163
Tabla 5.4. Base de reglas del controlador borroso............................................................................167
Tabla 5.5. Comportamientos extremos del sistema de control para el tiempo de retardo
variable. ......................................................................................................................173
Tabla 5.6. Estudio comparativo de las estrategias de control analizadas...........................................175
Tabla 5.7. Estudio comparativo de los resultados experimentales y de simulación del
comportamiento del controlador borroso optimizado mediante el método de
entropía cruzada..........................................................................................................192
Tabla 5.8. Parámetros de las estrategias de optimización para un ajuste óptimo de un
controlador borroso de 49 reglas..................................................................................193
Tabla 5.9. Estudio comparativo del desempeño del sistema de control borroso sin presencia de
perturbaciones.............................................................................................................194
Tabla 5.10. Estudio comparativo del desempeño del sistema de control borroso en presencia
de perturbaciones. .......................................................................................................195

XX
 INTRODUCCIÓN

Los sistemas físicos involucrados en la industria del siglo XXI forman parte de un sistema
social y técnico dinámico en un entorno cada vez más globalizado y turbulento. Los cambios
que ha sufrido la economía mundial en las últimas dos décadas, debido al crecimiento
económico de nuevos países emergentes, además de fenómenos como la deslocalización, han
puesto en el punto de mira a varios sectores considerados estratégicos, entre ellos un sector
muy importante y sensible para el empleo, el bienestar social y la seguridad de las naciones: el
sector de la fabricación. Los procesos de fabricación tienen, por su variedad y complejidad, un
gran impacto en el producto nacional bruto de Europa. Se estima que la actividad de
fabricación representa aproximadamente el 22% del PNB europeo, además, un 75% del PIB y
un 70% del empleo a nivel europeo están relacionados con la fabricación [1].
Existe la necesidad de desarrollar e implementar estrategias de fabricación basadas en la
investigación y la innovación, que aceleren la transformación de la industria europea,
asegurando un empleo de valor añadido y logrando que una parte importante de la producción
esté soportada en la economía del conocimiento. Esta estrategia debe garantizar una continua
competitividad de la industria de fabricación, significando una radical transformación de la
industria en todos sus niveles, desde la red de sistemas de fabricación hasta las fábricas, los
sistemas de producción, máquinas, componentes y procesos técnicos.
Entre las áreas prioritarias que asegurarán el desarrollo del sector de la fabricación en
Europa en los próximos años, se encuentra la relacionada con la transformación de la
fabricación de componentes basada en recursos (humanos, computacionales, maquinaria, etc.)
en una fabricación basada en conocimiento. Esa transformación va indisolublemente ligada a
las Ciencias de las Computación y a la Inteligencia Artificial de modo que permitan una
materialización pragmática de la fabricación adaptativa, digital y basada en conocimiento. Es
decir, hay que incorporar una respuesta automática a los cambios del entorno, involucrando
software y tecnologías convergentes en el diseño y operación de los procesos, además de la

1
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

utilización del conocimiento para optimizar los procesos de fabricación, su adquisición y

transferencia.
La mejora de la respuesta de los sistemas de fabricación, ante los cambios continuos y
permanente evolución del entorno, técnicamente es viable a través del desarrollo de sistemas
de control con capacidades de auto-aprendizaje, cooperativos y auto-optimizables. Este hecho
implica, ineludiblemente, la incorporación de cierta inteligencia para la mejora de los
procesos, lo que a su vez conduce al desarrollo de sistemas de vigilancia y monitorización de
bajo coste que mejoran la capacidad de pronóstico, la fiabilidad y el rendimiento de los
sistemas de monitorización actuales. A medio plazo la mayor prioridad es el desarrollo de
técnicas basadas en la Inteligencia Artificial que permitan una fabricación más eficiente y
rápida a través de un comportamiento cooperativo, auto-organizado y auto-optimizado de los
sistemas de control de procesos.
Los esfuerzos de inversión económica en la industria, en nuevos sistemas inteligentes de
supervisión y control, solo representan un 10% del total a invertir para perfeccionar el sistema
productivo, ofreciendo por contraparte un alto valor añadido que mejora ostensiblemente la
competitividad en un plazo de tiempo reducido. Es por ello que los sistemas inteligentes de
monitorización y control de los procesos industriales, se han convertido en los últimos años
en una de las áreas de mayor interés donde la comunidad científica ha centrado buena parte de
sus esfuerzos.
Esta Tesis Doctoral se enmarca en la actividad investigadora de dos grupos de reconocido
prestigio. El grupo de investigación GAMHE (Grupo de Automatización Avanzada de los
Procesos de Mecanizado de Alto Rendimiento), perteneciente al Consejo Superior de
Investigaciones Científicas, tiene entre sus líneas principales de investigación, el empleo de
sistemas inteligentes para la monitorización y el control de procesos complejos y la
optimización de procesos de fabricación, en específico los procesos de mecanizado de alto
rendimiento. El grupo C4LIFE de la Escuela Politécnica Superior de la Universidad
Autónoma de Madrid, tiene como objetivo principal el desarrollo y aplicación de nuevos
métodos científico-técnicos y estrategias avanzadas en el marco de la conjunción de la
computación y el control inteligente, los sistemas cognitivos artificiales y los componentes
basados en software de libre distribución y en tecnologías emergentes de comunicaciones, con
vistas a generar nuevos conocimientos científicos y técnicos y optimizar el comportamiento
de sistemas complejos de modo que conduzcan a corto, medio y largo plazo a una mejora en
la calidad de vida.
En general, la implementación con éxito de los sistemas de monitorización y control
depende de tres partes esenciales: la robustez del sistema sensorial, la calidad y cantidad de
información de las señales medidas y las técnicas utilizadas para procesar la información y
llevar a cabo las tareas de supervisión y control. Cada una de estas áreas ha sido un nicho para

2 Introducción
 Raúl M. del Toro

las investigaciones relacionadas con el desarrollo de nuevos sensores, modernos sistemas de

procesamiento y estrategias de supervisión y control basadas en técnicas de Inteligencia
Artificial (IA).
Desde el punto de vista científico-tecnológico, la complejidad y variedad de los procesos
de fabricación, la necesidad de compatibilizar los sistemas de supervisión con los sistemas
convencionales en funcionamiento y la necesidad de optimizar el proceso de producción, han
sido catalizadores en la aplicación de las llamadas técnicas IA. Un ejemplo de ellos constituye
el gran número de aplicaciones a procesos físicos basadas en la Lógica Borrosa, evidenciando
el empuje de esta técnica. De hecho, las estrategias de control borrosas son consideradas
como un camino idóneo para hacer frente al comportamiento no lineal y variable en el tiempo
de los procesos reales, además de la imprecisión y fiabilidad de los sistemas de medición.
Otras de las técnicas a destacar son las Redes Neuronales Artificiales que tienen una
extraordinaria capacidad para el aprendizaje, la auto-organización de la información, el
cómputo paralelo y su viabilidad para la implementación de hardware a la medida y
aplicaciones en tiempo real.
Los procesos de mecanizado de alto rendimiento abarcan procesos de corte desde la macro
escala hasta procesos de corte en la micro y nano escala, que se consideran de gran
complejidad y en los cuales las técnicas de control que se están aplicando ofrecen
prestaciones insuficientes o, en algunos casos, prácticamente inexistentes. Por ello, la
comunidad científica trabaja de forma activa en el desarrollo de sistemas inteligentes de
fabricación y en estrategias de control para optimizar estos procesos. Ciertamente los sistemas
de control abierto, y en concreto los Controles Numéricos por Computador (CNC) abiertos,
permiten el desarrollo e implementación de sistemas de control y supervisión.
Los trabajos relacionados con el control para optimizar el proceso de corte en el
mecanizado convencional abundan en la literatura, sin embargo, y a partir de aquella a la que
se ha tenido acceso, hay muy pocos trabajos dirigidos hacia la optimización de los procesos
de mecanizado de alto rendimiento y los resultados son todavía parciales. Con esta Tesis
Doctoral se ha pretendido generar nuevos conocimientos científicos y técnicos sobre este
tema, así como contrastar experimentalmente las aportaciones en el campo de la optimización
de determinados procesos de fabricación, proponiendo una metodología susceptible de ser
aplicada a otros procesos.

Objetivos
El objetivo principal de este trabajo es el diseño, desarrollo y aplicación de estrategias de
optimización basadas en soft-computing, en el contexto de los sistemas de control cognitivos
artificiales, para el control de procesos complejos [2]. Asimismo, se trata de obtener una
representación computacional eficiente y simple, de procesos de elevada complejidad, como

3
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

base para el desarrollo de funciones de coste esenciales en los métodos de optimización, ya

sean mediante técnicas deterministas ó estocásticas, de inspiración física ó biológica.
Las estrategias desarrolladas serán aplicadas a la optimización de un proceso de
fabricación, en específico el proceso de taladrado de alto rendimiento. Este proceso ha sido
escogido por su gran impacto en la producción de bienes y en los servicios. A pesar de su
importancia, resulta insuficiente el conocimiento científico técnico disponible relacionado con
la optimización de este proceso y los resultados existentes son todavía parciales.
El planteamiento de este objetivo tiene asociado los siguientes retos científicos y técnicos
parciales:
1. Diseñar e implementar un modelo computacional para emular el comportamiento de
variables representativas en procesos de fabricación. Análisis del caso particular de las
fuerzas de corte en el proceso de fresado de alta velocidad.
2. Diseñar e implementar de un modelo dinámico computacionalmente eficiente de un
proceso de fabricación complejo. Estudio del caso particular del proceso de taladrado
de alto rendimiento.
3. Diseñar e implementar un modelo dinámico múltiple entrada-simple salida,
computacionalmente eficiente, de un proceso de fabricación complejo. Estudio del
caso particular del proceso de fresado de alta velocidad.
4. Diseñar e implementar una estrategia lineal para la optimización, en tiempo real, de un
proceso de fabricación. Aplicación al caso particular del proceso de taladrado de alto
rendimiento.
5. Diseño e implementación de una estrategia de control neuro-borroso para la
optimización en tiempo real de un proceso de fabricación complejo.
6. Diseñar e implementar estrategias de optimización, clásicas y contemporáneas, de
inspiración física y biológica (i.e., algoritmo heurístico de Nelder-Mead, algoritmos
genéticos, entropía cruzada y temple simulado) de un sistema de control de inferencia
borrosa de un proceso de fabricación complejo.
7. Desarrollar un estudio comparativo entre técnicas de soft-computing y estrategias
lineales para el control en tiempo real de un proceso de fabricación complejo.
8. Desarrollar un estudio comparativo entre técnicas de optimización empleadas para el
ajuste de estrategias borrosas de control de un proceso de fabricación complejo.
Desde el punto de vista técnico, la solución propuesta en este trabajo tiene como punto de
partida el mecanizado inteligente, visto como un procedimiento computacional eficiente
desarrollado a partir de la combinación de una o más técnicas de Inteligencia Artificial y
criterios de expertos, con uno o más niveles de resolución, que básicamente manipulan las
condiciones de operación en los procesos de mecanizado de alto rendimiento, con el objetivo
de optimizar estos procesos, ya sea mediante disminución del desgaste en las correspondientes

4 Introducción
 Raúl M. del Toro

herramientas de corte, el incremento de la calidad de las piezas fabricadas o el incremento de

la productividad en general [3].
También desde el punto de vista técnico, se profundiza en el estudio del desempeño de
diferentes estrategias de optimización de algoritmos de control inteligente, de tal forma que la
metodología de ajuste sea fácil, intuitiva y susceptible de ser utilizada en aplicaciones de la
lógica borrosa al control automático de procesos físicos en general.

Metodología
Para el desarrollo de esta Tesis Doctoral se han utilizado métodos de investigación
teóricos y experimentales, interactuando mutuamente. Las estrategias concebidas y los
algoritmos desarrollados son fruto de la aplicación de los más adecuados paradigmas elegidos
dentro del amplio universo que ponen a nuestra disposición las Ciencias de la Computación y
la Inteligencia Artificial, la Teoría de Sistemas y la Automática.
El estudio y selección de las teorías más viables para el modelado, el control y la
optimización ha sido precedido por una re-elaboración de estas estrategias y algoritmos que
ha permitido su concepción como una doctrina integradora en el diseño de sistemas
inteligentes de control óptimos para sistemas electromecánicos complejos.
Las estrategias de control y optimización desarrolladas, han sido objeto de validación
experimental rigurosa mediante la utilización de un soporte tecnológico, potenciando de esta
forma, la sinergia entre la amalgama de técnicas y procedimientos desarrollados. Esto permite
aplicar de manera iterativa, investigación teórica y experimental, pudiendo aprovechar de
forma mutua las experiencias alcanzadas y mejorando así, los resultados obtenidos. De este
modo se contribuye a una mayor completitud del trabajo de Tesis Doctoral y de los resultados
aquí plasmados.

Estructura del trabajo

El trabajo consta de 5 capítulos, además de un acápite de conclusiones donde se resumen
los aportes de mayor relevancia y propuestas de líneas de investigación futuras.
En el Capítulo 1 se realiza una revisión del estado de la ciencia y la técnica en los
paradigmas elegidos dentro del amplio universo que ponen a nuestra disposición la Teoría
General de Sistemas, la Teoría de Control, las técnicas de Inteligencia Artificial y las Ciencias
de la Computación. Se presenta, además, una breve revisión de los procesos de fabricación y
específicamente los de mecanizado, como caso real de procesos electro-mecánicos complejos,
presentando como han evolucionado estos procesos y las tendencias actuales hacia un
aprovechamiento efectivo de la complementariedad con otras áreas científicas y tecnológicas.

5
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

El Capítulo 2 presenta el diseño e implementación en un lenguaje de alto rendimiento,

como Matlab/Simulink, de modelos de procesos de fabricación complejos que son obtenidos a
partir de las ecuaciones físico-matemáticas de los procesos, así como también mediante el
empleo de técnicas de identificación experimental. En el capítulo se describe la técnica de
identificación de sistemas dinámicos empleada, además de las herramientas y algoritmos
utilizados durante los procedimientos de identificación, así como también la plataforma
experimental empleada para el estudio de procesos de fabricación complejos. Las
aportaciones principales de este capítulo son: el diseño e implementación, a partir de su
modelo físico, de un modelo computacional para emular el comportamiento de las variables
más representativas en procesos de fabricación, en específico el proceso de fresado de alta
velocidad; el diseño e implementación de modelos computacionales del comportamiento
dinámico de procesos de fabricación complejos, obtenidos mediante técnicas de identificación
experimental, en específico modelos simple entrada-simple salida (i.e., proceso de taladrado
de alto rendimiento) y múltiple entrada-simple salida (i.e., proceso de fresado de alta
velocidad).
El Capítulo 3 recoge un estudio de técnicas clásicas y de soft-computing para el control de
procesos complejos. Se abordan las ideas esenciales y conceptuales de los sistemas borrosos,
los sistemas híbridos neuro-borrosos y de estrategias clásicas, como el algoritmo de acción
proporcional, integral y derivativa (PID). Las técnicas estudiadas serán posteriormente
utilizadas en el Capítulo 5 para el diseño de sistemas de control óptimos de procesos de
fabricación complejos.
En el Capítulo 4 se lleva a cabo un estudio de métodos de optimización de diversas fuentes
de inspiración que serán empleados en el Capítulo 5 durante los procedimientos de ajustes de
las estrategias de control introducidas en el Capítulo 3. Se introducen los conceptos básicos de
los algoritmos de optimización, así como una estrategia para su aplicación al ajuste de
sistemas de control. Uno de los algoritmos considerados es el método de optimización Nelder-
Mead, que es una técnica de optimización no-lineal que goza de gran popularidad y además
no utiliza información sobre el gradiente de los datos, por lo que resulta adecuado para ser
aplicado en problemas con funciones discontinuas o con derivadas abruptas. Otro es el
algoritmo de optimización temple simulado o recocido simulado (Simulated Annealing), que
es un método de búsqueda meta-heurística para la resolución de problemas de optimización
global y está inspirado en el proceso físico de recocido de metales. También se han
considerado los algoritmos genéticos, que están basados en la selección natural y han sido
además, ampliamente utilizados en la solución de diversos tipos de problemas de
optimización. Adicionalmente se exponen las ideas conceptuales de uno de los métodos de
optimización global más novedosos: el algoritmo de entropía cruzada (Cross Entropy). Este
se enmarca dentro de los métodos de tipo Monte Carlo, permitiendo la optimización de
problemas combinatoriales, continuos y con multiplicidad de extremos.

6 Introducción
 Raúl M. del Toro

El Capítulo 5 se centra, principalmente, en el diseño de sistemas de control óptimos,

basados en técnicas clásicas y de soft-computing, de procesos complejos y su aplicación a un
proceso de fabricación, en específico el taladrado de alto rendimiento. La metodología de
diseño empleada en el capítulo dispone entre sus principales etapas, la simulación de
estrategias de control desarrolladas a partir de las técnicas introducidas en el Capítulo 3 y su
implementación en la plataforma experimental descrita en el Capítulo 2. El diseño de los
sistemas de control se realiza a partir de modelos de los procesos de fabricación complejos
aportados en el Capítulo 2, en específico, a partir del modelo dinámico, computacionalmente
eficiente, del proceso de taladrado de alto rendimiento. Las principales aportaciones de este
capítulo son: el diseño e implementación de una estrategia de control lineal para la
optimización de un proceso de fabricación complejo, en específico el proceso de taladrado del
alto rendimiento; el diseño e implementación de estrategias de optimización, clásicas y
contemporáneas, tanto de inspiración geométrica, física como biológica, para el ajuste de un
sistema de inferencia borrosa empleado para el control de un proceso de fabricación
complejo; así como un estudio comparativo de los resultados obtenidos de la aplicación de las
diferentes estrategias de optimización. Asimismo, se considera otra aportación el diseño e
implementación de un sistema de control por modelo interno, basado en modelos híbridos
neuro-borrosos, aplicado también al proceso de taladrado de alto rendimiento.

7
 CAPÍTULO 1
ESTADO DEL ARTE

En este capítulo se presenta una breve revisión del estado de la ciencia y la técnica en los
paradigmas elegidos dentro del amplio universo que ponen a nuestra disposición la Teoría
General de Sistemas, las técnicas de Inteligencia Artificial, las Ciencias de la Computación y
la Automática, considerando específicamente la conjunción de estas grandes áreas de
conocimiento. Se presenta, además, una breve revisión de los procesos de mecanizado, como
caso de estudio de procesos electro-mecánicos complejos, presentando cómo han
evolucionado estos procesos y las tendencias actuales hacia un aprovechamiento efectivo de
la complementariedad con otras áreas científicas y tecnológicas.
El capítulo se divide en 3 secciones. En la primera sección (sección 1.1) se muestra una
revisión de las diversas técnicas provenientes, fundamentalmente, de las Ciencias de la
Computación y vinculadas con el campo de la Inteligencia Artificial, con vistas a ser
aplicadas al modelado, control y monitorización de procesos físicos. Como procesos electro-
mecánicos a estudiar y optimizar, en la sección 1.2 se realiza una introducción a los procesos
de mecanizado, presentando su evolución y tendencias actuales. Finalmente, en la sección 1.3,
se recogen varias de las aportaciones disponibles en la literatura, que demuestran la viabilidad
e importancia de la optimización de los procesos de mecanizado mediante la aplicación de
técnicas de Inteligencia Artificial.

1.1 Sistemas Inteligentes para el control y monitorización de procesos

Los últimos años se han caracterizado por el desarrollo de nuevos paradigmas en el campo
de la Inteligencia Artificial (IA). El uso masivo de las técnicas de IA en el modelado, la
monitorización y el control de procesos, ha sido consecuencia de que, en buena medida, las
técnicas clásicas no han producido, en algunos casos, los resultados deseados y se han
mostrado efectivas sólo en las condiciones teóricas de diseño. Sin embargo, no sólo basta con
desarrollar métodos que aprovechen las ventajas de las técnicas de Inteligencia Artificial, sino

9
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

que hay que aprovechar la sinergia entre éstas, los métodos computacionales avanzados y los
avances tecnológicos en general. De este modo se pueden alcanzar diseños de sistemas de
control y/o monitorización cualitativamente superiores y aplicarlos a la mejora de procesos
productivos.
Dentro del amplio espectro de las técnicas de Inteligencia Artificial, una de las ramas con
mayor desarrollo científico-técnico en los últimos años que se nutre, principalmente, de las
sinergias entre las técnicas básicas de la IA es el “Soft Computing”. Esta abarca un amplio
conjunto de métodos para el diseño de sistemas inteligentes, capaces de manejar de forma más
provechosa información incierta, imprecisa y/o incompleta permitiendo, además, abordar
problemas reales para obtener soluciones más robustas, manejables y de menor coste que las
obtenidas mediante técnicas convencionales. El término soft-computing ha sido acuñado por
Lofti Zadeh en una publicación en 1994 [4], definiéndola como (adaptación de la traducción
realizada por Verdegay [5]):
"Básicamente, soft-computing no es un cuerpo homogéneo de conceptos y técnicas.
Más bien es una mezcla de distintos métodos que de una forma u otra cooperan desde
sus fundamentos. En este sentido, el principal objetivo del soft-computing es
aprovechar la tolerancia que conllevan la imprecisión y la incertidumbre, para
conseguir manejabilidad, robustez y soluciones de bajo costo. Los principales
ingredientes del soft-computing son la lógica borrosa, la neuro-computación y el
razonamiento probabilístico, incluyendo además como subconjunto a los algoritmos
genéticos, las redes de creencia, los sistemas caóticos y algunas partes de la teoría de
aprendizaje. En esa asociación de lógica borrosa, neuro-computación y razonamiento
probabilístico, la lógica borrosa se ocupa principalmente de la imprecisión y el
razonamiento aproximado, la neuro-computación del aprendizaje y el razonamiento
probabilístico de la incertidumbre y la propagación de las creencias".
Zadeh define como premisas básicas del soft-computing que la imprecisión y la
incertidumbre son características intrínsecas del mundo real, además que, la precisión y la
certeza conlleva un coste. Expresa, además, como principio rector del soft-computing,
explotar la tolerancia en la imprecisión, la incertidumbre y la verdad a medias, para alcanzar
tratabilidad, robustez y soluciones de bajo coste [4].
Como se ha de extraer del concepto de Zadeh, la asociación de metodologías de cómputo
que conforman el soft-computing, incluye como sus principales miembros [6] la lógica
borrosa (LB), la neuro-computación (NC), la computación evolutiva (CE) y la computación
probabilística (CP) (ver Figura 1.1). A partir de la simbiosis entre estas metodologías es
posible diseñar sistemas inteligentes híbridos para ser aplicados a procesos físicos y de esta
manera hacer frente a la imprecisión e incertidumbre inherente del mundo real.

10 Capítulo 1
 Raúl M. del Toro

En un trabajo publicado en 1999, Bonissone et ál. [7] ofrecen una amplia colección de
sistemas inteligentes híbridos para realizar tareas de diagnóstico, estimación y control en
aplicaciones industriales y comerciales, tales como dispositivos lógicos borrosos (DLB)
ajustados mediante redes neuronales (NN, Neural Networks) y algoritmos de computación
evolutiva (CE), redes neuronales ajustadas mediante CE o por DLB, además de algoritmos de
CE controlados mediante dispositivos lógicos borrosos.

Figura 1.1. Principales metodologías del soft-computing iniciales.

(Bonissone et ál., 1999 [7])

El soft-computing se mantiene en constante evolución y por tanto ha de inferirse que

también sus componentes principales. El incremento de la potencia y el menor coste de los
dispositivos de cómputo, además de los retos que plantea la complejidad de problemas reales,
han promovido el incremento del empleo de algoritmos de tipo heurísticos, como valiosas
herramientas capaces de proporcionar soluciones donde los algoritmos exactos no son capaces
de encontrarlas [5, 8]. Estas técnicas heurísticas han demostrado su efectividad y se rigen por
el principio común de la satisfacción como alternativa a la optimización, o dicho de otro
modo según expresa el Prof. José L. Verdegay de la Universidad de Granada [5]: “[…] antes
que no poder dar la solución óptima a un problema, es mejor dar una solución que satisfaga
al usuario en algún sentido que previamente habrá especificado”.
Estos algoritmos heurísticos difieren en su fuente de inspiración, basándose en procesos
naturales, sociales, físicos, entre otros, agrupándose por tanto en diferentes sub-clases de
algoritmos. Varios de estos algoritmos son considerados metaheurísticos [9] debido a que su
ejecución se produce mediante un proceso iterativo que guía una heurística subordinada,
combinando de forma inteligente diferentes conceptos para explorar y explotar el espacio de
búsqueda [10].
Algunos de estos algoritmos, por ejemplo, se agrupan dentro la denominada inteligencia
de enjambre (SI, Swarm Intelligence) [11, 12], siendo los más populares el algoritmo de
optimización de colonia de hormigas (ACO, Ant Colony Optimization) [13] y el algoritmo de
optimización de enjambre de partículas (PSO, Particle Swarm Optimization) [14]. Estos
algoritmos tienen como característica principal que describen el comportamiento de
colectivos (ej.: colonias de hormigas, bancos de peces, bandadas de pájaros, etc.), ya sea la
interacción entre los individuos que lo componen o con el entorno.

Estado del arte 11

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

Otra gran sub-clase de algoritmos heurísticos constituye la que denominaremos algoritmos

de simulación de procesos físicos (SPF), perteneciente a la gran clase de algoritmos de
búsqueda de tipo Monte Carlo1 [15]. Estos algoritmos gozan de una gran popularidad,
constituyendo su principio de funcionamiento básico, la exploración del espacio de soluciones
de un problema mediante alguna estrategia que transforme las soluciones de partida de forma
iterativa. Estos algoritmos realizan un muestreo aleatorio iterativo para calcular sus
resultados, simulando el comportamiento de diferentes sistemas físicos y matemáticos.

Figura 1.2. Componentes del soft-computing y sistemas inteligentes híbridos.

Entre los métodos de mayor popularidad que comparten este enfoque se encuentran el
algoritmo de ascenso a colinas (HC, Hill Climbing) [16], temple simulado (SA, Simulated
Annealing) [17, 18], búsqueda tabú (TS, Tabu Search) [19], entre otros. Otro de los
algoritmos que vale la pena mencionar, aunque menos conocido debido a que su publicación

1
La computación evolutiva y los algoritmos que la componen, como es el caso de los algoritmos evolutivos
(AE), comparten el mismo principio que estos métodos y por tanto en la literatura son considerados también de
tipo Monte Carlo (T. Weise, "Global Optimization Algorithms. Theory and Application," http://www.it-
weise.de, 2009).

12 Capítulo 1
 Raúl M. del Toro

es más reciente y por ende su aplicación, es el algoritmo de entropía cruzada (CE, Cross
Entropy) [20]. Este algoritmo fue desarrollado con el objetivo de simular eventos raros, con
probabilidades muy pequeñas, pero con requerimientos de una buena precisión en su
estimación.
Existe una amplia variedad de técnicas heurísticas y sub-clases de estas, que han sido
aplicados y pueden emplearse de forma combinada con otros componentes del soft-
computing, como son, además de las técnicas mencionadas con anterioridad, los algoritmos de
búsqueda directa (ej.: algoritmo de optimización de Nelder-Mead (NM) [21]) y producto de la
hibridación de métodos heurísticos (ej.: algoritmos meméticos), por solo mencionar algunos.
La elección para la aplicación de una u otra técnica, dependerá de la eficiencia o desempeño
que demuestre ante cada problema específico. Ofrecer una taxonomía completa de los
algoritmos de búsqueda global, se escapa del ámbito de este trabajo y conllevaría una
dispersión de los objetivos específicos que se persiguen.
La Figura 1.2 muestra un diagrama que pretende abarcar, tanto los miembros principales
del soft-computing, varios de sus componentes básicos, así como sistemas híbridos que han
sido propuestos en la literatura o que pueden surgir de la combinación de los componentes
básicos. El diagrama parte de la clasificación inicial propuesta por Bonissone [7, 22], en la
que se definen varios niveles. En este caso se ha situado en el primer nivel, los cuatro
miembros principales actuales, la computación probabilística, la lógica multievaluada y
computación borrosa, la neuro-computación y tal como proponen Verdegay, Yager y
Bonissone [8], las técnicas metaheurísticas y algoritmos de búsqueda global, como cuarto
componente, ya que abarca la computación evolutiva, tal y como había propuesto Zadeh
inicialmente [6]. A continuación, para cada uno de los componentes básicos se relacionan
algunas de sus técnicas más conocidas:
• Dentro de la computación probabilística se hace énfasis en las redes bayesianas y los
sistemas Dempster-Shafer, para el desarrollo de modelos probabilísticos.
• Para el caso de la computación borrosa y multievaluada, en el diagrama se destacan por
un lado los sistemas algebraicos de lógica multievaluada y los sistemas de inferencia
borrosa, en concreto para este último, se especifican los dispositivos lógicos borrosos
(DLB), empleados para aplicaciones de modelado y control de procesos, de tipo Mamdani
[23] y de tipo Takagi-Sugeno-Kang (TSK) [24, 25].
• Dentro de la neuro-computación, algunas de sus estrategias básicas se han reagrupado de
acuerdo a su topología de red, por un lado se relacionan las redes neuronales (NN, Neural
Networks) artificiales anticipativas (FNN, Feedforward NN) y las redes neuronales
recurrentes (RNN, Recurrent NN). Dentro de la categoría de redes FNN se detallan el
perceptrón de capa simple (NN SL, NN Single Layer), el perceptrón multicapa (MLP,
Multiple Layer Perceptron), las redes neuronales de base radial (RBF, Radial Basis

Estado del arte 13

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

Function) [26], las redes conocidas como controlador del modelo aritmético del cerebelo
(CMAC, Cerebellar Model Arithmetic Controller) [27] y con un desarrollo un poco más
reciente, las redes neuronales aumentadas (Augmented FNN) [28], las redes neuronales
dinámicas aditivas de tiempo continuo (CA–DNN, Continuous-time Additive Dynamic
NN) [29, 30], entre otras. Relacionado con la categoría de redes RNN, estas han sido, por
lo general, orientadas hacia el aprendizaje no-supervisado, como memorias asociativas y
estructuras auto-organizadas. Algunas de las estructuras más conocidas son las redes
competitivas, los mapas auto-organizados de Kohonen (Kohonen SOM, Self-Organizing
Map) [31], las redes de Hopfield [32], los modelos de red basados en la teoría de la
resonancia adaptativa (ART, Adaptive Resonance Theory) [33], las redes de
almacenamiento a corto y largo plazo (LSTM, Long Short Term Memory) propuestas por
Hochreiter y Schmidhuber [34] y las redes neuronales de conexión estocástica (SCN,
Stochastic Connection Neural networks) [35], entre muchas otras propuestas.
• Relacionado con las técnicas de búsqueda global y metaheurísticas, las diferentes
estrategias se han agrupado según las sub-clases de algoritmos mencionados con
anterioridad, la inteligencia de enjambre (SI), los algoritmos de simulación de procesos
físicos (SPF), por supuesto los algoritmos evolutivos (AE), que son considerados
miembros del soft-computing desde su definición inicial y en este caso representados por
los algoritmos genéticos (AG) [36], la programación genética (PG) [37], la programación
evolutiva (PE) [38] y las estrategias de evolución (ES, Evolution Strategies) [39],
resaltando además en el diagrama, el algoritmo de búsqueda directa de Nelder-Mead
(NM).
En un segundo nivel del diagrama, se muestran algunos sistemas híbridos fruto de la
combinación de las estrategias básicas. Por ejemplo, de la combinación de las técnicas
probabilísticas con las estrategias borrosas, se han desarrollado los denominados modelos
probabilísticos híbridos, fundamentalmente la probabilidad de eventos borrosos [40] y la
veracidad de eventos borrosos [41], entre otros.
Por otro lado, la interacción de las estrategias de neuro-computación con las metodologías
de la lógica borrosa y las técnicas de optimización, ha llevado a la elaboración de propuestas
como los llamados sistemas neuronales híbridos, particularmente la generación formal de su
estructura y los valores de los pesos en cada nodo, además del control borroso de los
parámetros de las redes neuronales artificiales. Por ejemplo, en el caso de la aplicación de los
algoritmos evolutivos, algunas propuestas han sido enfocadas hacia el entrenamiento
optimizado de las redes, como alternativa a los métodos clásicos de entrenamiento (ej.: retro-
propagación de errores) [42]. Además, las propuestas han tratado el tema de la evolución de la
topología de la red, de elementos tales como sus capas ocultas, número de nodos por capas y
enlaces entre ellos [43, 44], resaltando la idea de Maniezzo para evolucionar simultáneamente
los pesos y la topología de la red [45]. En cambio, algunas aplicaciones para el control

14 Capítulo 1
 Raúl M. del Toro

borroso de las redes, han sido enfocadas a la monitorización del desempeño de las redes, al
igual que a modificar los parámetros de control de las estrategias de aprendizaje. Ejemplos
típicos han sido las propuestas de Jacobs [46] y Arabshahi et ál. [47], en las que se realiza un
aprendizaje adaptativo mediante una ley de control borrosa, que varía la tasa de aprendizaje a
partir del error obtenido durante el entrenamiento.
Más específicamente, para el caso de la idea de utilizar la lógica borrosa para mejorar el
desempeño de los algoritmos evolutivos, las propuestas de hibridación han sido más recientes,
desembocando principalmente en tres tipos de estrategias: los sistemas genéticos borrosos, los
sistemas bioinspirados y el control borroso de los parámetros de algoritmos evolutivos. Las
proposiciones realizadas van encaminadas principalmente a mejorar el procedimiento de
ajuste de los parámetros que conforman cada una de las etapas de estos algoritmos, tales como
el tamaño de la población, tasas de cruce, etc. Uno de los trabajos pioneros en este sentido,
fue la proposición de Herrera y Lozano [48] para el ajuste de algoritmos genéticos,
obteniendo una mejora en la eficiencia y la velocidad de convergencia.

Figura 1.3. Sistema híbrido neuro-borroso para el control de procesos.

(Kruse, 2008 [49])

Por otra parte, las iniciativas de hibridación entre estrategias borrosas con algunos de los
componentes de la neuro-computación y las estrategias de optimización, al igual que la gran
mayoría de los sistemas inteligentes híbridos, surgen de la necesidad de diseñar sistemas
inteligentes que representen el conocimiento de forma eficiente computacionalmente, además
de reducir costes de diseño. Por ejemplo, relacionado con los DLB de tipo Mamdani, en los
cuales su base de conocimientos está formada por los factores de escala (FE) de sus variables
de entrada y salida, las funciones de pertenencia (FP) también de cada una de las variables y
la base de reglas (BR), se han desarrollado estrategias para el ajuste de estos componentes, ya
sea mediante redes neuronales, algoritmos evolutivos y otras técnicas metaheurísticas. Para

Estado del arte 15

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

este tipo de estrategias vinculadas con la lógica borrosa, se ha realizado un estudio más
exhaustivo de las propuestas claves, debido a su mayor vínculo con los objetivos específicos
de este trabajo.
En el caso de la hibridación con redes neuronales, gozan de gran popularidad los sistemas
neuro-borrosos (ver Figura 1.3) que son, en esencia, sistemas de inferencia borrosa ajustados
mediante redes neuronales o a través de sus estrategias de aprendizaje. Mediante esta
estrategia la base de reglas se representa como una red neuronal, donde los parámetros de las
funciones de pertenencia constituyen los pesos de las neuronas. Por tanto, al entrenar la red
neuronal se ajusta la base de conocimientos del dispositivo lógico borroso. Algunos ejemplos
de sistemas neuro-borrosos de tipo Mamdani disponibles en la literatura son el sistema
NEFCON [50], desarrollado por Nauck en 1994 para tareas de control y el sistema
NEFCLASS [51], propuesto por Nauck y Kruse para ejecutar labores de clasificación.

Figura 1.4. DLB de tipo TSK de primer orden y arquitectura ANFIS equivalente.
(Jang, 1993 [52])

Por otra parte, en el caso del sistema de inferencia borrosa de tipo TSK, su estructura se ha
equiparado con las redes neuronales de base radial [53, 54]. Este tipo de DLB emplea
funciones polinómicas como salida en cada regla de su base de reglas, incrementando de esta
forma, el potencial de representatividad del conocimiento. Basado en la equivalencia de
ambas estructuras, en 1993 Jang publica el sistema de inferencia borrosa basado en redes
neuronales adaptativas (ANFIS, Adaptive Network-based Fuzzy Inference System) [52] (ver
Figura 1.4), donde la base de reglas determina la topología de la red, representando los nodos

16 Capítulo 1
 Raúl M. del Toro

en determinadas capas de la red, los parámetros de las funciones de pertenencia de las

entradas y los coeficientes de los polinomios de salida de cada regla. En este trabajo Jang
propone una estructura de red neuronal denominada redes adaptativas, las cuales no son más
que redes neuronales artificiales multicapas con alimentación hacia delante, con la diferencia
de que las funciones de activación pueden ser diferentes en cada nodo. Además, la red puede
ser entrenada de forma híbrida, empleando el método del gradiente descendiente y el
algoritmo de retropropagación de errores para ajustar los parámetros de los nodos de las capas
ocultas, además del método de mínimos cuadrados para ajustar los parámetros de la capa de
salida.
En cambio, de la combinación de la lógica borrosa con las técnicas de optimización, un
ejemplo clásico de hibridación son los sistemas de inferencia borrosa generados y ajustados
mediante algoritmos evolutivos. Para el caso del DLB en tareas de control, una estrategia fácil
y práctica en su implementación es utilizar alguna función de coste que evalúe el
comportamiento o desempeño del sistema de control a bucle o lazo cerrado. De esta manera a
partir de los valores que alcanza la función de coste, empleando estrategias de optimización,
puede ajustarse el DLB de forma óptima, ya sea por medio de las funciones de pertenencia o
los factores de escala.
A principios de los años 90, se produce una avalancha de trabajos imposibles de ser
recogidos todos en un capítulo de este trabajo, en los que se explora las potencialidades del
empleo de los algoritmos genéticos para el ajuste de dispositivos lógicos borrosos,
principalmente para el control de procesos. Este hecho fue recogido en una publicación en
1996 por Cordón et ál. [55], en el cual se relacionan más de 500 publicaciones de este tema.
Algunas de las principales contribuciones constituyen por ejemplo, el trabajo de Karr de 1991
[56], uno de los precursores de esta estrategia de hibridación, proponiendo el ajuste de las
funciones de pertenencia del DLB mediante algoritmos genéticos. Otro de los trabajos a
resaltar es la propuesta de Lee y Takagi, publicada en 1992 [57], en la cual se ajustan las
funciones de pertenencia y la base de reglas del DLB de tipo TSK, empleando cromosomas
formados por la concatenación de los parámetros de las funciones de pertenencia del
antecedente de cada regla y los coeficientes del polinomio del consecuente.
Otra de las propuestas claves, es el trabajo de Bonissone et ál. [58] inspirado en el
procedimiento de Zheng para el ajuste manual del DLB [59]. Estos autores realizan el ajuste
en tres etapas empleando algoritmos genéticos. Primeramente, a partir de una definición de las
funciones de pertenencia de forma distribuida en todo el universo de discurso de cada una de
las variables, realizan un ajuste de los factores de escala, tanto de entrada como de salida,
causando un efecto “macroscópico” en la base de conocimientos del DLB, ya que los factores
de escala definen los rangos de las variables dentro del universo de discurso y por tanto
determinan el rango de las reglas, dentro de la base de reglas, que se activarán. Seguidamente,
se efectúa un ajuste de las funciones de pertenencia, causando un efecto “mesoscópico” y

Estado del arte 17

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

finalmente, si es necesario un mejor desempeño, se ajusta la base de reglas provocando un

efecto “microscópico” en la base de conocimientos del dispositivo lógico borroso.

Tabla 1.1. Aplicación del soft-computing al modelado, monitorización y control de procesos.

Técnica y aplicación Autores

Computación probabilística, Redes Correa et ál., 2008 [60]; Flynn y Todd,
Bayesianas. Modelado y monitorización. 2010 [61]; Elliott y Williams, 2006 [62]
Redes neuronales. Modelado y Alippi y Piuri, 1996 [63]; Coit et ál., 1998
monitorización. [64]; Feng et ál., 2002 [65]
Barnes et ál., 1991 [66]; Hunt et ál., 1992
Redes neuronales. Modelado y control. [67]; Jin et ál., 1994 [68]; Narendra et ál.,
1990 [69]
Lógica borrosa. Modelado y control. Babuska, 1998 [70]; Haber et ál., 2002 [71]
Santos et ál., 2006 [72]; Denaï et ál., 2007
Sistemas híbridos neuro-borrosos. [73]; Sun et ál., 2005 [74]; Shari et ál., 1996
Modelado y control. [75]; Liu et ál., 2004 [76]; Haber et ál.,
2005 [77]
Farag et ál., 1998 [78]; Carse et ál., 1996
Algoritmos evolutivos, hibridación.
[79]; Nearchou, 1999 [80], Martín et ál.,
Modelado y control.
2009 [81]

En la Tabla 1.1 se resumen algunos trabajos disponibles en la literatura, en los cuales se

aplican varias de las técnicas incluidas en el soft-computing, desde estrategias básicas hasta
sistemas híbridos, para tareas de modelado, monitorización y control de procesos.
En este trabajo se hará uso de algunas de las ideas de hibridación propuestas en la
literatura para ser consideradas en el control de procesos complejos. Partiendo de la lógica
borrosa y principalmente del DLB como estrategia de control, se comprobará el desempeño
de varios métodos metaheurísticos, pertenecientes a diferentes subclases de técnicas, para el
diseño y ajuste óptimo de sistemas inteligentes para el control de procesos. En específico se
explorarán las sinergias entre los algoritmos genéticos, el algoritmo de temple simulado, el
algoritmo de Nelder-Mead y el algoritmo de entropía cruzada, el cual es una de las estrategia
emergentes para el ajuste óptimo de sistemas de control. Se examinará además, la
potencialidad de los sistemas híbridos neuro-borrosos, a través de los sistemas de inferencia
borrosa ajustados mediante redes adaptativas, para el control de procesos. Las diferentes
estrategias serán utilizadas para el control de procesos de mecanizado, de los cuales se
realizará una breve introducción en la siguiente sección.

18 Capítulo 1
 Raúl M. del Toro

1.2 Operaciones de mecanizado como procesos electro-mecánicos

complejos
Los procesos de mecanizado constituyen procesos de fabricación que abarcan un conjunto
de operaciones de conformación de piezas o componentes, mediante la deformación y
eliminación de material, ya sea por arranque de viruta o por abrasión. Estos procesos pueden
realizarse empleando herramientas de uso manual, constituyendo un factor importante la
fuerza y destreza para ejecutar las operaciones, que desempeñe el operador humano, pero por
otra parte, y siendo los procesos a los que nos referiremos en este trabajo, también se llevan a
cabo mediante máquinas herramientas, donde los esfuerzos necesarios para que se produzca la
eliminación de material se produce por dispositivos electro-mecánicos.

Figura 1.5. Clasificación de los procesos de mecanizado.

Las máquinas herramientas pueden operarse de forma manual (a través de

servomecanismos) o de forma automatizada. Las primeras máquinas empleaban volantes para
ajustar las posiciones y velocidades de sus ejes de movimiento y poseían complejos sistemas
de engranajes y palancas para controlar las operaciones de mecanizado. A partir de la II
Guerra Mundial y tras el incremento de la demanda en los procesos de fabricación, se
desarrollaron los sistemas de control numérico. Las máquinas de control numérico iniciales,
utilizaban tarjetas perforadas para las órdenes a su sistema de control. El desarrollo de las
tecnologías de cómputo a partir de los años 60 y la incorporación de estos avances a las
máquinas herramientas, provocó un incremento de la flexibilidad de los procesos de

Estado del arte 19

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

mecanizado, surgiendo lo que conocemos hoy como máquinas de control numérico por
computador o máquinas CNC. Estas máquinas son capaces de repetir secuencias de órdenes
con precisión, pudiendo producir por tanto, piezas de mayor complejidad.
Los procesos de mecanizado se realizan sobre piezas, por lo general tratadas previamente,
con el fin de mejorar sus propiedades mecánicas como la dureza, la resistencia, la elasticidad,
etc. La Figura 1.5 muestra una clasificación de los procesos de mecanizado, agrupados
principalmente por convencionales o no, y luego entre las operaciones tradicionales se hace
diferenciación entre los procesos por arranque de viruta y procesos de conformado. Entre las
operaciones que forman parte de los procesos de mecanizado por arranque de viruta (ver
ejemplos de la Figura 1.6) se encuentran el taladrado, torneado, fresado, roscado, grabado,
entre otras, las cuales son consideradas como operaciones de mecanizado convencionales.
Constituyendo el taladrado, el torneado y el fresado, las operaciones con mayor peso en la
industria.

a) b)

Figura 1.6. Ejemplos de operaciones de mecanizado convencional.

a) Proceso de torneado y b) operación de taladrado.

Los procesos de mecanizado tienen una gran importancia dentro de los sectores de
fabricación. Estos procesos involucran maquinaria y materiales muy costosos, así como
operadores expertos. Además, la fuerte competencia a nivel internacional en el sector del
mecanizado obliga a desarrollar e implantar sistemas de monitorización y control que mejoren
los procesos productivos en todas sus facetas, como pueden ser: incremento de las tasas de
arranque del material, disminución de tiempos de parada, mejorar la calidad superficial de los
componentes fabricados así como su calidad dimensional, conservar las herramientas de corte,
además de la durabilidad de las máquinas, entre otras [82]. Sin embargo, la complejidad
intrínseca de estos procesos hace que esta tarea no resulte nada sencilla. La fuerte interacción
en las máquinas del movimiento relativo entre la pieza y la herramienta genera problemas
como por ejemplo, vibraciones y el retemblado, la obtención de formas y de acabados
imprecisos, deformaciones de orígenes mecánicos o térmicos, etc. [83].

20 Capítulo 1
 Raúl M. del Toro

a) b)

Figura 1.7. Ejemplos de operaciones de mecanizado no tradicional.

a) Mecanizado electro-químico y b) mecanizado con rayo láser (imágenes obtenidas de [84]).

Por otra parte, el desarrollo de nuevas tecnologías ha traído consigo la implantación en los
últimos años de nuevos procesos de mecanizado, en los cuales el arranque de material se
produce de forma no convencional, empleando energía térmica, mecánica, química, eléctrica
o la combinación entre ellas, denominándose operaciones de mecanizado no tradicionales (ver
ejemplos de operaciones en la Figura 1.7). Estas operaciones suelen dividirse en cuatro
categorías [85]:
1. Químicas: la eliminación de material se produce mediante una reacción química (ej., el
mecanizado fotoquímico conocido también como fresado fotoquímico).
2. Eléctricas o electroquímicas: el material se elimina por disolución electrolítica. Ej.,
mecanizado electroquímico (ECM, Electro-Chemical Machining) y esmerilado
electroquímico.
3. Térmicas: la operación se lleva a cabo concentrando altas temperaturas en zonas muy
localizadas en las que funde y vaporiza el metal. Entre sus operaciones podemos citar el
mecanizado por electro-erosión (EDM, Electrical Discharge Machining) donde la
eliminación de material se produce mediante un arco eléctrico; el mecanizado mediante
haz de electrones (EBM, Electron-Beam Machining) en el cual electrones a muy alta
velocidad y energía inciden sobre la superficie de piezas, creando calor y evaporizando el
material en la región de contacto; el mecanizado con rayo láser y con arco de plasma,
entre otros.
4. Mecánicas: la eliminación de material se produce por erosión o corte con puntas
múltiples. Ejemplo de operaciones, mecanizado ultrasónico, chorro de agua, mecanizado
con chorro de agua abrasivo, entre otros.

Estado del arte 21

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

El desarrollo de las ciencias de la computación y las tecnologías de los ordenadores, los

dispositivos electro-mecánicos, los sistemas de medición avanzados, los nuevos materiales se
ha producido de forma simultánea con el empuje, competencia y exigencias en general de la
industria de fabricación. Estos avances han conducido a la evolución del mecanizado
convencional al mecanizado de alto rendimiento (MAR) o también conocido como
mecanizado de alta velocidad. Se trata de producir componentes de mayor valor añadido,
demandando por tanto, una disminución de los costes y de los tiempos de producción, en
paralelo con un aumento de la calidad de los componentes fabricados.
El concepto de mecanizado de alto rendimiento se refiere principalmente a operaciones
por arranque de viruta en las cuales se han obtenido mejoras sustanciales en dos aspectos
principales de los procesos [86]. Por un lado un incremento notable en la productividad,
medida como tasa de arranque, es decir, cantidad de material eliminado por unidad de tiempo,
sin que conlleve un desgaste excesivo de las herramientas y, por otro lado, la calidad que se
obtiene de las piezas que se fabrican, reflejada en una mayor calidad superficial y
dimensional.
Hoy en día los procesos de mecanizado de alto rendimiento imponen nuevos conceptos y
estrategias de diseño mecánico en los elementos de la máquina herramienta, así como en el
rediseño drástico de todos los esquemas relacionados con los sistemas de monitorización,
control y supervisión de los procesos [87]. La complejidad de los procesos de mecanizado,
dada por sus no-linealidades inherentes, su naturaleza multivariable, etc., se hace aún más
patente en el nuevo concepto de mecanizado de alto rendimiento.
La constante evolución de estos procesos, demanda la necesidad de desarrollar e
implementar estrategias basadas en la investigación y en la innovación que permitan, a nivel
funcional, el aprovechamiento efectivo de la complementariedad y de las sinergias
provenientes de diferentes áreas científicas y tecnológicas. Es por ello que los objetivos de
este trabajo están encaminados al diseño de estrategias de control basadas en la hibridación de
técnicas de Inteligencia Artificial, para la optimización de procesos de mecanizado. Esto
será posible gracias al conocimiento generado sobre estos procesos mediante
representaciones computacionales simples y eficientes, obtenidas, fundamentalmente, a
partir de la aplicación de técnicas de identificación experimental de sistemas dinámicos.

1.3 Inteligencia Artificial para la optimización de los procesos de

mecanizado
Dada la complejidad de los procesos de mecanizado de alto rendimiento y por el hecho de
que las técnicas de control que se aplican ofrecen prestaciones insuficientes, el desarrollo de
sistemas inteligentes de fabricación y de estrategias de control inteligente para optimizar estos

22 Capítulo 1
 Raúl M. del Toro

procesos, constituyen una herramienta de muy gran utilidad para la continua mejora de estos
procesos.
A lo largo de los últimos años, las aplicaciones de diferentes técnicas de Inteligencia
Artificial (IA) a las operaciones de mecanizado y de fabricación en general, han estado
enfocadas principalmente a su optimización mediante la manipulación de los parámetros que
determinan las operaciones de corte (parámetros de corte), el desarrollo de sistemas de
monitorización, supervisión y control y sistemas de diagnóstico y detección de fallos,
produciendo resultados sorprendentes. De las estrategias desarrolladas, las que se centran en
los parámetros de corte han sido las más estudiadas y las que mejores resultados han aportado.
Según la literatura a la que se ha tenido acceso, tanto las redes neuronales artificiales
(RNA) como los sistemas de inferencia borrosa han sido, de las técnicas de Inteligencia
Artificial, las que con mayor frecuencia se han empleado para la optimización de los procesos
de mecanizado. Debido a su capacidad para la aproximación de funciones, en especial de
relaciones no-lineales, las redes neuronales artificiales han resultado ser una técnica muy
atractiva para el modelado de los procesos de corte [88, 89].
En un trabajo publicado en 1998, Coit et ál. [64] consideraron los aspectos prácticos de la
construcción y validación de modelos neuronales, mientras que Viharos et ál. [90] mostraron
la aplicación de las redes neuronales artificiales al control y monitorización de procesos de
mecanizado. Diversas aplicaciones de modelado de procesos de mecanizado a través de redes
neuronales artificiales basadas en relaciones entradas-salidas han sido reportadas en la
literatura. Ejemplo de ello constituyen las aplicaciones satisfactorias del perceptrón multicapa
(MLP) para modelar el lijado de super-aleaciones propuesta por Sathyanarayanan et ál. [91],
el modelo desarrollado por Jain et ál. [92] para la predicción de la tasa de arranque de material
y el acabado superficial de un mecanizado abrasivo, además del modelo propuesto por Feng et
ál. [65] del tallado de cilindros para motores. Además, en un trabajo desarrollado por Grzesik
y Brol [93], estos autores mostraron la utilidad del modelado y el control neuronal, hibridado
con otras técnicas de análisis (ej., estadísticas), de ciertas características del acabado
superficial en procesos de mecanizado de múltiples etapas. Algunos de los inconvenientes de
las redes neuronales artificiales son que los parámetros del modelado no pueden ser
interpretados, que son dependientes de grandes conjuntos de datos de entrenamiento, que
ciertas configuraciones de las redes producen sobre-entrenamiento y que, en ocasiones, el
entrenamiento culmina sin que se hayan alcanzado soluciones óptimas.
Por otro lado, la lógica borrosa también ha jugado un papel muy importante en el
modelado de procesos de mecanizado. El modelado basado en la teoría de conjuntos borrosos
es usualmente utilizado cuando existe conocimiento subjetivo del proceso u opiniones de
operadores expertos, desempeñando un papel fundamental en la definición de funciones
objetivo y variables de decisión. Shin y Vishnupad [94] observaron que la hibridación de los

Estado del arte 23

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

sistemas de inferencia borrosa con las técnicas de neuro-computación para el modelado de

procesos, podría ser una manera efectiva de controlar procesos de mecanizado como la
operación de pulido. Para esta misma operación y empleando esta misma técnica de
hibridación, Chen y Kumara publicaron en 1998 [95] un sistema inteligente híbrido neuro-
borroso para controlar el proceso. Esta idea de integración de ambas técnicas también fue
resaltada por Kuo y Cohen para el control efectivo de procesos de fabricación [96]. Cabe
destacar también en este campo el trabajo de Kamatala et ál., en el cual se desarrolla un
sistema basado en lógica borrosa para predecir la rugosidad superficial en procesos de
torneado [97] y la propuesta de Hashmi et ál. de selección de los parámetros de corte en
operaciones de fresado mediante sistemas de inferencia borrosa [98].

Tabla 1.2. Técnicas de IA en la optimización de procesos de mecanizado.

Modelado, Monitorización y Supervisión Relacionado con Autores

Modelo basado en algoritmos genéticos para la
Milferner et ál.,
predicción de la fuerza de corte en operaciones Herramienta
2005 [99]
de fresado.
Modelos teóricos y experimentales del proceso Calidad Maksoud y Atia,
de rectificado basados en la LB y RNA. Superficial 2004 [100]
Estimación de la condición de la herramienta Rao y Srikant, 2004
Herramienta
de corte utilizando SOM en torneado. [101]
Monitorización del proceso de torneado
basada en: filtrado de características Fu y Hope, 2004
Herramienta
redundantes por medio de agrupamiento [102]
borroso y fusión sensorial empleando RNA.
Modelo borroso TSK para la estimación de las
Ali y Zhang, 2004
condiciones de rectificado en las que se Herramienta
[103]
produce quemaduras.
Sistema borroso en el fresado para la Liang et ál., 2004
Vibraciones
supresión de vibraciones. [104]
Haber y Alique,
RNA anticipativa en operaciones de fresado. Herramienta
2003 [105]

Por otra parte, en 1998 W.L.R. Ip publicó una estrategia de control basada en lógica
borrosa para la regulación de la velocidad de avance en el fresado de un acero templado,
obteniendo una mayor eficiencia de corte y un mayor aprovechamiento de la vida útil de la
herramienta [106]. Lee et ál. usaron la teoría de conjuntos borrosos para obtener un modelo
no-lineal del proceso de torneado, mostrando de este modo una herramienta más efectiva que
las técnicas de modelado matemático para el caso en el que exista cierta “vaguedad” en la
variables de control del proceso [107]. Al-Wedyan et ál., ya en el año 2001, usaron técnicas
de modelado borroso para operaciones de fresado [108]. Para una mayor ilustración de las

24 Capítulo 1
 Raúl M. del Toro

aplicaciones de las técnicas de IA para la optimización de procesos de mecanizado, en la

Tabla 1.2 se resumen otras aportaciones recogidas en la literatura.
Con un mayor enfoque hacia el tipo de operación de mecanizado, al cual se ha aplicado la
técnica y clasificados los procesos en operaciones tradicionales y no convencionales, en la
Tabla 1.3 también se resumen varias de las propuestas y aportaciones de los últimos años.

Tabla 1.3. Sistemas inteligentes en la automatización de procesos de mecanizado.

Sistemas Inteligentes en la Automatización Operación Autores

Optimización de la trayectoria utilizando Punzonado y corte Wang y Xie,
colonias de hormigas. con láser 2005 [109]
Control borroso de la conductividad eléctrica Mecanizado Skrabalak et ál.,
no convencional

de la disolución (simulación). electroquímico 2004 [110]

Mecanizado

Behrens y
Control borroso de la distancia entre los
Electro-erosión Ginzel, 2003
electrodos
[111]
Mecanizado Shi, Schillings y
MLP para el modelado del proceso.
químico Boyd, 2004 [112]
Micro-mecanizado Yousef et ál.,
MLP para el modelado del proceso.
con láser 2003 [113]
Pulido mecánico- Lin y Liu, 2003
ANFIS para predecir la rugosidad superficial
químico [114]
Control neuro-borroso del esfuerzo de corte Fresado de alta Haber et ál., 2005
basado en el control por modelo interno. velocidad [77]
Mecanizado
tradicional

Control neuro-borroso de la deflexión de la Ding et ál., 2004

Rectificado
pieza y compensación de las deformaciones. [115]
RNA para generar programas piezas en el Balic, 2004 [116]
Taladrado
taladrado.
Control neuro-borroso de la fuerza de corte Lian et ál., 2005
Torneado
utilizando el aporte basado en caja gris. [117]

A pesar de todas las aplicaciones desarrolladas, el empleo aislado de sistemas borrosos

diseñados a partir del conocimiento de operadores expertos, no resulta óptimo para el
modelado de los cambios dinámicos subyacentes en cualquier proceso de mecanizado. El
aprovechamiento de las sinergias con otras técnicas básicas del soft-computing, y por tanto de
la IA, permitirán, como ya se ha demostrado por algunas de las aportaciones recogidas en la
literatura, el diseño de sistemas inteligentes que aprovechen de forma óptima el conocimiento
de estos expertos, que en ocasiones puede carecer de precisión y completitud, y que permitan,
además, enfrentar los problemas de complejidad de los procesos de mecanizado mediante
soluciones robustas y de menor coste.
En este sentido, la actividad investigadora, que ha servido como base para el desarrollo de
esta Tesis Doctoral, se ha enfocado al desarrollo de estrategias y algoritmos basados en la

Estado del arte 25

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

conjunción de paradigmas de las Ciencias de la Computación y la Inteligencia Artificial y de

la Automática. Esta actividad dio sus primeros pasos en el marco de los proyectos de
investigación COREMAV [118], COREFAV [119] y NANOCUT-INT [120], en los cuales se
han diseñado e implementado sistemas de monitorización y control en arquitecturas
distribuidas, para la optimización de procesos de fabricación complejos. Los sistemas se han
basado, fundamentalmente, en el empleo de técnicas de Inteligencia Artificial y se han
aplicados a procesos tales como el fresado de alta velocidad, el taladrado de alto rendimiento
y procesos de corte en la micro-escala, tal como el micro-torneado.
Durante el desarrollo de las arquitecturas de monitorización y control se han aprovechado
varias sinergias. Por un lado, la sinergia entre la utilización del conocimiento obtenido por la
información sensorial y el procedente de operadores y técnicos expertos. Por otro lado, las
ventajas de la conjunción entre técnicas clásicas de control y de Inteligencia Artificial,
además de la asociación entre algoritmos computacionales avanzados en sistemas
intermediarios y tecnologías de comunicaciones. Esto ha dado lugar al desarrollo de una
arquitectura basada en un sistema intermediario y en un sistema operativo de tiempo real, para
incorporar sistemas de control y monitorización distribuidos. Se ha obtenido, además, un
método de diseño de sistemas de control de inferencia borrosa óptimos, basados en el
paradigma del control por modelo interno, para ser aplicados al control en sistemas
distribuidos, a lazo cerrado, de procesos de fabricación.
Gracias a los conocimientos científicos y técnicos adquiridos en los proyectos citados con
anterioridad, en los que se ha participado de forma activa, se evidenció la necesidad de
desarrollar nuevas capacidades en los sistemas inteligentes artificiales para el control de
procesos complejos de fabricación. Planteándose como nuevo reto científico-técnico, el
diseño e implementación de sistemas de control con capacidades cognitivas artificiales, es
decir, capacidades de auto-optimización, auto-adaptación, auto-configuración y auto-
aprendizaje eficientes. Es por ello que la actividad investigadora que sustenta el desarrollo de
esta Tesis Doctoral, se ha dirigido al desarrollo de métodos computacionalmente eficientes
para el ajuste óptimo de sistemas de control inteligente, capaces de ser integrados en sistemas
intermediarios con especificaciones de tiempo real. Estos métodos constituyen la base para el
desarrollo de los sistemas de control inteligente con capacidades cognitivas.
En la actualidad la actividad investigadora se realiza bajo el paraguas de los proyectos de
investigación COGNETCON [2] y MONINTDRILL [121], siendo el objetivo principal de
ambos el desarrollo de un método para el diseño de un sistema de control cognitivo en red,
basado en modelos internos, para procesos de mecanizado de alto rendimiento. Mediante
estos proyectos se pretende evolucionar los controladores inteligentes a partir de la imitación
de la evolución de la mente biológica, incorporando estrategias de competición, aspecto clave
en los sistemas cognitivos.

26 Capítulo 1
 Raúl M. del Toro

1.4 Conclusiones
En este capítulo se ha realizado una revisión del estado de la ciencia y la técnica en los
paradigmas elegidos dentro del amplio universo que ponen a nuestra disposición la Teoría
General de Sistemas, la Teoría de Control, las técnicas de Inteligencia Artificial y las Ciencias
de la Computación. Se ha prestado especial interés en los paradigmas con una
fundamentación teórica sólida en el campo de la Inteligencia Artificial (IA), con un enfoque
desde la perspectiva de la Automática y la Teoría de Sistemas. El estudio se ha centrado en
estrategias susceptibles de ser utilizadas en el modelado, monitorización y control de procesos
físicos. Paradigmas que aprovechan tanto las ventajas de las técnicas básicas de Inteligencia
Artificial, como las sinergias entre estas. Por este motivo, la revisión se ha enfocado hacia las
técnicas del soft-computing, analizando su evolución desde sus inicios hasta las tendencias
actuales.
Debido a que las estrategias serán aplicadas al control de procesos electro-mecánicos
complejos, como es el caso de los procesos de mecanizado, se ha realizado además, una breve
revisión del estado de la técnica de estos procesos. Presentándose de forma breve como ha
sido su evolución hasta nuestros días y las tendencias actuales en la aplicación de técnicas de
IA, desde la perspectiva del control, para hacer frente a la complejidad de estos procesos y así
mejorar su eficiencia.
En el siguiente capítulo se describe la aplicación de métodos de investigación tanto
teóricos como experimentales para el modelado, mediante algoritmos computacionales
eficientes, de algunos de estos procesos, como es el caso del fresado de alta velocidad y el
taladrado de alto rendimiento.

Estado del arte 27

 CAPÍTULO 2
UN ENFOQUE COMPUTACIONAL PARA EL
MODELADO DE PROCESOS DE FABRICACIÓN

Uno de los aspectos claves, al cual la comunidad científica continúa prestándole atención
en la actualidad, es la obtención de modelos que permitan caracterizar los sistemas físicos
presentes en una gran variedad de procesos y con ello poder simular su comportamiento [122-
126].
Los sistemas de supervisión y control de procesos complejos, desempeñan un papel cada
vez más relevante para alcanzar un cambio cualitativo en los procesos. Para ello, es necesario
disponer de métodos de cómputo eficientes para la predicción ó estimación con cierto grado
de precisión, el posible comportamiento temporal de sus variables de salida, a partir de sus
variables de entrada y sus parámetros. La monitorización del comportamiento dinámico de
estas variables permitiría detectar fallos en el proceso, desgaste de los elementos actuadores,
predecir la presencia de perturbaciones no deseadas y aportar información acerca de la
eficiencia y calidad de los procesos. Para ello resulta clave la obtención de un modelo que
permita la simulación de procesos físicos y la predicción del comportamiento sus variables
más significativas.
Una de las herramientas más ampliamente utilizadas dentro del campo de las ingenierías,
para el análisis y modelado de sistemas y procesos físicos, es Matlab®. Esta herramienta es un
lenguaje de alto rendimiento para la computación técnica, que integra el cómputo, la
visualización y la programación en un ambiente fácil de uso donde los problemas y las
soluciones se expresan en una notación matemática familiar. En el entorno se incluyen
facilidades para el análisis numérico, cálculo matricial, procesamiento de señales,
visualización gráfica y desarrollo de aplicaciones, incluyendo el diseño de interfaz gráfica de

29
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

usuario. Simulink es un paquete de programa de Matlab y se utiliza para modelar, simular y

analizar sistemas dinámicos. También tiene soporte para sistemas lineales y no lineales, ya
sean discretos o continuos en el tiempo.
Su elección para la implementación de modelos de procesos de alta complejidad, como
son los procesos de fabricación, está motivada por la sencillez de la programación, la
posibilidad de realizar simulaciones y aplicaciones en tiempo real, la portabilidad de los
programas desarrollados y la gran potencia de cálculo que posee este entorno. Simulink es
además un entorno de desarrollo muy práctico en ingeniería con una biblioteca de métodos
numéricos y la posibilidad de modificar un gran número de parámetros de una manera
amigable y sencilla. De ahí su amplia utilización para el modelado y optimización de
problemas de nuestro entorno real.
Este capítulo presenta el diseño e implementación en Matlab/Simulink de modelos de
procesos de fabricación complejos. Los modelos implementados son obtenidos a partir de las
ecuaciones físico-matemáticas de los procesos, así como mediante el empleo de técnicas de
identificación experimental. El capítulo está organizado en cinco apartados. La sección 2.1
introduce la técnica de identificación de sistemas dinámicos empleada y se describen varias de
las herramientas y algoritmos utilizados durante los procedimientos de identificación,
presentando, además, una plataforma experimental para estudiar procesos de fabricación. La
sección 2.2 presenta el diseño e implementación de un modelo computacional del
comportamiento de las variables más representativas del proceso de fresado de alta velocidad,
a partir de su modelo físico. En las secciones 2.3 y 2.4 se describe el diseño e
implementación, de modelos dinámicos de procesos de fabricación complejos, obtenidos
mediante técnicas de identificación experimental, mostrando en cada una de las secciones,
todo el procedimiento de identificación empleado. Finalmente, se plantean las conclusiones
sobre los resultados obtenidos.

2.1 Identificación de sistemas dinámicos

El modelado de sistemas dinámicos constituye una práctica muy común en los sistemas de
monitorización y control de procesos electromecánicos complejos. Una de las técnicas más
ampliamente utilizadas para el modelado matemático de procesos o sistemas, es la
identificación experimental, que representa en sí misma todo un campo para el modelado
matemático de sistemas dinámicos, a partir de la observación y medición de sus variables de
entrada y de salida [127, 128].
El procedimiento de identificación de sistemas (ver Figura 2.1), según Ljung [127], está
formado, principalmente, por los siguientes pasos básicos: experimentos para la
identificación, selección de la estructura del modelo, estimación de los parámetros del modelo
y la validación del modelo.

30 Capítulo 2
 Raúl M. del Toro

Figura 2.1. Procedimiento de identificación.

(Imagen reformada a partir de Zhu, 2001 [128])

Identificación experimental de procesos simple entrada-simple salida

A partir del comportamiento temporal de las variables en un proceso lineal e invariante en
el tiempo, simple entrada – simple salida (SISO), es posible identificar características
dinámicas de este, como por ejemplo, si se comporta como un sistema de primer orden, de
segundo, etc. Teniendo una idea del orden del sistema, es posible aplicar varios métodos de
identificación para obtener el modelo que más se ajuste al proceso. Sin embargo, un método
para la identificación experimental más ampliamente utilizado, debido a su sencillez y
robustez, constituye el análisis de respuesta ante una entrada a escalón del proceso a lazo
abierto, es decir, sin realimentación de su salida. El método consiste en aplicar un cambio de
tipo escalón en la variable de entrada del proceso (variable manipulada) y obtener el
comportamiento de la variable de salida (variable controlada), midiendo y registrando las
señales que caractericen a estas variables para su posterior análisis.

u (t ) PROCESO y(t )

Figura 2.2. Respuesta a escalón de un proceso no realimentado.

Un enfoque computacional para el modelado de procesos de fabricación 31

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

Un modelo de un proceso SISO de tiempo continuo, lineal e invariante en el tiempo,

puede describirse a través de una función de transferencia mediante el operador de Laplace s.
La función de transferencia se define a partir del conocimiento de los parámetros del sistema
como sus ceros, sus polos y el posible retraso de tiempo τ , tal como se muestra en la
siguiente ecuación:

y ( s ) b0 s m + b1s m−1 + ⋯ + bm − sτ
G( s) = = n ⋅e (2.1)
u (s ) s + a1s n−1 + ⋯ + an

Esta función de transferencia puede expresarse como la siguiente ecuación diferencial

generalizada:

1  d mu (t − τ ) d m −1u (t − τ ) 
y (t ) =  b0 + b + ⋯ + b u ( t − τ )  −
dt m−1
1 m
an  dt m 
(2.2)
 dy (t ) d n−1 y (t ) d n y (t )  
 n−1
a + ⋯ + a + 
n −1
dt n  
1
 dt dt

Al expresar de forma discreta la ecuación diferencial anterior empleando un tiempo de

muestreo T, se obtiene la ecuación en diferencias correspondiente y esta a su vez se puede
expresar según la siguiente relación lineal, donde t = kT :

y (k ) = x1 (k )θ1 + x2 (k )θ1 + ⋯ + x p (k )θ p (2.3)

Evaluando la ecuación anterior para P muestras en el intervalo de tiempo t = T , 2T ,..., PT ,

se obtiene un sistema de ecuaciones lineales, el cual se representa de forma matricial en la
siguiente ecuación:

 y (1)   x1 (1) ⋯ x p (1)   θ1 

     
Y =X ⋅ θ , donde Y =  ⋮  , X =  ⋮ ⋱ ⋮ , θ =  ⋮  (2.4)
 y ( P )   x1 ( P ) ⋯ x p ( P )  θ p 
   

Los parámetros del modelo θˆ pueden estimarse a partir de la ecuación (2.5). Una solución
directa para el sistema de ecuaciones usualmente no es posible, dado que típicamente el
número de ecuaciones, determinado por el total de muestras P , es mayor que el total de
parámetros a determinar p (sistema sobredeterminado).

−1
θˆ =  XT X  XT Y (2.5)

32 Capítulo 2
 Raúl M. del Toro

A partir de la aplicación del algoritmo de optimización de Newton-Gauss estándar para la

minimización del error residual e(t ) , obtenido mediante la ecuación (2.6), es posible estimar
los parámetros del modelo. Si la convergencia no es suficiente, se aplicaría el algoritmo de
optimización de Levenberg-Marquardt para la minimización del error. La combinación de
estos dos algoritmos de optimización es utilizada satisfactoriamente en una amplia variedad
de aplicaciones y también ha sido extendido a la identificación de sistemas de control no
lineales [129]. El procedimiento de identificación resumido anteriormente, ha sido descrito en
detalle por Zhu [128].

e(t ) = y (t ) − yˆ (t ) (2.6)

2.1.1 Pre-procesamiento de los datos para la identificación experimental

Un paso no poco importante dentro del procedimiento de identificación, es el pre-
procesamiento de los datos medidos. La precisión del modelo a ajustar depende en gran
medida de la calidad de los datos empleados para la identificación, entendiéndose por calidad
de los datos, cuestiones como el nivel de ruido, empleo de los rangos de frecuencias
adecuadas que aportan la información necesaria para el modelo, cambios inesperados del
nivel de las señales o de su tendencia provocado por cualquier perturbación durante la
adquisición de los datos, etc. Además de los fenómenos que pueden aparecer en las señales
eléctricas, introducidos por el propio sistema de medición y adquisición y que no guardan
relación con el comportamiento físico del proceso bajo estudio, como por ejemplo, las derivas
de los sensores y amplificadores, sub-muestreo o solapamiento (aliasing) en las señales
debido al procedimiento de muestreo, ruido introducido en la señal debido a la respuesta
dinámica de los sensores amplificadores, entre otros.
Entre las técnicas más ampliamente empleadas durante el pre-procesamiento, se encuentra
el filtrado de los datos, el cual permite eliminar de las señales los rangos de frecuencias en los
que no es de interés modelar el comportamiento dinámico de los procesos o no aportan
información significativa. Al aplicar un algoritmo de filtrado a las señales medidas, se debe
tener en cuenta que las respuestas dinámicas de los filtros causales, afectan tanto a la amplitud
de la señal a filtrar como a sus características de fase, por lo que el algoritmo de filtrado
introduce retrasos de tiempo en la señal filtrada y por supuesto, ha de influir en el modelo
final que se obtenga.
El filtrado con fase cero, no introduce cambio de fase en la señal que se procesa, pero este
tipo de filtro no cumple el principio de causalidad, por lo que no es posible su
implementación en tiempo real pero, por otra parte, puede utilizarse fuera de línea durante el
pre-procesamiento de los datos. La Figura 2.3 muestra un diagrama del algoritmo de filtrado
[130], en el cual a una secuencia de datos que se desea filtrar x[k ] , se le aplica un filtro causal

Un enfoque computacional para el modelado de procesos de fabricación 33

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

con una característica de fase arbitraria y respuesta a impulso h[k ] , obteniéndose la secuencia
de datos g[k ] . Seguidamente la nueva secuencia es invertida ( g[−k ] ), aplicándose
nuevamente el mismo filtro y dando lugar a la secuencia de datos r[k ] . Por último, esta
secuencia se invierte y se obtiene s[k ] , que constituye la secuencia filtrada pero sin cambio de
fase con respecto a x[k ] .

Figura 2.3. Algoritmo de filtrado con fase cero.

En las ecuaciones (2.7) y (2.8) se describe el algoritmo de filtrado, donde H (e jω ) es la

transformada de Fourier de la respuesta a impulso del filtro h[k ] , h1[k ] representa la
respuesta total a impulso del filtro con fase cero y H1 (e jω ) su transformada de Fourier.

g[k ] = x[k ] ∗ h[k ]

; s[k ] = r[− k ] ; s[k ] = x[k ] ∗ h1 [k ] (2.7)
r[k ] = g[−k ] ∗ h[k ]

h1[k ] = h[k ] ∗ h[− k ]

(2.8)
H1 (e ) = H (e jω ) ∗ H (e jω ) = | H (e jω ) |2
jω

Por otra parte, un algoritmo de filtrado muy sencillo pero de gran utilidad para el
procesamiento de señales periódicas, es el filtro de respuesta a impulso finita (FIR) de media
móvil. El principio de este filtro reside en hallar la media de las muestras de una secuencia
dada, utilizando un total de muestras igual a la ventana de datos ws . La respuesta a impulso
del filtro se describe en la ecuación (2.9).

1
h[k ] = 1 + k −1 + k −2 + ⋯ + k − ( ws −1)  (2.9)
ws

La aplicación de este filtro a una señal periódica permitiría obtener el valor medio de la
señal o su componente de directa o de muy bajas frecuencias. Entre los procesos que se
encuentran caracterizados por este tipo de señal, se encuentran los procesos de fabricación,
donde señales de gran importancia como las fuerzas de corte, poseen componentes periódicas
debido a la influencia de los accionamientos presentes en estos procesos.

34 Capítulo 2
 Raúl M. del Toro

2.1.2 Plataforma experimental para la identificación de procesos de

fabricación
Con vistas a implementar estrategias de identificación en procesos y realizar una adecuada
validación de modelos, se ha utilizado una plataforma experimental instalada en laboratorio
para estudiar procesos de fabricación. La plataforma está constituida principalmente por un
centro de mecanizado de alta velocidad KONDIA HS1000 equipado con CNC abierto
Siemens 840D (ver Figura 2.4). Algunas de las características técnicas de este centro de
mecanizado son las siguientes: 26 kW de potencia, velocidad de giro máxima del cabezal
igual a 24000 rpm, máxima velocidad de avance de la máquina igual 24 m/min y un par
máximo disponible de 28 Nm @6000 rpm. Para medir fuerzas durante las operaciones de
mecanizado, se utiliza una plataforma dinamométrica Kistler 9257, instalada en la bancada de
la máquina. Las características técnicas más importantes de esta plataforma dinamométrica
son: un rango de medición [-5, 5] kN en cada eje, frecuencia natural > 4kHz, linealidad ≤ 2%
a escala completa y una sensibilidad de -7.5 pC/N. Se utilizan además 3 amplificadores de
carga 5011, cada uno para medir fuerza en los tres ejes cartesianos, Fx, Fy y Fz. La adquisición
de estas señales se realiza por medio de una tarjeta de adquisición de datos DAQBOARD-
2005.

Figura 2.4. Componentes de la plataforma experimental

El CNC abierto de la máquina, registra en tiempo real todas las señales de los motores de
los ejes de la máquina, como sus velocidades, posiciones, aceleraciones, par, etc., controlando
a su vez variables del proceso como la velocidad de giro del cabezal, la velocidad de avance
de la máquina, etc. Toda la información que maneja el CNC, se encuentra disponible a través
de un enlace de red bi-direccional denominado MPI (multi-point interface), con una velocidad
de transmisión de datos de 187.5 kbit/s, muy similar al bus de campo PROFIBUS de un uso

Un enfoque computacional para el modelado de procesos de fabricación 35

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

muy amplio en la industria en general. A través del bus MPI, también es posible cambiar los
valores de referencia de las variables controladas por el CNC, como la velocidad de giro del
cabezal y la velocidad en la dirección de avance de la máquina. Esto puede realizarse desde
un ordenador remoto o mediante un sistema de control distribuido en red basado en
comunicaciones Ethernet.
Además de las señales de fuerza y de las variables del CNC, se encuentran instalados
sensores para monitorizar otras variables del proceso como la aceleración de vibraciones y
emisión acústica. Estas señales son obtenidas mediante un sistema de adquisición de datos
(DAQ) y pre-procesadas en una aplicación desarrollada en la interfaz LabView. Tanto las
señales de fuerza como la aceleración son adquiridas hasta una frecuencia de muestreo de 50
kHz y la emisión acústica a una frecuencia de 1 MHz, mientras que las señales del CNC son
muestreadas a la misma frecuencia de giro de la herramienta.
Como se puede intuir de la descripción anterior, la plataforma experimental reproduce un
sistema de monitorización y control distribuido real pero a escala de laboratorio. La Figura
2.5 muestra una representación gráfica de todo el sistema.

Figura 2.5. Diagrama de la plataforma experimental.

Como ha podido apreciarse en la figura anterior, el sistema de monitorización y control

distribuido se encuentra divido en dos niveles de red diferentes (ver Figura 2.6). En el primer
nivel definido por la red MPI (PROFIBUS), el ordenador PC1 contiene todo el sistema de
adquisición y controla el acceso al CNC abierto. Este ordenador maneja todo el acceso al
proceso físico, haciendo a su vez función de servidor de datos y señales del proceso.
Empleando plataformas de desarrollo de aplicaciones en tiempo real, como LabView y Real-
Time Workshop (RTW) de Matlab, en este ordenador es posible implementar algoritmos para
la monitorización y/o control de los procesos de mecanizado.
El ordenador PC1 es, además, el encargado de realizar el enlace con el segundo nivel de
red, definido por la red física Ethernet. En este nivel un ordenador PC2 puede ejecutar, tanto
aplicaciones para monitorizar el proceso y estrategias para el control en red de las operaciones

36 Capítulo 2
 Raúl M. del Toro

de mecanizado, como algoritmos de optimización on-line de las estrategias de control que se

ejecuten en cualquiera de los dos niveles de red. La transferencia de datos entre ambos
ordenadores (PC1 y PC2) se realiza a través de la interfaz intermediaria RT-CORBA.

Figura 2.6. Niveles de red en la plataforma experimental de monitorización y control.

La existencia de diversos niveles de red, lleva asociado una serie de retardos de tiempo a
la hora de realizar tareas de control o monitorización, que se deben tener en cuenta en la etapa
de diseño de las diferentes estrategias. Estos retardos se adicionan a su vez al propio tiempo
muerto intrínseco en los accionamientos electromecánicos que intervienen en las operaciones
de mecanizado. Los retardos inducidos por la red usualmente no son conocidos a priori y, en
general, son de difícil medición o estimación en línea. Un tratamiento formal acerca de los
retardos inducidos por la red y el procedimiento para estimarlos puede ser encontrado en la
literatura [131, 132].

El acceso al proceso desde el primer nivel de red implica un máximo retardo τ P1 que
incluye el retardo inducido por la red de este nivel τ CA , el retardo del sistema de adquisición
τ SC y el tiempo muerto τ P del proceso (2.10). De la misma forma, el acceder al proceso

Un enfoque computacional para el modelado de procesos de fabricación 37

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

desde el segundo nivel de red, implicará un retardo adicional máximo τ12 determinado por el
tiempo de transmisión entre ambos ordenadores τ S 2 y τ A2 (2.11).

τ P1 = [τ SC + τ CA + τ P ]MAX (2.10)

τ P 2 = [τ P1 + τ12 ]MAX = [τ P1 + τ S 2 + τ A2 ]MAX (2.11)

2.2 Diseño e implementación de un modelo computacional para emular el

comportamiento de variables representativas en procesos de
fabricación. Análisis del caso particular de las fuerzas de corte en el
proceso de fresado de alta velocidad
En la última década los procedimientos de transformación de los metales han continuado
centrando la atención de la comunidad científica internacional con numerosos trabajos
dirigidos al desarrollo y perfeccionamiento de dichos métodos. El aprovechamiento de nuevas
herramientas computacionales para el modelado asistido por ordenador, como es el caso de
Matlab/Simulink, constituye una necesidad insoslayable para la mejora de estos procesos.
Dentro de los procesos de fabricación, los procesos de conformado por eliminación o
arranque de material o, como se denominan comúnmente, procesos de mecanizado, incluyen
algunos de los procesos productivos más intensamente utilizados. Por este motivo, algunas
investigaciones apuntan hacia nuevos métodos que permitan alcanzar alto rendimiento y
eficiencia en estos procesos, ya sea mediante un diseño más eficientes de las herramientas de
corte empleadas, para reducir su desgaste [133] o para obtener un mejor acabado superficial
[134].
De todas las variables involucradas en estos procesos, la fuerza de corte es una de las más
significativas por la información relevante que aporta en la caracterización de estos procesos.
Varios estudios realizados relacionan la fuerza de corte y por tanto los parámetros de corte,
con el desgaste de la herramienta [135, 136] y el acabado superficial [137] en los procesos de
mecanizado.
En esta sección se presenta la formalización e implementación en Matlab/Simulink, de un
modelo matemático que relaciona las fuerzas y el par de corte, con los parámetros de corte y
de la geometría generalizada de la herramienta en el conocido como proceso de fresado de
alto rendimiento o fresado de alta velocidad (FAV). La elaboración del modelo de las fuerzas
de corte aquí presentado tiene sus orígenes en trabajos precedentes donde se introducen
modelos mecánicos y dinámicos que relacionan las fuerzas de corte con los parámetros de
corte y la geometría de la herramienta.
El modelo que permite estimar las fuerzas de corte en el FAV, ha sido implementado con
anterioridad en lenguajes potentes de cálculo. En un trabajo precedente se describe el

38 Capítulo 2
 Raúl M. del Toro

desarrollo del modelo en Matlab considerando solamente los tipos de fresa cilíndricas y de
punta esféricas [135], también en otras plataformas de desarrollo como LabView pero solo
para fresas de punta semiesférica [138]. El proceso de corte ha sido simulado, para la fresa de
punta semiesférica, en lenguajes de alto nivel como C++, interactuando con herramientas para
el modelado en 3D [139]. Además, el modelo para las fuerzas de corte en el mecanizado
convencional fue introducido en trabajos previos, considerando la geometría generalizada de
la herramienta [140] para los tipos de fresas helicoidales más utilizadas en la industria.
Asimismo, para la fresa de punta semiesférica se han desarrollado modelos teniendo en
cuenta, para el cálculo del espesor de la viruta, la influencia de la dinámica del proceso de
corte [141] y considerando el movimiento de la herramienta en superficies 3D [141, 142].
El modelo aquí presentado, cuya implementación se ha realizado en una aplicación en
Matlab/Simulink, a diferencia de trabajos previos incorpora la posibilidad de predecir las
fuerzas de corte para diferentes tipos de herramientas, caracterizadas solamente por
parámetros de su geometría. Además permite evaluar la influencia de la dinámica del proceso
de corte en las fuerzas y el par desarrollado, producto de las vibraciones de la herramienta, y
simular su comportamiento temporal considerando operaciones de mecanizado en superficies
3D.
El poder disponer de un método de cómputo eficiente para la predicción o estimación que,
a partir de las condiciones de corte prefijadas por el tipo de material a mecanizar y la
geometría de la herramienta empleada, sea capaz de predecir con cierto grado de precisión el
posible comportamiento de las fuerzas y el par de corte, resulta de gran importancia. El
comportamiento dinámico de dichas variables permitiría detectar posibles roturas en la
herramienta de corte, estimar su desgaste, predecir la presencia de vibraciones y aportar
información acerca del acabado superficial. Para ello resulta clave la obtención de un modelo
que permita la simulación del proceso y la predicción del comportamiento de estas variables.

2.2.1 Modelo físico-matemático del proceso de fresado de alta velocidad

Un modelo del proceso de fresado de alta velocidad, permite estimar las fuerzas que se
producen durante la interacción del filo de la herramienta de corte y el material a cortar, es
decir, durante el proceso de corte o arranque de material. Para ello se determinan
primeramente las fuerzas ( dF [N] ) en una sección infinitesimal del filo de corte ( dS [mm] ) de
la herramienta y seguidamente se realiza una integración a lo largo de toda la zona de
contacto. Las fuerzas que se generan (ver Figura 2.7) dependen, por una parte, de las
características geométricas del filo de la herramienta y del material que lo compone
( K e [N/mm] ) y, por otra parte, la dureza o composición química del material que se está

mecanizando que a su vez determinará la fuerza específica o fuerza necesaria ( Kc [N/mm 2 ] )

Un enfoque computacional para el modelado de procesos de fabricación 39

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

para que se produzca el arranque de una unidad de sección de material [143]. La ecuación
(2.12) es una representación aproximada y generalizada para el cálculo de las componentes de
fuerza que se producen. El área o sección de material ( A [mm 2 ] ) que se desprende en forma
de viruta, es proporcional a la relación entre la velocidad de avance de la herramienta con
respecto a la pieza ( f [mm/min] ) y su velocidad de giro ( n [1/min o rev/min] ), es decir,
A∝ f /n.

dF = K e dS + K c A (2.12)

Figura 2.7. Esquema del proceso de FAV.

Por otra parte, la potencia específica o potencia requerida para que se produzca el arranque
de una unidad de sección de material, depende de la fuerza y de la velocidad de corte o
velocidad tangencial en el punto de corte, dP = dF Vc .

Figura 2.8. Diagrama del proceso de FAV visto como una caja negra.
(Haber et ál., 2004 [135])

En general, es posible caracterizar el proceso de FAV a partir de las fuerzas de corte y,

desde un enfoque sistémico, este se puede considerar como un sistema de múltiples entradas y
múltiples salidas (MIMO) [135]. Dicho sistema involucra parámetros y variables que definen

40 Capítulo 2
 Raúl M. del Toro

la herramienta, el material y la dinámica inherente al proceso de corte, tal y como se muestra

en la Figura 2.8.
A continuación se detallan todos los pasos para la obtención del modelo físico del proceso
de fresado. Por claridad, seguidamente se resume la nomenclatura de las variables empleadas
en las ecuaciones:

D, R, Rr , Rz Parámetros radiales de la herramienta [mm].

α ,β Parámetros angulares de la herramienta [mm].
H Altura total del filo de corte de la herramienta [mm].
i0 Ángulo nominal de la hélice [grados].
Nf Número de dientes.
f Avance de la máquina [mm/min].
Vc Velocidad de corte [m/s].
Pc Potencia de corte [W].
ap Profundidad axial de corte [mm].
ae Profundidad radial de corte [mm].
Constantes de las fuerzas de corte en sentido tangencial, radial y axial
Ktc, Krc, Kac
referidas al material [N/mm2].
Constantes en sentido tangencial, radial y axial de la herramienta
Kte, Kre, Kae
[N/mm].
Fx, Fy, Fz Fuerzas a lo largo de los ejes X, Y, Z [N].
Ftotal Fuerza resultante de las fuerzas en los tres ejes [N].
Fe , Ft Esfuerzo de corte medio experimental y estimado por el modelo.
T (φ ) Par resultante [Nm].
r (z ) Coordenada radial de un punto del filo de corte.
P Un punto en el filo de corte.
ψ (z ) Ángulo radial de retraso.
κ (z ) Ángulo de inmersión axial.
φj(z) Ángulo de inmersión para el diente j a la profundidad de corte z.
φ Ángulo de rotación del filo de la fresa.
φp Paso angular entre dientes.
h(φ , z) Espesor de la viruta.
hr(φ , z) Espesor radial de la viruta.
n Velocidad del cabezal en [rpm] n = (Vc ⋅1000) /( D ⋅ π ⋅ 60) .
stj Avance por diente en mm/rev stj = f /(n ⋅ N f ) .
φst Ángulo de inmersión radial en el punto de inicio.
φex Ángulo de inmersión radial en el punto final.
i(z) Ángulo de la hélice en función de la altura.

Un enfoque computacional para el modelado de procesos de fabricación 41

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

dFr, dFt, dFa Diferencial de fuerzas en los sentidos radial, tangencial y axial.
dz Altura diferencial de un segmento de viruta.
dS Sección infinitesimal del filo de corte de la herramienta.

Geometría generalizada de la herramienta

El modelo geométrico a lo largo del filo de corte helicoidal requiere de un análisis
cinemático y dinámico del proceso de corte. La predicción de las fuerzas de corte necesita de
un sistema de coordenadas, del ángulo de la hélice y la distancia angular de un punto en el filo
de corte [135, 140]. Este punto se encuentra a una profundidad axial de corte ap en la
dirección del eje Z, a una distancia radial r (z ) en el plano XY, con un ángulo de inmersión
axial κ (z ) y un ángulo radial de retraso de ψ (z ) (Figura 2.9).

El modelo matemático impuesto para el borde de corte, considera que el filo se divide en
pequeños incrementos donde los coeficientes de corte pueden variar para cada localización.
Se considera como punto de referencia inicial al primer filo de corte de la herramienta ( j = 1 ),
y su ángulo de rotación cuando z = 0 es φ . El ángulo de inmersión radial para el filo de corte j
en cierta posición axial z queda expresado como:

φ j ( z ) = φ + ( j − 1)φ p −ψ ( z ) (2.13)

Figura 2.9. Modelo geométrico generalizado de una fresa.

42 Capítulo 2
 Raúl M. del Toro

El ángulo de retraso ψ (z ) aparece debido al ángulo de la hélice i ( z ) . En el modelo

generalizado para la geometría de una fresa con dientes helicoidales, el diámetro de la
herramienta puede ser diferente a lo largo de ésta, dependiendo de la forma de la herramienta
(cilíndrica plana, semiesférica, de bola, cónica, etc.).
Basándose en el modelo generalizado de la herramienta introducido en [140], ésta se
describe por siete parámetros: D, R, Rr , Rz , α , β , H (Figura 2.10). Una gran variedad de
formas geométricas de herramientas pueden definirse a través de estos parámetros de acuerdo
con el trabajo anteriormente citado.
La geometría de la herramienta se divide en tres zonas, el cono OM, el arco MN y la de
estrechamiento NS. El punto M es la intersección de la línea OM y el arco MN, el punto N es
la intersección del arco MN y la línea NS.

Figura 2.10. Geometría general de la herramienta.

Las distancias radiales y axiales desde los puntos M y N hasta el eje de la herramienta y el
extremo de ésta, se definen a partir de las relaciones geométricas de los parámetros generales
tal y como se puede observar en la Figura 2.10. Asumiendo que la hélice es continua, es decir,
las zonas son tangentes entre sí en su intersección, las distancias para cada punto quedan
definidas de la siguiente forma:

M r = Rr + R sin α , M z = M r tan α (2.14)

N r = Rr + R cos β
(2.15)
N z = Rz − R sin β

Un enfoque computacional para el modelado de procesos de fabricación 43

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

Las ecuaciones anteriores son válidas sólo en el caso de que 0 ≤ α < π / 2 y β < π / 2 y su
planteamiento es más sencillo de implementar que el introducido en la referencia [140],
evitando además una posible indefinición de M r y N z para el caso de que R = 0 . Esta
reformulación constituye una contribución al modelado de este proceso.
La distancia radial r (z ) , el ángulo de inmersión axial κ (z ) , el ángulo radial de retraso
ψ (z ) , el ángulo de hélice i ( z ) y la longitud infinitesimal dS del filo en el punto de corte P,
se definen en [140], según la distancia axial z del punto para cada una de las zonas de la
geometría de la herramienta.

Espesor radial instantáneo de la viruta

El espesor radial de la viruta hr (φ j , z ) presenta componentes estáticas, hr _ st (φ j , z ) , y
dinámicas, hr _ din (φ j , z ) [144]. Éste varía dinámicamente debido a las vibraciones de la
herramienta. Considerando que estas vibraciones se producen en el plano XY, el espesor
dinámico depende de la vibración del diente que está cortando actualmente y de la vibración
del diente en el periodo anterior τ [seg] [145].

hr (φ j , z ) = hr _ st (φ j , z ) + hr _ din (φ j , z ) (2.16)

hr _ din (φ j , z ) = ∆x(t ) sin φ j (t , z ) − ∆y (t ) cos φ j (t , z ) (2.17)

donde ∆x (t ) y ∆y (t ) son las variaciones en la posición de la herramienta debido a las

vibraciones y se definen como,

∆x (t ) = x(t ) − x (t − τ ) 60  seg / min 

, τ=  rev / min  (2.18)
∆y (t ) = y (t ) − y (t − τ ) nNf

Considerando que la operación de fresado se realiza en 3D (Figura 2.11), el espesor radial

estático de la viruta hr _ st (φ j , z ) [141, 142] se define, considerando la geometría general de la
herramienta, como,

dr ( z )
hr _ st (φ j , z ) = stj sin Φ + stj sin φ j (t , z ) cos Φ (2.19)
dz

donde Φ , en este caso mayor que 0, es el ángulo de la pendiente de la superficie a mecanizar.

Si la operación de fresado se estuviera realizando sólo en el plano XY, es decir Φ = 0 ,
entonces se tendría como ecuación para la determinación del espesor radial estático de la
viruta, hr _ st (φ j , z ) = stj sin φ j (t , z ) [146, 147].

44 Capítulo 2
 Raúl M. del Toro

Figura 2.11. Operación de fresado en 3D con el ángulo de elevación de la superficie Φ .

Modelo físico de las fuerzas y el par de corte

Para determinar las fuerzas de corte implicadas en una operación de fresado [135, 140,
148, 149] se determinan los diferenciales de fuerza en el sentido tangencial ( dFt ) , radial
( dFr ) y axial ( dFa ) (Figura 2.9), que actúan sobre un elemento infinitesimal del filo de corte
de la herramienta (punto P) y seguidamente éstas son transformadas geométricamente al
sistema de coordenadas cartesianas XYZ. Integrando los diferenciales de fuerzas en el nuevo
sistema de coordenadas en todo el filo de corte y sumando las fuerzas en todos los dientes de
la herramienta, la ecuación general para determinar las fuerzas totales
T
Fxyz (φ ) =  Fx (φ ) Fy (φ ) Fz (φ )  según el ángulo de giro φ se puede expresar en la forma
matricial-vectorial como:

Nf  z2

 
∑ ∫
dS
Fxyz (φ ) =  [ A(φ j , κ )K e + A(φ j , κ )K c hr (φ j , z ) ] dz  (2.20)
j =1  dz 
z1

hr (φ j , z ) K e = [ K re K ae ]
T
donde es el espesor radial de la viruta, K te y
K c = [ K rc K ac ] son los coeficientes de corte, los cuales pueden ser determinados de
T
K tc
forma experimental para un tipo dado de herramienta y material y A (φ j , κ ) es la matriz de
transformación geométrica, la cual se define como,

 − sin φ j sin κ − cos φ j − sin φ j cos κ 

A (φ j , κ ) =  − cos φ j sin κ sin φ j − cos φ j cos κ  (2.21)
 
 − cos κ 0 − sin κ 

Un enfoque computacional para el modelado de procesos de fabricación 45

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

Debido a la intermitencia en el proceso de corte la ecuación (2.20) sólo es válida si se

cumple que φst ≤ φ ≤ φex , es decir, que el labio de la herramienta se encuentra insertado dentro
de la pieza, de otra forma las tres fuerzas se consideran nulas para ese labio. φst y φex son los
ángulos de inmersión radial de entrada y salida respectivamente a la pieza.
En la ecuación (2.20), z1 y z2 son los límites de integración de la zona de contacto en cada
momento del corte y pueden calcularse a partir del modelo geométrico generalizado de la
fresa, dz es el diferencial de la profundidad de corte axial y el ángulo de rotación φ está
definido por:

φ = Ω ⋅t (2.22)

donde Ω es la velocidad del cabezal en (rad / s).

Del vector de fuerzas Fxyz (φ ) se determina su valor resultante como,

Ftotal (φ ) = Fxyz (φ ) = Fx (φ ) 2 + Fy (φ ) 2 + Fz (φ ) 2 (2.23)

A partir del diferencial de fuerza tangencial dFt se puede determinar el par de corte,
quedando expresado de la siguiente forma:

Nf N f z2

T (φ ) = ∑ T (φ j ) = ∑ ∫ r ( z )dFt (φ j , z ) =
j =1 j =1 z1

N f z2
(2.24)
dS
∑ ∫ r ( z )[ K
j =1 z1
te
dz
+ K tc hr (φ j , z )]dz

2.2.2 Descripción del modelo implementado en Simulink

A partir de los modelos matemáticos se implementaron los algoritmos en
Matlab/Simulink. La aplicación desarrollada en Simulink permite de forma muy sencilla a
través de una interfaz de usuario introducir los parámetros de la geometría de la herramienta y
de corte (Figura 2.12 y Figura 2.13).
La Figura 2.12 muestra el diagrama de bloques principal (función principal de la
aplicación) del modelo físico-matemático de las fuerzas y el par de corte implementado en
Simulink. En él se puede observar, mediante gráficas, el comportamiento de las fuerzas,
cartesianas y resultante, y el par de corte. La ecuación (2.23), correspondiente a la fuerza
resultante, Ftotal (φ ) , aparece implementada explícitamente en este diagrama. En la parte
izquierda de la Figura 2.12 se muestra el árbol de dependencias entre los diferentes diagramas

46 Capítulo 2
 Raúl M. del Toro

o subsistemas (funciones de la aplicación) que conforman el modelo (ver también Figura

2.14).

Figura 2.12. Diagrama de bloques del modelo matemático de las fuerzas y el par de corte en SIMULINK.

El diagrama de la Figura 2.12 contiene también las entradas y salidas del modelo, las
cuales se describen a continuación:
Entradas feed Avance de la máquina [mm/min].
PHI Ángulo de elevación de la superficie que se va a
mecanizar en cada instante de tiempo.
time Tiempo de la simulación.
cutt_data Datos de corte.
ap Profundidad axial de corte [mm].
ae Profundidad radial de corte [mm].
milling_type Especifica el tipo de operación de fresado, ya sea
contorneado o planeado.
e Excentricidad entre la herramienta y la pieza [mm].
spin_speed Velocidad del cabezal [rpm].
Kc, Ke Vectores de las constantes de corte del material y la
herramienta.
Salidas Fxyz Vector de fuerzas cartesianas.

Un enfoque computacional para el modelado de procesos de fabricación 47

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

Ftot Fuerza resultante o norma del vector de fuerzas

cartesianas [N].
Torque Par de corte resultante [Nm].

En la interfaz de usuario utilizada para la entrada de los parámetros de la geometría de la

herramienta (Figura 2.13) es posible introducir parámetros tales como el paso de integración
en el eje z (dz), el número de dientes de la herramienta, el diámetro de la herramienta, los
parámetros radiales de la herramienta (R, Rr, Rz, ver Figura 2.10), los ángulos de la geometría
de la herramienta ( α , β ), la altura total del filo de corte (H) y el ángulo de hélice nominal. El
modelo utiliza el método numérico de Euler para la integración de las fuerzas de corte a lo
largo del filo de cada labio, a la profundidad axial que se está cortando, aunque Simulink deja
abierta la posibilidad a utilizar otros métodos como Runge-Kutta de cuarto orden.

Figura 2.13. Interfaz de usuario del modelo en SIMULINK para la entrada de parámetros de la geometría
de la herramienta.

La implementación del modelo se realizó con cierto nivel de encapsulamiento y de forma

estructurada, garantizando que el desarrollo y el manejo de cada uno de los diagramas o
subsistemas que lo componen, fuesen lo menos complejo posible y computacionalmente más
eficiente. En la Figura 2.14 se muestran las relaciones o dependencias entre cada uno de los
subsistemas del modelo tal y como fueron implementados en Simulink.

48 Capítulo 2
 Raúl M. del Toro

Figura 2.14. Árbol de dependencias entre los diagramas o subsistemas que conforman el modelo
desarrollado.

A continuación se relacionan cada uno de los subsistemas con una breve descripción de su
funcionamiento:

MillingModel Constituye el diagrama principal del modelo, en él se tiene acceso

a la interfaz gráfica para introducir los parámetros de la geometría
de la herramienta, los parámetros de corte y las constantes de
corte, además permite observar mediante gráficas las fuerzas y el
par de corte. Contiene el subsistema nombrado MillingModel,
donde está implementado todo el modelo del proceso de fresado.
Kc Se encuentra dentro del diagrama principal, es el que implementa
la interfaz gráfica para introducir las constantes de corte Ktc, Krc,
Kac y las almacena en variables del modelo.
Ke Este diagrama se encuentra dentro del diagrama principal,
implementando la interfaz gráfica para introducir las constantes
de corte Kte, Kre, Kae , almacenándolas en variables del modelo.
MillingModel En este subsistema se implementa el cálculo del avance por
diente, stj . Además se calcula el valor del ángulo inmersión
radial, φ j , de cada diente, en dependencia del tiempo y del paso
angular entre dientes φ p . Igualmente se realiza el cálculo de los
ángulos de inicio y fin de corte, φst y φex , a partir de los
parámetros de corte y del tiempo actual, implementando las
ecuaciones de la cinemática de estos ángulos introducida en la

Un enfoque computacional para el modelado de procesos de fabricación 49

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

sección anterior, también se determinan los límites de integración

z1 y z2 a partir de la profundidad axial de corte, ap. Se realiza una
llamada a los subsistemas Fxyz=Sum(Fxyz_j) y
DELTA XYZ(t) .
DELTA XYZ(t) Con este diagrama de bloques se determina la variación de la
posición de la herramienta debido a las vibraciones (ecuación
(2.18))
Fxyz=Sum(Fxyz_j) Dentro de este diagrama de bloques se determina el valor del
vector de fuerzas totales de cada eje cartesiano, Fxyz (φ ) (ecuación
(2.20)), a partir de las fuerzas por cada diente y el par de corte
total T (φ ) (ecuación (2.24)). Además determina, a partir del paso
de integración dz en el eje z y los límites de integración z1 y z2, el
número total de incrementos en los que se divide el filo de la
herramienta.
Fxyz_j Este subsistema realiza la integración a lo largo del filo de la
herramienta mediante el método numérico de integración Euler,
determinando el vector de fuerzas y del par de corte por cada
diente.
Tool data La llamada a este diagrama de bloques se realiza dentro del
subsistema Fxyz_j e implementa, a partir de los parámetros de la
geometría de la herramienta y de la distancia axial z del punto P
de corte, el cálculo de la distancia radial r (z ) , su diferencial
respecto al eje z, dr ( z ) dz , el ángulo de inmersión axial κ (z ) , el
ángulo radial de retraso ψ (z ) y la longitud infinitesimal dS .
dFxyz_j Este subsistema realiza la transformación geométrica de las
fuerzas en el sentido tangencial, radial y axial al sistema de
coordenadas XYZ.
dFrta En este diagrama se calcula el vector de fuerzas en el sentido
tangencial, radial y axial, a partir del espesor de viruta, los
vectores de constantes de corte, Kc y Ke, el avance por diente stj
y la longitud infinitesimal del filo de la herramienta dS . En el
cálculo se tiene en cuenta la intermitencia en el proceso de corte.
Unit step Este subsistema determina la continuidad de las fuerzas de corte a
partir del ángulo de giro φ j de cada labio de la herramienta y los
ángulos de inicio y fin de corte, φst y φex .
hr Diagrama de bloques que implementa el cálculo del espesor radial
de la viruta hr (φ j , z ) (ecuaciones (2.16) y (2.17)).
hr_st Este subsistema es el encargado de calcular la componente
estática del espesor radial de la viruta, hr _ st (φ j , z ) (ecuación
(2.19)).

En la Figura 2.15 se muestran otros diagramas de bloques que forman el modelo,

mostrándose también a qué subsistema pertenece dentro del árbol de dependencias del

50 Capítulo 2
 Raúl M. del Toro

modelo. En la Figura 2.15a) se muestra el diagrama de bloques correspondiente al cálculo de

los diferenciales de fuerza en los ejes cartesianos, representados en este caso como [dFx;
dFy; dFz] y el diferencial de par de corte, dTorque. En el diagrama las fuerzas se calculan a
través de la matriz de transformación geométrica, representada como T_RTA_XYZ, aplicada
al vector de diferenciales de fuerzas radiales, tangenciales y axiales, determinadas en este caso
por el bloque de llamada de subsistema nombrado como dFrta. En la Figura 2.15b) aparece el
diagrama correspondiente al cálculo del espesor radial estático de la viruta denominado como
hr_st, ecuación (2.19), calculado a partir del avance por diente, Stj, el diferencial del radio de
la herramienta respecto a la altura, dR/dz, el ángulo de elevación de la superficie a mecanizar,
PHI, y el ángulo de inmersión radial correspondiente al diente j, phi_j.

a)

b)

Figura 2.15. Otros diagramas de bloques que componen el modelo implementado en SIMULINK.
a) Diagrama que implementa el cálculo de los diferenciales de fuerzas cartesianas y el diferencial de par
de corte, b) diagrama de bloques para el cálculo del espesor radial estático de la viruta.

El modelo permite también, según los parámetros introducidos, la evaluación visual del
comportamiento teórico de las fuerzas de corte a través de gráficas, tanto resultante (Figura
2.16) como en cada eje cartesiano y el par resultante.

Un enfoque computacional para el modelado de procesos de fabricación 51

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

Figura 2.16. Gráfica de fuerza de corte resultante obtenida del modelo implementado en SIMULINK para
ciertos parámetros de entrada.

2.2.3 Validación experimental del modelo de fuerzas de corte

Con vistas a evaluar el comportamiento del modelo implementado se utilizaron datos
experimentales obtenidos de la plataforma experimental descrita con anterioridad. Se
adquirieron las señales de fuerza en los tres ejes cartesianos, Fx, Fy y Fz, a una frecuencia de
muestreo de 40kHz. Se utilizó como material de trabajo piezas de aluminio de una dureza
Brinell de 65 HB5 para un primer experimento y de 145 HB5 para otros tres restantes.
En el estudio realizado, en la simulación y en los ensayos reales, se consideraron las
siguientes condiciones de corte para operaciones de fresado a alta velocidad:
a) Vc=500 m/min, n=9947 rpm, f=2586 mm/min, ap= 10 mm, ae= 5 mm, i0=25o, H=
20.0 mm, D= 16.0 mm.
b) Vc=500 m/min, n= 13263 rpm, f= 1061 mm/min, ap= 10 mm, ae= 5 mm, i0=25o, H=
16.0 mm, D= 12.0 mm.
c) Vc=500 m/min, n= 9947 rpm, f= 2586 mm/min, ap= 5 mm, ae= 5 mm, i0=25o, H=
20.0 mm, D= 16.0 mm.
d) Vc=850 m/min, n= 16910 rpm, f= 4397 mm/min, ap= 10 mm, ae= 5 mm, i0=25o, H=
20.0 mm, D= 16.0 mm.
Las constantes de corte utilizadas en la simulación y en la validación experimental se
ajustaron experimentalmente para cada conjunto material-herramienta y según las condiciones
de corte. Para cada caso estas constantes tienen los siguientes valores:
a) Ktc = 568.21 N/mm2, Krc = 416.53 N/mm2, Kac = 61.85 N/ mm2, Kte= 11.26 N/mm, Kre
= 14.20 N/mm, Kae = 2.38 N/mm.

52 Capítulo 2
 Raúl M. del Toro

b) Ktc = 496.81 N/mm2, Krc = 364.19 N/mm2, Kac = 54.08 N/ mm2, Kte= 9.84 N/mm, Kre =
12.41 N/mm, Kae = 2.08 N/mm.
c) Ktc = 593.16 N/mm2, Krc = 434.81 N/mm2, Kac = 64.57 N/ mm2, Kte= 11.75 N/mm, Kre
= 14.82 N/mm, Kae = 2.48 N/mm.
d) Ktc = 707.33 N/mm2, Krc = 518.51 N/mm2, Kac = 77 N/ mm2, Kte= 14.01 N/mm, Kre =
17.67 N/mm, Kae = 2.96 N/mm.

a) b)

c) d)

Figura 2.17. Fuerza de corte resultante experimental (línea continua) y obtenida por el modelo para
diferentes condiciones de corte (línea discontinua).

Con el propósito de validar el modelo desarrollado, se seleccionaron dos fresas cilíndricas

planas modelo Sandvik R216.32-12025-AP16A H10F para el segundo experimento (b) y
modelo R216.32-16025-AP20A H10F para los restantes (a, c, d). La primera es de 12 mm de
diámetro y profundidad de corte máxima de 16 mm y la segunda herramienta tiene un
diámetro de 16 mm y una profundidad de corte máxima de 20 mm. Según datos del
fabricante, ambas herramientas son para operaciones de ranurado, presentan función de
taladrado, tienen dos dientes, un ángulo de hélice de 25o y están hechas de un metal duro sin

Un enfoque computacional para el modelado de procesos de fabricación 53

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

recubrimiento, adecuadas para el fresado de aleaciones de aluminio con aristas de corte

“agudizadas”. Las probetas fueron mecanizadas según un patrón en círculo.
En la Figura 2.17 se muestra el comportamiento real (experimental) de la fuerza de corte
resultante para cada uno de los cuatro casos analizados (línea continua). En línea discontinua
aparece representada la respuesta del modelo (simulación) según las condiciones de corte de
cada uno de los experimentos. Se aprecia en todos los casos que el comportamiento del
esfuerzo de corte resultante estimado se acerca bastante al comportamiento de los valores
experimentales.

Tabla 2.1. Comparación de las fuerzas de corte obtenidas experimentalmente y mediante el modelo.

( Fe − Ft )100
Experimento Fe [N] Ft [N] AE [%] =
Fe
a 319.38 324.63 1.64
b 158.84 173.13 8.99
c 175.15 171.08 2.32
d 386.02 403.81 4.61

Para evaluar el desempeño del modelo, se utilizaron varias cifras de mérito o índices de
comportamiento para ambos experimentos. De esta manera se pueden comparar las fuerzas de
corte obtenidas a través del modelo y las experimentales. En la Tabla 2.1 se muestra para cada
experimento la fuerza resultante media obtenida experimentalmente, Fe , y la estimada
teóricamente por el modelo, Ft , para estos dos valores se determinó el error absoluto relativo
(AE).
Los coeficientes o constantes de corte (Ktc , Krc, Kte, Kre, Kac, Kae) utilizados en el
modelado fueron obtenidos mediante un procedimiento experimental para los valores de
fuerza media. Ciertamente estos coeficientes tienen un papel determinante en la precisión de
la predicción del esfuerzo de corte. La capacidad de predicción de las fuerzas de corte del
modelo presentado en este trabajo también dependen de coeficientes de corte obtenidos de
forma experimental, y este continúa siendo un punto neurálgico en los modelos matemáticos.

2.3 Diseño e implementación de un modelo dinámico computacionalmente

eficiente de un proceso de fabricación complejo: el proceso de taladrado
de alto rendimiento
Otra de las técnicas de fabricación más ampliamente utilizada para crear orificios
circulares en diferentes tipos de materiales es el proceso de taladrado mecánico. Tiene un
amplio rango de aplicaciones desde la industria aeroespacial, automovilística y la ingeniería

54 Capítulo 2
 Raúl M. del Toro

civil, hasta la fabricación de dispositivos semiconductores y electrónicos. Teniendo en cuenta

el total de operaciones de mecanizado en metales, el taladrado mecánico comprende
aproximadamente el 40% del número total de operaciones. Sin embargo, los fondos
destinados a investigación de procesos de taladrado de alto rendimiento (TAR) son mucho
menores que los dedicados a otros procesos de mecanizado de alto rendimiento, tales como
fresado o torneado [150]. La Ingeniería de Control y las técnicas de la Inteligencia Artificial
(IA), constituyen dos piedras angulares en el ámbito de la fabricación inteligente. El empleo
de sistemas multi-sensoriales y de sistemas distribuidos en red, resultan de gran utilidad para
mejorar el desempeño y el rendimiento de las máquinas herramientas dotadas de control
numérico por ordenador (CNC).
Los sistemas multi-sensoriales pueden proveer información sobre el estado de las
operaciones de mecanizado, el estado de las herramientas de corte, posibles errores durante el
mecanizado y ayudan a incrementar el rendimiento de las piezas de trabajo [151].
Los beneficios económicos de incorporar controladores distribuidos e inteligencia a la
operación de taladrado de alto rendimiento, se derivan de un potencial incremento de la tasa
de arranque de material a grandes velocidades de avances, del incremento del tiempo de vida
útil de la herramienta y/o una reducción de la complejidad del proceso de fabricación [152].

Figura 2.18. Esquema del proceso de taladrado de alto rendimiento.

Durante el proceso de TAR (ver Figura 2.18), a medida que se incrementa la profundidad
d en que penetra la herramienta en la pieza de trabajo, a una velocidad de avance f , se
dificulta el proceso de evacuación de la viruta que se produce debido al arranque de material,
lo cual conlleva un incremento de la temperatura en la punta de la herramienta, induciendo
por tanto, una disminución en su vida útil y una demanda de mayor potencia de la máquina.
Este fenómeno puede provocar además una mayor difusión de los elementos químicos de la

Un enfoque computacional para el modelado de procesos de fabricación 55

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

herramienta de trabajo hacia la pieza y viceversa [153]. Este fenómeno se agrava cuando se
realiza una operación de taladrado de corte continuo, que no permite una evacuación de la
viruta pero produce un incremento considerable en la tasa de arranque de material. Por tanto,
resulta de gran utilidad el empleo de algoritmos de control sencillos y fiables, basados en
técnicas de IA y capaces de trabajar en sistemas de monitorización y/o control distribuidos,
para reducir el desgaste de la herramienta sin afectar la productividad en el taladrado de alto
rendimiento con corte continuo.

2.3.1 Modelado dinámico del proceso de taladrado

Las operaciones de corte de metal, entre las cuales se encuentra el taladrado, han sido
modeladas aplicando variadas técnicas. Diferentes enfoques han modelado el proceso a partir
de las relaciones entre fuerza de corte y variables geométricas y de proceso, por ejemplo,
velocidad de giro de la herramienta, velocidad de avance de la herramienta, profundidad de
corte, etc. El diseño de sistemas de control del proceso de taladrado de alto rendimiento,
basado en modelos de las fuerzas de corte, ha sido sometido a debate por la comunidad
científica con anterioridad, un ejemplo de ello se muestra en un trabajo desarrollado por
Landers et ál. para procesos de mecanizado [154]. Para el proceso de taladrado en particular
Kim et ál. [155] analizaron, en un estudio previo, la relación entre la fuerza de empuje y la
velocidad de avance en una operación de taladrado convencional realizada en una máquina
herramienta con CNC. A partir del estudio se desarrolló un modelo dinámico lineal de primer
orden, cuya función de transferencia es mostrada en la ecuación (2.25). En esta ecuación F(s)
representa la fuerza de empuje, f(s) es la velocidad de avance de referencia y s es el operador
de Laplace. Los parámetros del modelo como la ganancia ( K ) y la constante de tiempo ( T ),
son dependientes del tipo de material que se utilice, por lo que para solventar estas
incertidumbres se emplea para su ajuste una ley de control adaptativa.

F (s ) K
G(s) = = (2.25)
f (s ) Ts + 1

A partir del resultado anterior, Elhachimi et ál. (ver Figura 2.19) presentaron un modelo
puramente geométrico de las fuerzas de empuje y de corte para brocas, validando el modelo
mediante resultados experimentales de taladrado en piezas de acero [156, 157].
Recientemente se han aplicado las técnicas de IA para el modelado de la operación de
taladrado, mediante el empleo de redes neuronales artificiales para predecir la fuerza existente
durante el comienzo y el final de una operación de taladrado [158], como también la
predicción de la fuerza en una operación de fresado en una arquitectura de control por modelo
interno (IMC) basada en redes neuronales [159]. También, la máquina herramienta para
operaciones de taladrado ha sido evaluada mediante modelos basados en elementos finitos,
para predecir su comportamiento dinámico [160].

56 Capítulo 2
 Raúl M. del Toro

Figura 2.19. Parámetros geométricos utilizados en el modelo de Elhachimi et ál.

(Elhachimi et ál., 1999 [156])

Por otra parte, se han realizado estudios de modelado de la operación de taladrado para el
control de par de corte, con vista a reducir el desgaste de herramientas y empleando para ello
modelos dinámicos generalizados de segundo orden [161]. En otro trabajo, Furness et ál. han
modelado el par de corte ante cambios en los valores de referencia de la velocidad de avance
de la máquina, como un sistema de tercer orden con tiempo de retraso fijo [162]. Un modelo
similar de tercer orden pero sin retraso, ha sido implementado junto a un controlador
proporcional, integral y derivativo (PID) para el control del par de corte en operaciones de
taladrado [163].
En otro enfoque diferente para el modelado del proceso de taladrado de alto rendimiento
se obtiene la respuesta dinámica a un impulso del sistema herramienta – cabezal de la
máquina herramienta, mediante un golpe a la herramienta con un martillo calibrado [164] (ver
Figura 2.20). Estos modelos han sido verificados, en una operación de taladrado, analizando
el comportamiento de las fuerzas de corte a medida que cambia la profundidad de corte y
comparándolas con la respuesta prevista por el modelo.

Un enfoque computacional para el modelado de procesos de fabricación 57

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

Figura 2.20. Diagrama de flujo de la aproximación propuesta por Pirtini y Lazoglu.

(Pirtini y Lazoglu, 2005 [164])

Haciendo caso omiso por completo de los modelos basados en la caracterización física del
proceso de taladrado, Oh et ál. han modelado el proceso como un sistema sub-amortiguado de
segundo orden, ajustando los parámetros del modelo a partir de la respuesta temporal ante un
escalón simple. Al combinar este modelo con un modelo de primer orden del comportamiento
dinámico del cabezal de la máquina [163], se obtiene un modelo resultante de tercer orden:

T (s ) Kc Ks
G p (s ) = = (2.26)
f ( s) (τ fc1 s + 1)(τ fc 2 s + 1)(τ s s + 1)

donde T(s) es el par de corte, f(s) es la velocidad de avance, s es el operador de Laplace, Kc es

la ganancia correspondiente al proceso de corte, Ks es la ganancia relacionada con el cabezal,
τfc1 y τfc2 son las constantes de tiempo correspondientes al conjunto proceso-cabezal, y τs es la
constante de tiempo relacionada con el comportamiento dinámico cabezal.
Claramente existe cierta variación en el orden de los modelos disponibles en la literatura
para el proceso TAR por lo que, en este trabajo, se muestra un estudio en profundidad de cual
orden del sistema resulta el adecuado. Para ello, se evalúan modelos de primer, segundo y
tercer orden para un sistema simple entrada-simple salida (SESS), al cual es muy fácil de
aplicar las técnicas de identificación experimental.

58 Capítulo 2
 Raúl M. del Toro

2.3.2 Identificación experimental del proceso TAR en una máquina

herramienta
Con vista a identificar experimentalmente el proceso de taladrado de alto rendimiento, se
realizaron experimentos de taladrado, a nivel de laboratorio, en la plataforma experimental
introducida en la sección 2.1.3. El carácter distribuido del sistema de adquisición instalado en
la plataforma, está en concordancia con las configuraciones reales de la mayoría de los
sistemas más modernos de fabricación, que sitúan los dispositivos de automatización y
control en una situación remota, alejados de las unidades de mecanizado. Sin embargo, el
empleo de un bus de campo como MPI o PROFIBUS, introduce retrasos temporales en la
transmisión y recepción de las señales de control y variables del proceso. En el caso del bus
MPI, los tiempos de transmisión y retardo son estocásticos pero están acotados, y han sido
estudiados como parte de varios esquemas de control [165, 166].
Por tanto, un método sencillo y rápido para la identificación de sistemas en entornos
distribuidos que tiene en cuenta las características específicas del bus de campo o de la red de
datos, resulta muy importante para la aplicación de sistemas de control distribuidos a procesos
de fabricación reales.

Tabla 2.2. Resultados del análisis estadístico de los retardos de tiempo del bus de campo MPI.

Retardos de tiempo
Muestras
Desviación
Mínimo Máximo Medio
estándar
10100 9 ms 51 ms 12.58 ms 3.58 ms

Debido a que las acciones de control (señales de referencia de las velocidades de giro y de
avance) son enviadas al CNC a través del bus MPI, los retardos de tiempo que este introduce
deben ser incluidos en el modelo dinámico del proceso. Los retrasos de tiempo del bus MPI,
en concreto el utilizado en la plataforma experimental, han sido estudiados en trabajos
previos. Los resultados del estudio se muestran en la Tabla 2.2, los cuales representan solo los
retrasos introducidos por el bus y no los del proceso físico en sí.
La dinámica de los componentes individuales del sistema no es analizada durante la
identificación, sino que se toma el proceso completo como una sola unidad y se proporciona
una función de transferencia global, que relaciona el cambio en la fuerza de corte medida
Fmed y el cambio en la velocidad de avance de referencia f ref . En la Figura 2.21 se
representa un diagrama de bloques teórico del sistema. El diagrama representa sendos
sistemas de primer orden para el sistema de accionamientos de la máquina, el proceso de
taladrado y el sistema de sensores, con retardos específicos en la dinámica de la planta,

Un enfoque computacional para el modelado de procesos de fabricación 59

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

incluidos en las funciones de transferencia de cada bloque, y en la red de comunicación. Sin

embargo, es posible que fuese necesario utilizar modelos de órdenes superiores para
representar el sistema completo de forma precisa. Por eso, una gran ventaja del modelo a
identificar es que evalúa la dinámica del sistema global, y no cada parte individualmente, lo
que facilita la incorporación de control y automatización a operaciones de mecanizado
existentes.

Figura 2.21. Diagrama de bloques teórico del proceso de taladrado de alto rendimiento.

Para generar y validar el modelo del proceso de TAR, se han empleado dos tipos de
material: 17-4PH (un acero inoxidable endurecido por precipitación) y GGG40 (un hierro de
fundición nodular dúctil). Sus propiedades se representan en la Tabla 2.3.

Tabla 2.3. Propiedades de los materiales de las piezas de trabajo experimentales.

Resistencia a Módulo de
Dureza
Material Tipo tracción Young
[BHN]
[N/mm2] [N/mm2]
Acero
17-4PH 375 1310 197
inoxidable
Hierro
GGG40 215 420 175
fundido

Ambos materiales se utilizan ampliamente en aplicaciones aeronáuticas y biomédicas y

representan dos tipos muy diferentes de materiales con morfologías de viruta diferentes.
Todas las herramientas de corte utilizadas son de metal duro con recubrimiento de TiN/TiAlN
de 10 mm de diámetro, modelo R840-1000-30-A0A del fabricante Sandvik. Las condiciones
nominales para la operación de taladrado se toman de las tablas proporcionadas por el
fabricante de la herramienta.
En el procedimiento de identificación del proceso de TAR, se aplica un escalón doble en
la entrada del proceso y se analiza su respuesta. Los valores de referencia o nominales de la
velocidad de avance y de la velocidad de giro se programan en el CNC, junto con la
trayectoria de la herramienta durante el funcionamiento. El proceso de taladrado comienza

60 Capítulo 2
 Raúl M. del Toro

con un valor nominal en la velocidad de avance f1, y se produce el primer escalón en la

entrada cuando la herramienta contacta con la pieza en el momento t0 para comenzar el corte.
Cuando la herramienta progresa hasta una profundidad d1 después de un tiempo t1, se
modifica la velocidad de avance hasta f2, y se continúa hasta que se alcance la profundidad d2
en el momento t2. La Tabla 2.4 muestra las condiciones nominales de taladrado para ambos
materiales.

Tabla 2.4. Condiciones nominales para la operación de taladrado.

Velocidad de
Velocidad
avance d1 d2
Material de giro
[mm/min] [mm] [mm]
[RPM]
f1 f2
17-4PH 780 80 120 7 12
GGG40 870 100 120 7 12

El cambio en la velocidad de avance representa el segundo escalón en la entrada del

sistema, que incluye retardos en el proceso de taladrado y en las señales de referencia
enviadas al CNC. La Figura 2.22 muestra una representación gráfica del perfil del taladro
utilizado en los experimentos.

f
f2
f1
d t
d2

d1

t0 t1 t2 t

Figura 2.22. Perfil para la operación de taladrado.

Los datos de fuerza se filtran mediante un filtro FIR utilizando el algoritmo de media
móvil y evitando introducir retrasos temporales durante el procesamiento (ver sección 2.1.1).
La longitud de la ventana de filtrado ws es igual al número de muestras obtenidas durante

Un enfoque computacional para el modelado de procesos de fabricación 61

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

una revolución de la herramienta (2.27); por tanto, el tamaño de la ventana depende de la

velocidad de giro del taladro n y de la frecuencia de adquisición de datos SF .

ws = SF ⋅ 60 / n (2.27)

Para cada material, con las mismas condiciones nominales, se realizaron tres réplicas del
experimento, de tal manera que el modelo obtenido a partir de un conjunto de datos pueda
validarse con datos diferentes.

Figura 2.23. Señal de entrada al proceso (velocidad de avance) y fuerza obtenida, bruta y media (filtrada)
de una operación de taladrado en el material GGG40.

Tabla 2.5. Modelos del taladrado de GGG40.

Modelo Función de Transferencia
10.272 e-0.28 s
1er orden G(s) =
0.38 s +1
10.232 e-0.28 s
2do orden G( s) =
( 0.25s +1)( 0.16 s +1)
10.262 e-0.28 s
3er orden G( s) =
( 0.25s +1)( 0.16 s +1)( 0.13s +1)

La Figura 2.23 muestra las señales de fuerza filtradas y sin filtrar, junto con la velocidad
de avance de una operación de taladro en el material GGG40. Claramente, el filtrado reduce el
ruido de alta frecuencia presente en la señal de fuerza, lo que ayuda a que la creación del
modelo sea más fácil sin pérdida resolución de datos temporales. Además, el retardo en la
salida debido tanto a la arquitectura del medio de conexión como a la propia planta física es
claramente visible en esta figura.

62 Capítulo 2
 Raúl M. del Toro

A partir de la aplicación de las técnicas de minimización del error cuadrático a los datos
obtenidos, se ajustaron modelos lineales de primer, segundo y tercer orden. En la Tabla 2.5 se
relacionan las funciones de transferencia de tiempo continuo que describen los modelos
obtenidos. Las componentes dinámicas difieren, aunque la única diferencia entre los modelos
de segundo y tercer orden es la adición de un polo más y una pequeña modificación en la
ganancia. Todos ellos tienen el mismo tiempo de retardo. El uso de una función de dos
escalones en la velocidad de avance para la obtención de los datos permite obtener un modelo
más realista que incorpora una variedad de situaciones de taladrado.

2.3.3 Implementación de los modelos en Matlab/Simulink

Con vistas a simular los modelos ajustados mediante algoritmos computacionalmente
eficientes, para su posterior análisis o validación, o para su empleo futuro en diseño y ajuste
de algoritmos de control, se ha realizado su implementación en Matlab/Simulink. La
aplicación desarrollada en Simulink permite la simulación de cualquiera de los tres modelos
ajustados.

a) b)

c)

Figura 2.24. Implementación de los modelos en Matlab/Simulink.

a) Entrada de parámetros al modelo, b) entrada y salida de datos del modelo, c) diagrama de bloques de la
función de transferencia del modelo.
El algoritmo consta principalmente de un diagrama de bloques que implementan todos los
componentes de la función de transferencia del modelo (Figura 2.24.c) y de una interfaz de
usuario para introducir sus parámetros (Figura 2.24.a). Tanto los polos del modelo, como el

Un enfoque computacional para el modelado de procesos de fabricación 63

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

retardo de transporte, son implementados con los bloques disponibles en la librería de

sistemas continuos. Además, se ha utilizado como método numérico de resolución de
ecuaciones diferenciales ordinarias, el algoritmo de Dorman-Price (Runge-Kutta (4,5)) [167].

Figura 2.25. Respuesta de los modelos de primer, segundo y tercer orden de la fuerza ante cambios en la
velocidad de avance y conjunto de datos de validación.

Los tres modelos han sido simulados ante el mismo cambio de doble escalón de la
velocidad de avance (entrada Feed_Rate de la aplicación) empleado durante la etapa
experimental. En la Figura 2.25 se representa la respuesta de los tres modelos junto a la fuerza
filtrada de otro conjunto de datos de validación.

2.3.4 Validación de los modelos y análisis de error de ajuste

La precisión de los modelos es evaluada a partir del cálculo de dos índices de
comportamientos basados en error: la integral del error absoluto (IAE), ecuación (2.28), y la
integral del error cuadrático (ISE), ecuación (2.29). Estos dos criterios de error son
ampliamente utilizados para cuantificar el grado de exactitud de ajuste de un modelo
determinado.

n n
IAE = ∑ y (i ) − yˆ (i ) ∑ y (i ) (2.28)
i =1 i =1

n n
∑ ( y(i) − yˆ (i) ) ∑ y 2 (i)
2
ISE = (2.29)
i =1 i =1

64 Capítulo 2
 Raúl M. del Toro

Los índices de comportamiento son calculados a partir del error, e(t ) , entre la salida del
modelo, yˆ(t ) , y los datos de validación, y (t ) , tal como se expresa en la ecuación (2.6). En la
Tabla 2.6 se relacionan los índices de error calculados para cada modelo. En ambos índices, el
menor error corresponde al modelo de primer orden, aunque el modelo de segundo orden se
comporta de modo similar. El modelo de tercer orden es el que peor se comporta en este análisis,
a pesar de que proporciona una representación mejor del escalón inicial.

Tabla 2.6. Resultados del análisis de error para los modelos del taladrado de GGG40.

Modelo IAE % ISE %

1er orden 8.31 10.13

2do orden 8.59 11.24

3er orden 10.12 16.07

Por otra parte, la validación de la componente dinámica de los modelos, se realiza

mediante un análisis de auto-correlación de los residuos del error, empleando para ello una
función de auto-correlación descrita en la ecuación (2.30). Empleando esta función, el error
del modelo se compara muestra a muestra para determinar si existe alguna contribución
residual de los datos, es decir, si hay componentes dinámicas que no están bien representadas
por el modelo.

N −( k +1)
∑ ( y(i) − yˆ (i) )( y(i + k ) − yˆ (i) )
i =k
pˆ k = N −1
(2.30)
∑ ( y(i) − yˆ (i) )
2

i =0

La Figura 2.26 muestra el análisis de correlación, de los tres modelos del taladrado del
GGG40, realizado a partir de los datos de validación. Los tres modelos se ajustan al intervalo
de confianza del 95%, por lo que todos pueden representar la dinámica del sistema de forma
adecuada. Si embargo, los modelos de segundo y tercer orden representan la dinámica del
sistema un poco mejor que el modelo de primer orden, lo cual es un resultado opuesto al
procedimiento de análisis de error. El resultado anterior es de esperarse, debido a que un
modelo de primer orden ignora dinámica de órdenes superiores. Por otra parte, aunque estos
modelos puedan realizar un buen ajuste de los datos y provean una adecuada representación
de la dinámica del proceso, puede que no sean apropiados para ser utilizados en esquemas de
control a lazo cerrado debido a su potencial inestabilidad. Por lo que resulta necesario realizar
simulaciones para determinar la aplicabilidad del modelo en cualquier esquema de control.

Un enfoque computacional para el modelado de procesos de fabricación 65

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

Figura 2.26. Función de auto-correlación del error en la predicción de fuerza en el taladrado de GGG40.

2.3.5 Aplicación de los modelos a la predicción de las fuerzas de corte en

materiales de mayor dureza. Análisis de errores
Como se ha mencionado previamente, la aplicación de un modelo lineal de un proceso de
taladrado creado a partir del taladrado de un material a otro material, es un problema actual en
sistemas de producción. Los modelos identificados para el mecanizado del material GGG40,
serán empleados para la predicción de la fuerza en el taladrado de un material de mayor
dureza como acero inoxidable 17-4PH. Para ello primeramente se debe reescalar la ganancia
de las funciones de transferencia a la unidad. Para reescalar los datos experimentales, los
valores de fuerza y velocidad de avance se dividen entre sus valores medios durante todo el
intervalo de análisis. De este modo, se realiza una comparación directa del comportamiento
dinámico del proceso de TAR para cada material. La Figura 2.27 muestra la aplicación de los
modelos del GGG40 con ganancia unidad a un conjunto de datos normalizados del material
17-4PH. En general, se predicen bastante bien las salidas de ambos escalones, lo que indica
que la dinámica del proceso de taladrado se mantiene similar ante cambios de material.
Se observa una diferencia significativa en el instante de tiempo en que comienza el
segundo escalón entre los datos de validación y la predicción del modelo. Esto podría deberse
a un retardo del medio de conexión (5) no constante, que se ha modelado como un retardo
fijo, o debido al cambio de punto de operación entre materiales diferentes. En este caso, el
retardo modelado es más largo que el retardo real, constituyendo un factor de seguridad al
aplicar una estrategia de control. También aparece una no linealidad en la ganancia estática,
como se observa de la subestimación de la fuerza después del primer escalón y la
sobreestimación de la misma después del segundo. Esto se corresponde bien con la naturaleza

66 Capítulo 2
 Raúl M. del Toro

no lineal de modelos geométricos de la fuerza de corte estática durante el taladrado,

presentados con anterioridad en la literatura por Elhachimi [156], Hamade [150] y otros.

Figura 2.27. Aplicación de los modelos del GGG40 con ganancia unidad a la fuerza normalizada del
taladrado del material 17-4PH.

La Tabla 2.7 muestra los índices de error que se obtienen al aplicar los modelos de
taladrado obtenido con los datos del material GGG40 al material 17-4PH. Los índices de
comportamiento muestran que el los modelos constituyen una representación adecuada del
proceso de taladrado de alto rendimiento del acero inoxidable 17-4PH. Nuevamente, el
modelo que realiza un mejor ajuste es el de primer orden, seguido del segundo.

Tabla 2.7. Análisis del error de ajuste para los modelos generados del material
GGG40 empleados en el material 17-4PH.

Modelo IAE % ISE %

1er orden 18.20 24.23

2do orden 19.28 26.87

3er orden 23.18 31.69

Un enfoque computacional para el modelado de procesos de fabricación 67

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

2.4 Diseño e implementación de un modelo dinámico múltiple entrada-

simple salida, computacionalmente eficiente de un proceso de
fabricación complejo. Estudio del caso particular del proceso de fresado
de alta velocidad
El estudio, desarrollo e implementación del modelo físico del proceso de fresado de alta
velocidad (FAV), ha permitido obtener un mayor conocimiento de este y a partir del cual se
ha podido determinar algunas de las variables y parámetros que tienen una mayor influencia
en cambios en las fuerzas de corte. Por lo que sería interesante caracterizar dinámicamente la
influencia de estas variables y parámetros en el proceso, teniendo en cuenta la experiencia
obtenida de aplicar las técnicas de identificación a un proceso de fabricación complejo simple
entrada-simple salida, tal como el proceso de taladrado de alto rendimiento.
El uso del valor instantáneo de las fuerzas de corte como señal, no es de utilidad para la
obtención de modelos lineales e invariantes en el tiempo, mediante las técnicas de
identificación estudiadas. Sin embargo, la caracterización de las fuerzas a través de su valor
eficaz, medio cuadrático o simplemente su valor medio, puede ser ventajoso para caracterizar
dinámicamente el proceso, a partir de cambios en algunas de sus variables más significativas.
Un modelo dinámico del proceso de FAV resulta provechoso para el diseño de algoritmos de
control inteligente que conlleven una mejor optimización del proceso, ya sea para un
potencial incremento de la tasa de arranque de material, incrementar el tiempo de vida útil de
la herramienta, entre otros beneficios.

Utilizando como variable del proceso la fuerza resultante Ftotal (φ ) , la cual se define según
la ecuación (2.23) del modelo físico del FAV, y que no es más que la norma euclídea del
vector de fuerzas de tres componentes [ Fx ; Fy ; Fz ] , la fuerza media en cada revolución de la
herramienta se obtiene como:

2π
1
Fm =
2π ∫ Ftotal dφ (2.31)
0

Empleando como variable de salida del proceso de FAV, la fuerza resultante media Fm ,
este se puede representar como un proceso dinámico múltiple entrada-simple salida (MISO),
cuyas variables de entrada serían la velocidad de avance de referencia de la herramienta con
respecto a la pieza f , la velocidad de giro de referencia de la herramienta n y la profundidad
axial de corte relativa entre la herramienta y la superficie de la pieza ap . Algunos de los
parámetros que mayor influencia tienen en el comportamiento de las fuerzas son el diámetro
de la herramienta D , la profundidad radial de corte ae , la dureza del material, entre otros. La
Figura 2.28 ilustra una representación gráfica del proceso, por otra parte, si se considera el
proceso como un sistema lineal e invariante en el tiempo, en cierto intervalo de tiempo, este

68 Capítulo 2
 Raúl M. del Toro

puede modelarse mediante funciones de transferencia en el operador de Laplace, tal como

muestra también el diagrama de bloques ilustrado en la figura. En el modelo Fm ( s ) representa
los cambios en la fuerza de corte resultante media, f (s) cambios en la velocidad de avance,
n( s) cambios en la velocidad de giro y ap( s) representa cambios en la profundidad axial de
corte relativa entre la herramienta y la superficie de la pieza. Esta última variable puede ser
considerada también como una variable de perturbación del proceso.

f (s) G f (s)

n( s) Gn ( s) Fm ( s)

ap( s) Gap ( s )
Figura 2.28. Esquema del proceso de FAV y diagrama de bloques de una representación del proceso
mediante funciones de transferencia.

2.4.1 Diseño de experimento para la identificación del modelo dinámico del

FAV
Con el objetivo de identificar experimentalmente el proceso se utilizará como probeta una
pieza de acero de alta dureza 17-4PH, con un perfil escalonado en su superficie que presenta
cambios en escalón de 0.5 mm (ver Figura 2.29). El perfil escalonado permitiría estimar el
comportamiento de la fuerza media de corte ante cambios de tipo escalón en la profundidad
axial ap . Como puede observarse en la figura, el perfil está compuesto por dos escalones de
subida y dos de bajada, es decir, incrementos y decrementos de ap , tomándose como valor
inicial de la profundidad axial igual también a 0.5 mm ( ap0 ).

70mm

30mm

z y 180mm
x

Figura 2.29. Probeta con perfil escalonado en su superficie con cambios de 0.5 mm.

Un enfoque computacional para el modelado de procesos de fabricación 69

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

Para el procedimiento de identificación, se realizará una operación de ranurado a lo largo

del eje x de la pieza. Para esta operación la profundidad radial de corte es igual al diámetro
de la herramienta, es decir ae = D . De la misma forma, durante la operación de corte, para
identificar la influencia de los cambios en las otras dos variables de entrada al modelo,
velocidad de avance f y velocidad de giro, se forzarían, para ambas variables, dos cambios
de tipo escalón, también uno positivo y otro negativo. El valor de los cambios estará
relacionado con los valores nominales recomendados en manuales de mecanizado para este
tipo de material. La operación de corte se realizaría de tal manera que los cambios en cada
uno de las variables no se solapen, de tal forma que el cambio que experimente la fuerza de
corte media, sea debido a una sola variable de entrada al proceso.

f f 0 = 0.8 f nom , f1 = 1.2 f nom , n0 = 0.8nnom , n1 = 1.2nnom , a p1 = 2a p 0 , a p 2 = 3a p 0

f 1

f0

n t1 t5 t11 t

n1

n0

ap t3 t7 t10 t

ap0 ap1 ap2 ap1 ap0

t
t0 t1 t2 t3 t4 t5 t6 t7 t8 t9 t10 t11
Figura 2.30. Diseño de experimento para la identificación del proceso de FAV. Cambios planificados para
cada una de las variables de entrada al proceso.

En la Figura 2.30 se representa gráficamente y en detalle el diseño del experimento, con

los instantes de tiempo en que se produciría cada uno de los cambios en las variables de
entrada. La Tabla 2.8 relaciona los valores que alcanzarían cada una de las variables de
entrada, durante la operación de corte, a lo largo del eje x de la pieza.
Se realizarán dos tipos de experimentos, con herramientas de dos diámetros diferentes de
10 y 12 mm, de tal forma que el modelo que se obtenga contenga la influencia de este
parámetro. En la Tabla 2.9 se describen las condiciones nominales de corte para cada una de
los experimentos.

70 Capítulo 2
 Raúl M. del Toro

Tabla 2.8. Valores que alcanzan cada una de las variables de entrada a lo largo del eje x de la pieza,
durante la operación de ranurado.
t [seg] x [mm] f [mm/min] n [rpm] ap [mm]
0 0 f0 n0 ap0
t1 18 f1 n0 ap0
t2 36 f1 n0 ap1
t3 54 f1 n1 ap1
t4 72 f1 n1 ap2
t5 90 f1 n1 ap2
t6 108 f0 n1 ap1
t7 126 f0 n0 ap1
t8 144 f0 n0 ap0
t9 162 f0 n0 ap0
t10 180 f0 0 0
t11 198 0 0 0

Tabla 2.9. Condiciones nominales para el experimento de identificación.

Diám. de Veloc. de Velocidad de ap Ref.

la herram. giro nnom avance fnom ae MAX Herramienta
[mm] [rpm] [mm/min] [mm] [mm]
R216.34-10050-
10 1432 215 10 1.5 -AK22H 1620
Sandvik
R216.34-12050-
12 1193 298 12 1.5 -AK26H 1620
Sandvik

2.4.2 Identificación experimental del modelo dinámico del proceso de

fresado de alta velocidad
Se realizaron ensayos experimentales en la plataforma descrita en la sección 2.1.2,
ejecutándose 3 réplicas del ensayo para la herramienta de 10 mm y 4 para la herramienta de
12 mm. Antes de realizar el procedimiento de identificación se pre-procesaron los datos
registrados. De las tres componentes cartesianas de la fuerza se obtuvo la fuerza resultante, a
la cual se le aplicó el filtro FIR con el algoritmo de media móvil y de tal forma que no se
introdujese retardo de tiempo en la señal filtrada durante el pre-procesamiento de los datos.
La longitud de la ventana de filtrado es igual al número de muestras obtenidas durante una
vuelta de la herramienta. Debido a que la velocidad de giro cambia durante cada experimento,
se determinó cada uno de los instantes de tiempo en que se producían los cambios en la
velocidad, quedando dividido el vector de fuerza resultante en tres intervalos de tiempo, el
primero se corresponde a n0 = 0.8nnom , el segundo a n1 = 1.2nnom y el tercero nuevamente a

Un enfoque computacional para el modelado de procesos de fabricación 71

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

n0 = 0.8nnom . En cada uno de los intervalos cambia el tamaño de la ventana de datos para el
filtrado.
En la Figura 2.31 se muestra el comportamiento de las tres componentes de fuerzas
( Fx ; Fy ; Fz ), de la fuerza resultante y de la fuerza media, en una de las réplicas de la
operación de corte con la herramienta de 12 mm. En la misma figura, se ilustra además, los
cambios en las referencias de las velocidades de giro y de avance, durante todo el corte.

a) b)

c)
Figura 2.31. Señales registradas durante la operación de fresado con la herramienta de 12 mm.
a) Fuerzas en los tres ejes, b) fuerza resultante y media y c) velocidades de giro y avance.

Tras el filtrado de los datos de fuerza en cada uno de los experimentos, se analizó el
comportamiento de la fuerza media en cada uno de ellos, para decidir de cuáles datos se
podría obtener un mejor ajuste. La Figura 2.32 muestra la fuerza media de cada una de las
réplicas de los experimentos para las herramientas de 10 y 12 mm respectivamente. Del
experimento con la herramienta de 10 mm, se escogieron la segunda y tercera réplica para la
obtención de los modelos con esta herramienta, debido a que en la primera réplica no se
aprecia claramente el cambio en la fuerza producto del primer escalón en la velocidad de
avance. De la misma forma, del experimento con la herramienta de 12 mm, se escogieron la

72 Capítulo 2
 Raúl M. del Toro

primera y la segunda réplica para obtener el modelo correspondiente, no utilizando el tercer

experimento porque se aprecia un cambio inesperado en la fuerza debido al primer cambio en
la velocidad de giro, dejando la cuarta réplica del experimento para la validación de los
modelos obtenidos.

a) b)

Figura 2.32. Fuerza media en cada uno de los experimentos.

a) Herramienta de 10 mm y b) herramienta de 12 mm.

Obtención del modelo

El modelo dinámico del proceso de FAV será obtenido mediante mínimos cuadrados y
aplicando el procedimiento descrito para sistemas simple entrada-simple salida. Para ello se
identificarán las funciones de transferencia asociada a cada variable de entrada al modelo,
considerando cada una de estas funciones componentes del modelo, como un sub-sistema de
simple entrada-simple salida, siendo necesario entonces determinar el instante de tiempo en
que ocurre el cambio en escalón de su variable de entrada correspondiente. Con respecto a las
velocidades de giro y de avance se determinaron los cambios a partir de las propias señales
medidas. Por otra parte, los instantes de tiempo donde ocurren los cambios en la profundidad
axial de corte, fueron establecidos mediante el análisis de la señal de fuerza media.
Con el objetivo de reconstruir la señal correspondiente a los cambios en la profundidad
axial de corte, se midió en una de las probetas donde se realizaron los ensayos, la profundidad
real a la que se realizaron los experimentos. Para ello se empleó un instrumento de tipo
palpador con una precisión de 1µm . A través de este instrumento se comprobó que la
profundidad de corte inicial es de 0.42 mm exactamente y de 0.5 mm para el resto de los
cambios.
Determinados los instantes de tiempo correspondientes a cada cambio en las variables de
entrada y teniendo los vectores de datos de las variables de entrada y de salida, se
distribuyeron los datos para cada instante de tiempo. Se obtuvieron 9 nuevos subconjuntos de

Un enfoque computacional para el modelado de procesos de fabricación 73

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

datos para cada ensayo, definiéndose en el siguiente orden y nombrados según el cambio de la
variable a que corresponden: 0 – ap0; f0 – f1; ap0 – ap1; s0 – s1; ap1 – ap2; f1 – f0; ap2 – ap1; s1
– s0; ap1 – ap0.

Tabla 2.10. Parámetros de algunos de los modelos obtenidos con la herramienta de 12 mm.
Rép. ap f n f/n TM Subconj. Aj. % K Tp1 Tp2 Td
1 0.422 238.4 954.4 0.2498 P2 0 - ap0 86.76 434.55 0.1776 0.178 0
1 0.422 357.6 954.4 0.3747 P2D f0 - f1 85.17 0.639 0.1817 0.117 0.0037
2 0.938 357.6 954.4 0.3747 P2 ap0 – ap1 97.8 504.77 0.1677 0.0520 0
2 0.938 357.6 1431.6 0.2498 P2D s0 - s1 93.439 -0.302 0.0351 0.0437 0.0262
1 1.413 357.6 1431.6 0.2498 P1 ap1 – ap2 88.01 414.02 0.161 0 0
1 1.413 238.4 1431.6 0.1665 P1D f1 - f0 84.97 1.449 0.0809 0 0.03
2 0.929 238.4 1431.6 0.1665 P2D ap2 – ap1 96.417 232.25 0.385 0.0948 0.0299
1 0.917 238.4 954.4 0.2498 P2 s1 - s0 91.06 -0.225 0.0152 0.0162 0
2 0.415 238.4 954.4 0.2498 P2 ap1 – ap0 93.235 392.91 0.512 0.115 0

A partir de la señal de fuerza particionada en cada subconjunto, se identificaron para cada

uno de ellos, tanto funciones de primer (tipo de modelo P1) como de segundo (tipo de modelo
P2) orden, con raíces reales, sin retraso y con retraso de tiempo (P1D o P2D). En la Tabla
2.10 se muestra un extracto de los parámetros de los modelos obtenidos con la herramienta de
12 mm, siendo: la primera columna el número de réplica del experimento; de la segunda a la
cuarta los valores que se alcanzan de la profundidad axial de corte, la velocidad de avance y la
velocidad de giro respectivamente; la quinta columna constituye el avance por revolución de
la herramienta, que se expresa en mm/rev; la sexta columna representa el tipo de modelo, en
la séptima columna se muestra el porcentaje de ajuste del modelo calculado como el error
cuadrático medio entre el modelo ajustado y los datos experimentales y las últimas 4
columnas constituyen los parámetros de los modelos, siendo K la ganancia del modelo, Tp1 la
primera constante de tiempo, Tp2 la segunda constante de tiempo y Td el tiempo de retraso.
Una vez obtenidos los diferentes tipos de modelos de los sub-sistemas para cada cambio
de las variables de entrada, se buscarán relaciones matemáticas, mediante la aplicación de
técnicas de regresión, entre los parámetros de los modelos y los valores nominales del resto de
las variables de entrada al modelo MISO que no intervienen en ese sub-sistema, en el instante
que se produce el cambio. A modo de ejemplo, en la ecuación (2.32) se describe la función de
transferencia del sub-sistema que relaciona el cambio en la fuerza media de corte y el cambio
en la velocidad de avance, se buscará alguna relación que permita determinar la ganancia del
modelo K f a partir de los valores nominales de la velocidad de giro nnom y de la profundidad
axial de corte apnom , durante el cambio en la velocidad de avance. De la misma forma, se
buscarán las relaciones matemáticas para el resto de sub-sistemas.

74 Capítulo 2
 Raúl M. del Toro

Fm ( s)
G f (s) = ⇒ K f = g (nnom , apnom ) (2.32)
f (s)

a) b)

f ( x) = p1 x + p2 f ( x) = p1 x + p2
p1 = 1463 [1408,1518] p1 = 1640 [1100, 2180]
p2 = -0.008977 [-0.05099, 0.03304] p2 = -36.19 [-183.8, 111.5]

c)

f ( x) = p1 x + p2
p1 = -0.0006879 [-0.0007297, -0.0006461]
p2 = -0.05945 [-0.07175, -0.04715]

Figura 2.33. Funciones de ajuste para las ganancias de los sub-sistemas que componen el modelo.
Caso herramienta de 12 mm: a) K f vs apnom / nnom ; b) K ap vs f nom / nnom y c) K n vs f nom .

La Figura 2.33 representa la relación de las ganancias entre los cambios en la fuerza media
y las variables de entrada de cada sub-sistema, para los ensayos con la herramienta de 12 mm.
La Figura 2.33.a describe la curva lineal de juste de la relación entre ganancia K f del sub-
sistema G f ( s ) y el coeficiente entre la profundidad de corte nominal y la velocidad de giro
nominal durante el instante de cambio de la velocidad de avance, es decir,
K f vs apnom / nnom . De la misma forma, en la Figura 2.33.b se ilustra el ajuste de la función

Un enfoque computacional para el modelado de procesos de fabricación 75

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

que relaciona la ganancia K ap con el avance por revolución nominal en el instante de cambio
de la profundidad axial de corte, es decir, K ap vs f nom / nnom . También en esa misma figura
se muestra la función ajustada que representa la relación K n vs f nom , es decir, solamente se
ha tenido en cuenta el valor nominal de la velocidad de avance. Para cada función de ajuste se
relacionan sus parámetros y sus valores para un 95% del límite de confianza.
De la misma forma se determinaron la relación entre las ganancias de los sub-sistemas
para la herramienta de 10 mm. En la Tabla 2.11 se describen las funciones de ajuste para cada
ganancia, especificando los valores de sus parámetros y su cuantía para un 95% del límite de
confianza.

Tabla 2.11. Funciones de ajuste de las ganancias de los sub-sistemas para la herramienta de 10 mm.

K f vs apnom / nnom K ap vs f nom / nnom

f ( x) = p1 x + p2 f ( x) = p1 x + p2

p1 = 1594 [624.7, 2563] p1 = 1014 [666.4, 1363]

p2 = -0.167 [-0.7926, 0.4586] p2 = 80.65 [23.43, 137.9]
K n vs f nom
p1 = -0.0005982 [-0.0009372, -0.0002593]
f ( x ) = p1x + p2 ;
p2 = 0.02653 [-0.0478, 0.1009]

Tabla 2.12. Análisis estadísticos de las constantes de tiempo de los modelos de los sub-sistemas.
Desviación
Mín. Máx. Media
Sub- Standard
Parámetro
sistema 10 12 10 12 10 12 10 12
mm mm mm mm mm mm mm mm
Tp1 0.111 0.043 0.147 0.181 0.138 0.095 0.0156 0.043
Gf Tp2 0.060 0.014 0.084 0.148 0.069 0.066 0.0101 0.043
Td 0.0034 0.14 0.03 0.03 0.049
Tp1 0.0199 0.0039 0.055 0.107 0.035 0.035 0.0123 0.031
Gn Tp2 0.0197 0.0124 0.028 0.052 0.027 0.0312 0.0045 0.016
Td 0.0005 0.03 0.03 0.026 0.013
Tp1 0.149 0.115 0.615 0.447 0.343 0.298 0.1164 0.102
Tp2 0.014 0.016 0.148 0.095 0.074 0.040 0.0438 0.025
Gap Td 0.023 0.03 0.03 0.03 0.0020
Trate 2.83 3.37 8.89 8.73 4.01 5.04 1.87 1.35

76 Capítulo 2
 Raúl M. del Toro

Por otra parte, en el caso de las constantes de tiempo de los diferentes tipos de modelos, se
hizo un análisis estadístico, determinando para cada uno de ellas su valor medio, desviación
estándar, el valor mínimo y el máximo. Este análisis se muestra en la Tabla 2.12.
Para el caso del comportamiento temporal del sub-sistema que relaciona la fuerza media
de corte con el cambio en la profundidad axial de corte, se hizo un análisis más exhaustivo,
planteándose la relación existente entre la mayor constante de tiempo del modelo y el tiempo
teórico Tset al cuál debe alcanzarse el estado estacionario en la fuerza
( Trate = Tset / MAX(Tp1, Tp2) ). Los resultados de este análisis se muestran también en la
Tabla 2.12. Según trabajos previos [168], se estima que, dado el diámetro de la herramienta
D expresado en milímetros y su velocidad de avance f dada en mm/min, se alcance el
estado estacionario, para el caso de una operación de rasurado, en un tiempo Tset , expresado
en segundos, según la ecuación siguiente.

60 D
Tset = (2.33)
f 2

Planteamiento generalizado del modelo para ambas herramientas

A partir del análisis de los parámetros de los modelos obtenidos y previo conocimiento del
proceso en estudio se decidió que el modelo dinámico del proceso de FAV, el cual representa
los cambios en la fuerza de corte resultante media ante cambios en la velocidad de avance, de
giro y la profundidad axial de corte, tuviera la siguiente estructura expresado como función de
transferencia basada en el operador de Laplace:

Kf −Tdf s
Fm ( s ) = G f ( s ) f ( s ) + Gn ( s )n(s ) + Gap ( s )ap (s ) = e f ( s) +
(T f 1s + 1)(T f 2s + 1) (2.34)
Kn K ap −Tdap s
+ e −Tdn s n( s ) + e ap ( s )
(Tn1s + 1)(Tn 2 s + 1) Tap s + 1

Las ganancias del modelo estarán determinadas por las siguientes ecuaciones:

apnom
K f = Kα _ f _1 ⋅ + Kα _ f _ 2 (2.35)
nnom

f nom
Kn = − + Kα _ n _ 2 (2.36)
Kα _ n _1

f nom
K ap = Kα _ ap _1 ⋅ + Kα _ ap _ 2 (2.37)
nnom

Un enfoque computacional para el modelado de procesos de fabricación 77

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

Donde f nom , nnom y apnom representan las condiciones nominales de la velocidad de

avance, de giro y la profundidad de corte en el momento que se produce el cambio de la
variable correspondiente.
De la misma forma, la ecuación (2.38) representa la relación entre la constante de tiempo
ante el cambio en la profundidad de corte, el diámetro de la herramienta y la velocidad de
avance, para la operación de ranurado:

60 D
Tap = Tα _ ap (2.38)
f 2

Tabla 2.13. Valores de ajuste de los coeficientes para el cálculo de las ganancias del modelo.
Coeficiente Unidades 10 mm 12 mm
Kα _ f _1 2 1594 1463
[N/mm ]
Kα _ f _ 2 [N/(mm/min)] -0.167 0
Kα _ n _1 [mm/(N min 2 )] 1671.68 1453.7
Kα _ n _ 2 [N min] 0.02653 -0.05945
Kα _ ap _1 [N/mm 2 ] 1014 1640
Kα _ ap _ 2 [N/mm] 80.65 -36.19
Tα _ ap 1/5

Tabla 2.14. Valores de ajuste de las constantes de tiempo y retardos de tiempo de los sub-sistemas que
conforman el modelo del proceso de FAV.
Parámetro 10 mm 12 mm
Tf 1 0.1377 0.07
Tf 2 0.0692 0.0439

Tdf 0.03 0.03

Tn1 0.046 0.0803
Tn 2 0.027 0.0126
Tdn 0.03 0.03

Tdap 0.06 0.09

La Tabla 2.13 describe los valores ajustados a los coeficientes para el cálculo de las
ganancias del modelo del proceso de FAV, para cada tipo de herramienta, empleando el

78 Capítulo 2
 Raúl M. del Toro

modelo de máquina herramienta de la plataforma experimental y mecanizando el acero de alta

dureza 17-4PH. De la misma, bajo esas mismas premisas y a partir del análisis estadístico de
la Tabla 2.12, se han ajustado el resto de las constantes de tiempos y retardos de los sub-
sistemas que conforman el modelo del proceso de FAV, las cuales son mostradas en la Tabla
2.14.

2.4.3 Implementación del modelo en Matlab/Simulink

Con el objetivo de simular el modelo ajustado para su validación y su empleo futuro en el
diseño y ajuste de algoritmos de control del proceso de FAV, se ha desarrollado una
aplicación en Matlab/Simulink.
La aplicación está compuesta por los sub-sistemas simple entrada-simple salida,
correspondientes a cada una de las variables de entrada, y en cada uno de ellos se ha
implementado su función de transferencia relacionada. Tanto los polos de cada sub-sistema,
como su retardo de tiempo, han sido desarrollados mediante los bloques disponibles en la
biblioteca de sistemas continuos de Simulink. Por otra parte, se ha utilizado el algoritmo de
Dorman-Price como método numérico para la resolución de ecuaciones diferenciales
ordinarias. La aplicación utiliza una sencilla interfaz de usuario para introducir sus
parámetros. En la Figura 2.34 se muestran todos los diagramas de bloques que componen el
modelo. Las entradas del modelo constituyen cambios en las variables velocidad de avance,
velocidad de giro y profundidad axial de corte y su salida los cambios en la fuerza resultante
media de corte.
El modelo ha sido simulado con los parámetros ajustados para los dos diámetros de
herramienta (10 y 12 mm), empleando las mismas señales registradas de cambios en las
variables de entrada pero solamente para sus escalones de bajada, es decir, el intervalo de
tiempo t5 ≤ t < t8 (ver diseño experimental, Figura 2.30 y Tabla 2.8). Debido a que la salida
del modelo representa el cambio en la fuerza resultante media ante cambios en sus variables
de entrada, para la simulación se han utilizado condiciones iniciales iguales a 0, restando los
valores iniciales antes del cambio para cada variable de entrada y el valor inicial de la fuerza
medida experimentalmente, para su correcta comparación. En la Figura 2.35 se ilustra el
comportamiento del cambio en la fuerza resultante media del modelo y de todas las réplicas
de los ensayos realizadas para cada tipo de herramienta, tanto las empleadas para el ajuste del
modelo (réplicas 2 y 3 para la herramienta de 10mm y réplicas 1 y 2 para la herramienta de
12mm) como las réplicas para su validación (resto de ensayos).

Un enfoque computacional para el modelado de procesos de fabricación 79

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

a) b)

Figura 2.34. Desarrollo del modelo dinámico del proceso de FAV en Matlab/Simulink.
a) Entrada y salida de datos del modelo e interfaz para introducir sus parámetros y b) diagrama de
bloques de los sub-sistemas del modelo.

80 Capítulo 2
 Raúl M. del Toro

a)

b)

Figura 2.35. Simulación del modelo y comparación con los datos experimentales.
a) Herramienta de 10 mm y b) herramienta de 12 mm.

Validación del modelo

El desempeño del modelo implementado en Simulink se ha validado empleando el mismo
conjunto de datos de las variables de entrada utilizado para la simulación. Para corroborar la
precisión se han calculado dos índices de comportamientos, la integral del error absoluto (IAE),
ecuación (2.39), y la integral del error cuadrático (ISE), ecuación (2.40). Para cada muestra i de
los vectores de fuerza, el error se determina como la diferencia entre el valor experimental de la
fuerza resultante media y (i ) y la salida del modelo ( yˆ(i) = Fm (i) ). En la Tabla 2.15 se
relacionan los índices de error calculados para todas las réplicas, tanto las empleadas para
ajustar el modelo como las réplicas de validación. Las filas sombreadas se corresponden con
las réplicas utilizadas para la validación del modelo. Los índices de error se han calculado en

Un enfoque computacional para el modelado de procesos de fabricación 81

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

unidades de fuerza (Newton) y a través de los cuales se puede comprobar el buen desempeño
del modelo ajustado e implementado en Simulink.

N
1
IAE =
N
∑ y(i) − yˆ (i) (2.39)
i =1

N
1
∑ ( y(i) − yˆ (i) )
2
ISE = (2.40)
N i =1

Tabla 2.15. Errores del modelo, réplicas de ajuste y de validación (filas sombreadas).
Diámetro Fmax Réplica IAE (IAE / Fmax) ISE (ISE / Fmax)
[mm] [N] No [N] x 100% [N] x 100%
1 11.59 5.80 13.43 6.72
10 200 2 7.57 3.79 8.82 4.41
3 5.87 2.94 6.96 3.48
1 5.09 1.70 6.86 2.29
2 7.24 2.41 8.87 2.96
12 300
3 20.47 6.82 27.31 9.10
4 14.58 4.86 19.43 6.48

Por otra parte, en la Tabla 2.15 también se muestra el valor máximo que alcanza el cambio
de la fuerza (Fmax) durante todo el rango de datos de validación y se ha calculado el valor
porcentual de los índices con respecto al valor máximo (quinta y séptima columnas),
obteniéndose valores por debajo del 10 % y corroborándose de esta manera la precisión del
modelo ajustado.

2.5 Conclusiones
En este capítulo se ha presentado un enfoque computacional en el modelado de procesos
de fabricación de alta complejidad. Han sido diseñado modelos a partir de ecuaciones físico-
matemáticas de los procesos de fabricación y también, basados en la aplicación de técnicas de
identificación experimental. Se han desarrollado modelos simple entrada-simple salida
(SISO), múltiple entrada-simple salida (MISO) y múltiple entrada-múltiple salida (MIMO).
Los modelos han sido implementados mediante aplicaciones desarrolladas en un lenguaje de
alto nivel como Matlab/Simulink.
Por otra parte, se ha mostrado la efectividad de los modelos, para la predicción de las
fuerzas que se producen en los procesos de fabricación, a través de un estudio comparativo
con datos obtenidos experimentalmente. Los modelos computacionalmente eficientes pueden
ser utilizados en el diseño, ajuste y optimización de estrategias de control, que a su vez

82 Capítulo 2
 Raúl M. del Toro

puedan ser empleadas en sistemas de supervisión y control de procesos de fabricación, con

vistas a mejorar la eficiencia de estos procesos.
A pesar de la literatura a la que se ha tenido acceso, en la cual estos procesos han sido
objeto de estudio en profundidad y encontrándose disímiles propuestas sobre su modelado,
con este capítulo se ha logrado una representación sencilla y útil en un lenguaje de alto nivel,
lo que constituye una aportación de la Tesis Doctoral. Por una parte el propio enfoque
computacional y los algoritmos desarrollados, constituyen un aporte en sí mismos. Por la otra,
las estrategias de diseño para la identificación experimental de ambos modelos dinámicos, el
modelo SISO del proceso de taladrado de alto rendimiento y el modelo múltiple entrada-
simple salida del proceso de fresado de alta velocidad, son también desde nuestro punto de
vista, aportes científicos y técnicos.
En específico, con respecto al modelado del proceso de fresado de alta velocidad, las
ecuaciones (2.14) y (2.15) del modelo físico-matemático de las fuerzas de corte, son una
contribución. Además, el disponer de un algoritmo computacional que materialice un modelo
generalizado del proceso de corte, tiene un valor inestimable para incorporar nuevas
capacidades a estos procesos. La implementación de este algoritmo en un sistema jerárquico
de monitorización y control en tiempo real, permitiría tanto la posibilidad de detectar
anomalías en el proceso, como definir los valores de referencia de las fuerzas de cortes en un
sistema de control.
Algunos de los resultados parciales mostrados en este capítulo, cimientos sobre los que se
alza la Tesis Doctoral, han sido sometidos a consideración de la comunidad científica, y
recibidos positivamente [168, 169]. Por otra parte, y como se verá más adelante, el modelo
computacional del proceso de taladrado de alto rendimiento, constituye un componente
imprescindible para la metodología propuesta de diseño de estrategias de control óptimas, que
serán tratadas en el Capítulo 5. Con vistas a lograr un desarrollo adecuado de esta
metodología, se hace necesario conocer el basamento teórico de las estrategias a diseñar, tema
que será tratado en el capítulo siguiente.

Un enfoque computacional para el modelado de procesos de fabricación 83

 CAPÍTULO 3
ESTUDIO DE MÉTODOS EFICIENTES LINEALES,
BORROSOS Y NEURO-BORROSOS PARA EL
CONTROL DE PROCESOS COMPLEJOS

En este capítulo se realiza un estudio de técnicas clásicas y de soft-computing para el

control de procesos complejos. Se abordan las ideas esenciales y conceptuales de los sistemas
borrosos, los sistemas híbridos neuro-borrosos y las estrategias lineales conocidas, como el
algoritmo de acción proporcional, integral y derivativa (PID) para el control de sistemas
complejos.
Debido a que estas estrategias han sido tratadas con anterioridad y en profundidad en la
literatura científico-técnica, las bases teóricas de las estrategias, así como sus formulaciones
matemáticas, son planteadas de forma concisa, haciéndose referencia a la bibliografía más
relevante donde se puede hacer una revisión más exhaustiva.
En la primera de las tres secciones en que se divide el capítulo (sección 3.1) se introduce
la estrategia lineal de control conocida por su acrónimo como PID, así como algunos de sus
métodos de ajuste de mayor uso y se expone de forma muy breve algunas de sus limitaciones
en el control de procesos complejos. Seguidamente, en la sección 3.2 se presentan nociones
básicas de los sistemas borrosos, así como la estructura y premisas de diseño de los
dispositivos lógicos borrosos, ya sea para modelar y/o controlar procesos físicos de una
complejidad relativamente alta. Por último, en la sección 3.3, se aborda el estudio de los
sistemas híbridos neuro-borrosos como estrategia para la transformación de forma eficiente
del conocimiento y la experiencia humana, además del ajuste óptimo de los sistemas de

85
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

inferencia borrosa y de esta forma incrementar su desempeño en la monitorización y control

de sistemas complejos.

3.1 Estudio de estrategias lineales de control (algoritmo PID) y su

aplicabilidad al control de procesos complejos
La estrategia lineal de control proporcional, integral y derivativo (PID) y sus versiones,
tienen una utilización muy amplia en los sistemas físicos en general. La inmensa mayoría de
los procesos continuos, contienen sistemas de control realimentados gobernados por un
controlador PID, ya sea implementado mediante un dispositivo mecánico, mediante un
circuito electrónico analógico o mediante un dispositivo de control digital con una versión
discreta del algoritmo.

Figura 3.1. Diagrama general de un controlador PID en un sistema de control realimentado.

La Figura 3.1 muestra un diagrama de bloques de un sistema de control a lazo cerrado,

simple entrada-simple salida, con una estrategia PID como controlador. La función teórica en
el dominio del tiempo, de la versión clásica del controlador, la cual define su relación entrada-
salida, se expresa como:

 1
t
de ( t ) 
∆f ( t ) = K p ⋅ e ( t ) + ∫ e (τ ) dτ + Td  (3.1)
 T dt 
 i 0 

siendo, t el tiempo, e ( t ) la señal de error (entrada) entre el valor de referencia del sistema de
control y la salida del proceso ( e(t ) = FR (t ) − F (t ) ), ∆f (t ) la señal de control (salida del
controlador) y los tres parámetros básicos del controlador dados por su ganancia proporcional
K p , la constante de tiempo integral Ti y la constante de tiempo derivativa Td .

La ecuación del controlador puede expresarse también como la suma de tres términos: la
acción proporcional, la acción integral y la derivativa

86 Capítulo 3
 Raúl M. del Toro

∆f ( t ) = ∆f P ( t ) + ∆f I ( t ) + ∆f D ( t )
∆f P ( t ) = K p e ( t )
t
∆f I ( t ) = K I ∫ e (τ ) dτ (3.2)
0
de ( t )
∆f D ( t ) = K D
dt

donde K I = K p / TI y K D = K pTD .

Se puede hacer una representación por medio de la Transformada de Laplace, y expresar

mediante una función de transferencia con el operador de Laplace ( s ):

∆f ( s ) K
GPID ( s ) = = K p + I + KD ⋅ s (3.3)
e(s) s

Igualmente, mediante ecuaciones en diferencias y de forma discreta, considerando un

tiempo de muestreo Ts , se puede representar como:

∆f [k ] = ∆f P [k ] + ∆f I [k ] + ∆f D [k ]
∆f P [k ] = K P e[k ]
(3.4)
∆f I [k ] = ∆f I [k − 1] + ( K I Ts ) e[k ]
∆f D [k ] = ( K D / Ts ) (e[k ] − e[k − 1])

Debido a que la acción derivativa del controlador es sensible a los cambios de la señal de
error, el ruido que puede existir en esta señal, algo muy común en los procesos físicos reales,
puede afectar el comportamiento del sistema de control. Por tanto una versión del controlador,
ampliamente utilizada, añade un filtro pasa-bajo en la componente derivativa:

Td K p ⋅ Td ⋅ N
∆f D [k ] = ∆f D [k − 1] + ⋅ (e[k ] − e[k − 1]) (3.5)
Td + N ⋅ Ts Td + N ⋅ Ts

siendo N el coeficiente del filtro.

La Figura 3.2 muestra, a modo de ejemplo, una implementación del algoritmo de control
en Matlab/Simulink, el cual puede ser utilizado para tareas de simulación o controlar
directamente un proceso a través de la herramienta Real-Time Workshop (RTW), también
disponible en el entorno de Matlab.

Estudio de métodos eficientes lineales, borrosos y neuro-borrosos 87

para el control de procesos complejos
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

Figura 3.2. Diagrama en Matlab/Simulink del controlador PID discreto.

3.1.1 Métodos de ajuste

El ajuste de los parámetros del controlador es relativamente fácil e intuitivo [170]. Existen
varios métodos para su ajuste que, en general, parten de un modelo lineal del proceso
conocido. Algunos de los métodos de ajuste más conocidos, aparte del método manual por
prueba y error, son el de Ziegler-Nichols y Cohen-Coon. Una revisión más profunda de estos
temas está fuera del ámbito de esta Tesis Doctoral.
Sobre el método de Ziegler-Nichols existen dos versiones, la más conocida de ellas basada
en el análisis en el dominio frecuencial. Esta variante consiste en obtener la ganancia crítica
K u (ganancia límite del controlador sólo con acción proporcional) con la cual se producen
oscilaciones sostenidas en el sistema de control, siendo Tu el periodo de dichas oscilaciones.
A partir de estos valores se ajustan los parámetros del controlador.

Tabla 3.1. Métodos de ajuste de algoritmos de control PID.

Parámetros
Kp Ti Td
Métodos
Ziegler-Nichols – 0.6 ⋅ Ku 0.5 ⋅ Tu 0.125 ⋅ Tu
dominio frecuencial
Cohen-Coon
τ  2.5 − 2 ⋅τ 0.37 − 0.37 ⋅τ
L
a = K1 ,τ =
L (1.35 / a ) ⋅ 1 + 0.18 ⋅  L⋅ L⋅
 1 −τ  1 − 0.39 ⋅τ 1 − 0.81⋅ τ
Tc L + Tc
Visioli (procesos con
retardo de transporte 1.37
L y ganancia a estado ( K1 ⋅ L ) 1.49 ⋅ L 0.59 ⋅ L
estacionario K1 )

88 Capítulo 3
 Raúl M. del Toro

Por otra parte, el método de Cohen-Coon está basado en un modelo del proceso de primer
orden y con retraso de transporte (3.6), y tiene como objetivo principal el rechazo a
perturbaciones de un sistema de control. Otro de los métodos a resaltar de uso más reciente es
el de Visioli [171], basado también en un modelo lineal del proceso con retraso de transporte.
Su objetivo primario es la minimización de la integral del error ya sea ante presencia de
perturbaciones o ante cambios en la variable de referencia del sistema de control. En la Tabla
3.1 se resumen los tres métodos de ajustes, así como las ecuaciones para el ajuste de los
parámetros del controlador PID.

K1 − sL
GP = e (3.6)
1 + sTc

3.1.2 Algunas limitaciones

A pesar de que la estrategia de control PID es aplicable a muchos problemas de control en
la industria, teniendo un desempeño muy satisfactorio, aún sin un ajuste preciso de sus
parámetros, en algunas aplicaciones no es capaz de proveer un control óptimo. Su principal
problema reside en que sus parámetros son constantes y por tanto su curva o superficie de
respuesta estática es lineal. Esto hace que ante no linealidades e incremento de la complejidad
en procesos físicos, su desempeño se empobrezca. Su rendimiento puede mejorarse aplicando
algunas estrategias, como la introducción en el sistema de control de acciones anticipativas,
algoritmos de planificación de ganancias que cambian los parámetros del controlador bajo
diferentes condiciones de operación, entre muchas otras.

3.2 Estudio de los sistemas borrosos y su aplicabilidad al control de

procesos complejos
Los diseñadores de los sistemas de control han buscado incesantemente nuevos caminos
para la solución al problema de la regulación de procesos complejos. Esto es especialmente
así en los casos en que no existe un modelo preciso del proceso y la información previa
acerca de éste es de carácter esencialmente cualitativo. El problema del control constituye un
caso típico de toma de decisiones. Es por ello que la creación de la lógica borrosa (fuzzy) por
Lofti Zadeh a inicios de los 60, significó la aparición de una nueva y poderosa herramienta
para hacer frente a situaciones de imprecisión esencial en modelos, información, objetivos,
restricciones y acciones de control. Ya en 1923 Bertrand Rusell, en su artículo Vagueness
expresaba que “[...] la lógica tradicional supone el uso de conceptos precisos, que, sin
embargo, son sólo aplicables en un escenario ideal...” [172]. El propio Zadeh estableció el
llamado principio de incompatibilidad: “Si crece la complejidad del sistema, decrece nuestra
aptitud para formular juicios precisos y significativos sobre su comportamiento, hasta

Estudio de métodos eficientes lineales, borrosos y neuro-borrosos 89

para el control de procesos complejos
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

alcanzar una frontera, tras la cual la precisión y la pertinencia son prácticamente

características mutuamente incompatibles” [173].
En el campo específico de los sistemas de control, es frecuente el caso de procesos en los
que, las estrategias de control diseñadas según otros patrones (clásicos, adaptativos, etc.), no
ofrecen los resultados deseados o simplemente fallan del todo. Se trata de procesos de elevada
complejidad y a pesar de ello, en la inmensa mayoría de los casos, los operadores humanos
diestros y experimentados alcanzan resultados satisfactorios. En 1965, Zadeh da a la luz la
llamada teoría de conjuntos borrosos, que echa los cimientos de la llamada síntesis lingüística,
mostrando cómo pueden usarse planteos lógicos vagos para derivar inferencias (también
vagas) a partir de datos imprecisos [174]. Aunque este último trabajo sugiere aplicaciones a
sistemas humanísticos, en realidad la extensión a la regulación automática de procesos se hizo
evidente. Al menos así lo fue para Ebrahim Mamdani [23] y su grupo del Queen Mary
College de Londres y para su contemporáneo Richard M. Tong [175], de la cercana
Universidad de Cambridge. Fue en efecto un numeroso colectivo de científicos de varias
nacionalidades europeas, que incluyó a Assilian, Ostergaard, Kickert, King, Van Nauta
Lemke, Baaklini, Procyk, Rutherford y Pappis, entre otros, el de los pioneros en la aplicación
de la lógica borrosa al control, a partir de la segunda mitad de los 70.
Junto con la aparición de la lógica borrosa, surgieron los primeros trabajos que intentaban
caracterizar el funcionamiento del regulador borroso [176]. Sin embargo, uno de los trabajos
que marca un hito en esta temática fue el desarrollado por Chuen Chien Lee, en una época
donde ya se habían consolidado las aportaciones teóricas y prácticas en este campo [177]. En
esta publicación aparece una interesante lista de los trabajos que, desde la óptica del autor,
representan los 17 hitos más importantes en el desarrollo del control borroso, dados a la luz
entre 1972 y 1988. De entre éstos, se resaltan algunos de los más importantes:

• Los trabajos pioneros (Zadeh, Mamdani)

• La primera aplicación industrial a gran escala y de elevadas prestaciones (Control del

horno de cemento en Oregón desarrollado por Holmblad y Ostergaard)

• La introducción de reglas con consecuente determinista (reglas “tipo Sugeno”)

• El desarrollo de “hardware” a partir de circuitos especializados.

• Las masivas aplicaciones, con la industria japonesa a la cabeza.

Vale la pena comentar que en la actualidad, a pesar de gozar de una aceptación
generalizada, el reconocimiento de la validez, rigor y utilidad de la teoría de los conjuntos
borrosos no ha estado exento de controversias. Algunos científicos de renombre han llegado a
lanzarle fuertes invectivas, imputándole ingenuidad filosófica, carencia de utilidad e interés,
excepto el puramente matemático [178, 179].

90 Capítulo 3
 Raúl M. del Toro

Sin embargo, las aplicaciones generalizadas y el desarrollo teórico de los últimos 20 años,
se han encargado de darle a esta teoría su justo valor, probablemente menos “milagrosa” de
como nos la describiera Zadeh al principio, pero indudablemente muy útil y poderosa.
A día de hoy, es muy difícil de refutar, que la lógica borrosa ofrece una alternativa
adicional, una herramienta más, para la solución técnica al problema de toma de decisiones y
al control inteligente de procesos, es decir, que ha venido a enriquecer el arsenal a disposición
de los diseñadores de sistemas de monitorización y control, con un enfoque muy novedoso
para emular la toma de decisiones humana. La idea de incorporar al regulador la experiencia
de los operadores expertos y su forma de actuar sobre el proceso, le proporciona el
“conocimiento” necesario para hacer frente a la complejidad y severas no linealidades de
muchos sistemas.

3.2.1 Algunas definiciones básicas

A continuación se resumen algunos de los conceptos básicos de la Teoría de los Conjuntos
Borrosos y la lógica borrosa, que contribuirán a una mejor comprensión del trabajo. Más
detalles se pueden encontrar en los trabajos de Kaufmann [180], Zimmermann [181], Dubois
y Prade [182], entre otros.
Sea pues U un conjunto clásico de objetos, conocido como universo de discurso (o
conjunto de referencia), cuyos elementos genéricos se representan como x. La pertenencia a
un sub-conjunto A de U podría verse como una cierta función característica µ A de U {0,1}
(Figura 3.3a) tal que

µ A ( x) = 1 ⇔ x ∈ A
(3.7)
µ A ( x) = 0 ⇔ x ∉ A

Lo anterior no es más que un planteamiento formal de la expresión: “El objeto x pertenece

(ó no) al sub-conjunto A”. Al par {0,1} se le conoce como conjunto de evaluación.
En la lógica borrosa este conjunto se transforma en el intervalo real [0,1], A se denomina
sub-conjunto borroso (Figura 3.3b) y µ A ( x) es el grado de pertenencia de x a A. Mientras
más cercano a 1 sea el valor de µ A ( x) , mayor será la pertenencia. Así, A resulta ser un sub-
conjunto de U con fronteras no abruptas, por lo que un sub-conjunto borroso puede verse
como un predicado cuyos valores ciertos (verdaderos) se adquieren del intervalo [0,1].
Entonces, A está completamente caracterizado por el conjunto de pares ordenados

A = {( x, µ A ( x ) ) , x ∈ U } (3.8)

Estudio de métodos eficientes lineales, borrosos y neuro-borrosos 91

para el control de procesos complejos
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

a) b)

Figura 3.3. Sub-conjunto clásico y borroso.

a) Sub-conjunto clásico con frontera abrupta en x0 , b) sub-conjunto borroso.

Para el caso de universos discretos U = {x1 ,..., xn } , una notación quizá más conveniente
sugerida por Zadeh es

µ A ( x1 ) µ A ( xn ) n
µ A ( xi )
A= x1 + ⋯ + xn = ∑
i =1
xi (3.9)

Extendiéndola para U no finito,

A = ∫ µ A ( x) (3.10)
x
U

El soporte de un conjunto borroso A es el sub-conjunto ordinario de U, tal que

supp A= {x ∈ U,µ A ( x ) > 0} (3.11)

Un corte-α (o corte-nivel) de un conjunto borroso A, es el sub-conjunto ordinario de U tal

que

Aα = { x ∈ U , µ A ( x ) ≥ α } (3.12)

Los elementos de x ∈ U tales que µ A ( x) = 0.5 constituyen los puntos de cruce de A y la

altura de A, por ejemplo, la cota mínima superior de µ A ( x) , se define como:

hgt (A)= sup µ A ( x) (3.13)

x∈U

Se dice que A está normalizado si y solo si existe al menos una x ∈ U , tal que µ A ( x) = 1 .
El conjunto vacío ∅ se define como µ∅ ( x) = 0, ∀x ∈ U , claro que µU ( x) = 1, ∀x ∈ U . Una

92 Capítulo 3
 Raúl M. del Toro

singularidad borrosa (fuzzy singleton) es un conjunto borroso puntual, o sea,

µ S ( x) ≠ 0, ∀x ∈ U y frecuentemente µ S ( x0 ) = 1 , aunque por lo general 0 < µ S ( x0 ) ≤ 1 (Figura
3.4). Otras definiciones que pudieran resultar interesantes, pueden hallarse en la literatura,
como por ejemplo en el trabajo de Dubois y Prade [182].

Figura 3.4. Conjunto borroso puntual o singularidad borrosa.

3.2.2 Operaciones básicas de la lógica borrosa

De igual modo que para los conjuntos convencionales, para los conjuntos borroso también
se definen las operaciones de unión e intersección, que por demás se emplean con mucha
frecuencia en control borroso. La primera definición, conocida como min-max, fue formulada
por Zadeh. A los respectivos conjuntos borrosos les corresponderían funciones de
pertenencia:

µ A∪ B ( x ) = max ( µ A ( x ), µ B ( x ) ) ∀x ∈ U (3.14)

µ A∩ B ( x ) = min ( µ A ( x ), µ B ( x) ) ∀x ∈U (3.15)

Suele usarse para estas operaciones la siguiente simbología:

A ∨ B ó µ A ∨ µ B para el máximo,

A ∧ B ó µ A ∧ µ B para el mínimo.

La justificación estrictamente matemática de la elección de las funciones para la unión e

intersección, ha sido estudiada por varios autores, considerando en general dos operadores f y
g. Las definiciones de (3.7) y (3.15), dan lugar a las siguientes propiedades de f y g:
1. La pertenencia de x al conjunto borroso resultante de las operaciones depende
exclusivamente de las funciones de pertenencia de los operandos.
2. f y g son conmutativos, asociativos e idempotentes, o sea (para g vale lo mismo que para
f)

Estudio de métodos eficientes lineales, borrosos y neuro-borrosos 93

para el control de procesos complejos
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

3. f y g son no decrecientes, o sea que la pertenencia de x a A ∪ B ó a A ∩ B no puede

decrecer cuando la pertenencia de x a A ó a B crezca.

4. f (u , u ) y g (u , u ) son estrictamente crecientes. Si µ A ( x1 ) = µ B ( x1 ) > µ A ( x2 ) = µ B ( x2 ) ,

entonces la pertenencia de x1 a A ∪ B ó a A ∩ B es ciertamente mayor que la de x2.

5. La pertenencia a A ∩ B requiere de más y la pertenencia a A ∪ B de menos que la

pertenencia a A ó B individualmente y por separado.

µ A∪ B ( x ) ≥ max ( µ A ( x ), µ B ( x) )
∀x ∈ U (3.16)
µ A∩ B ( x ) ≤ min ( µ A ( x ), µ B ( x ) )

6. La pertenencia total a A y a B implica pertenencia completa a A ∩ B . La ausencia total

de pertenencia a A y a B implica total ausencia de pertenencia a A ∪ B .

g (1,1) = 1; f (0, 0) = 0 (3.17)

7. f y g pueden extenderse, recursivamente, a m≥3 argumentos.

8. ∀x ∈ U , f (1,µ A ( x ) ) = 1; g ( 0,µ A ( x ) ) = 0

Por otra parte, al complemento A de A le corresponde la función de pertenencia

µ A ( x) = 1 - µ A ( x ) ∀x ∈ U (3.18)

Un rasgo significativo que distingue a los conjuntos borrosos de los clásicos es que, para
conjuntos borrosos, en general A ∩ A ≠ ∅ ; A ∪ A ≠ U ∀A ∈ U .

Aún más, en general, si A es cierto concepto o idea, se dice que tal concepto es borroso
cuando no se distingue claramente entre A y A.
Aunque los útiles diagramas de Venn no existen para los conjuntos borrosos, en el sentido
de cómo son utilizados para sub-conjuntos ordinarios, pueden usarse los gráficos de las
funciones de pertenencia para visualizar las operaciones más arriba definidas. Sin embargo,
las definiciones para las operaciones de unión e intersección borrosas no son únicas. Otros
operadores empleados, similares a sus homólogos probabilísticos, son:
• Para la unión, conocida como suma algébrica ó probabilística:

µ A+ˆ B ( x ) = f ′ ( µ A ( x), µ B ( x ) ) = µ A ( x ) + µ B ( x) − µ A ( x) ⋅ µ B ( x) ∀x ∈ U (3.19)

• Para la intersección, denominada producto ó producto algébrico:

µ A⋅B ( x) = g ′ ( µ A ( x ), µ B ( x) ) = µ A ( x) ⋅ µ B ( x) ∀x ∈ U (3.20)

94 Capítulo 3
 Raúl M. del Toro

Las funciones f ´ y g´ satisfacen la conmutatividad y la asociatividad, además de la

identidad, A∪∅=A; A∩A=A, las Leyes de Morgan ( A ∩ B ) = A ∪ B ; ( A ∪ B) = A ∩ B y

A ⋅∅ = ∅ ; A+U=U
ˆ . Para estos operadores también pueden construirse diagramas de Venn
(ver Figura 3.5).

a) b)

Figura 3.5. Diagramas de Venn.

a) Operador unión y b) operador intersección.

3.2.3 Producto Cartesiano

En la teoría de conjuntos clásica se denomina producto Cartesiano de dos clases U y V, a
otra clase

U ×V = { x, y , x ∈ U y y ∈ V} (3.21)

La definición de tal operación en la lógica borrosa es como sigue. Si A1,...,An son

conjuntos borrosos en los universos U1,...,Un, respectivamente, el producto Cartesiano de A1
×…×An es un conjunto borroso en el espacio-producto U1×…×Un, con función de
pertenencia

1 n
{
µ A ×⋯× A ( x1, x2 ,… , xn ) = min µ A ( x1 ),… , µ A ( xn )
1 n
} (3.22)

ó, en su lugar

µ A ×⋯× A ( x1, x2 ,… , xn ) = µ A ( x1 ) ⋅ µ A ( x2 ),⋯ , µ A ( xn )

1 n 1 2 n
(3.23)

Nótese que en el producto Cartesiano se trata de n conjuntos borrosos y funciones de

pertenencia de otros tantos universos diferentes. Una representación gráfica simple, no es
posible para el producto Cartesiano. Esto se debe a que, más que una curva, el conjunto
borroso µ A1×⋯× An ( x1, x2 ,… , xn ) generaría una hipersuperficie, en un hiperespacio de (n+1)

Estudio de métodos eficientes lineales, borrosos y neuro-borrosos 95

para el control de procesos complejos
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

T
dimensiones, donde, a cada vector  µ A1 ( x1 ) ⋯ µA n ( xn )  le corresponde un punto, cuya
restante coordenada se calcula por medio de (3.22) ó de (3.23). El tema de las operaciones
lógicas borrosas se retomará más adelante, al abordar la lógica de toma de decisiones del
controlador borroso.

∗”
3.2.4 Composición “Sup-∗
Si R y S son relaciones borrosa en U×V y V×W respectivamente, la composición de R y S
es una relación borrosa denotada por R  S y se define por:

  
R  S =  ( u , w ) ,sup ( µ R ( u, v ) * µS ( v, w ) )  , u ∈ U , v ∈V , w ∈ W  (3.24)
 v  

Donde “∗” puede ser cualquier operador perteneciente a la clase de las llamadas "normas-
T" (mínimo, producto algébrico, producto acotado, producto drástico) [183].

De forma tal que la regla de inferencia composicional “Sup-∗” se define como:

Si R es una relación borrosa en U×V y x es un conjunto borroso en U entonces la regla

composicional de inferencia “Sup-∗” afirma que el conjunto borroso y en V, inducido a partir
de x viene dado por [184]:

y = xR (3.25)

donde x  R es la composición “Sup-∗” de x en R. Si “∗” representa el operador mínimo

entonces esta definición se reduce a la regla de inferencia “Sup-Min” de Zadeh [173].

3.2.5 Variable lingüística. Definición

Una definición, equivalente en cierta medida a la de partición borrosa, es la de variable
lingüística [185]. Una variable lingüística está caracterizada por una quíntupla (x, T(x), U, G,
M), en la que,
x: nombre de variable,
T(x): conjunto de valores lingüísticos (atributos, adjetivos) de x,
U: universo de discurso,
G: regla sintáctica para generar los nombres de x,
M: regla semántica para asociar cada valor a su significado.
Por ejemplo, si la fuerza es interpretada como una variable lingüística x, entonces su
conjunto de valores lingüísticos, es decir la partición de su universo, se elegirá de entre: baja,
moderada, media, alta, muy alta, etc. Un caso sería tal y como se muestra en la Figura 3.6.

96 Capítulo 3
 Raúl M. del Toro

T(fuerza)= T(x)= {baja, media, alta}

Según la partición elegida, el uso de una regla sintáctica no sería tan necesario. Otro fuera
el caso si el conjunto de atributos no tuviera un significado tan explícito, por ejemplo en

T(x)={…,bastante alta, excesivamente alta, muy alta,…}

Entonces se hace imprescindible el disponer de una regla para ordenar la ubicación de estos
atributos en el universo de discurso. Por ejemplo

G:…, “muy alta” en el extremo superior de U, a continuación “excesivamente alta” y le sigue

“bastante alta”.

 µ ALTA = 1, F ≥ 2000 N

 F
M ALTA =  µ ALTA = − 3, 1500 N ≤ F ≤ 2000 N
 500
 µ ALTA = 0, F ≤ 1500 N

Figura 3.6. Variable lingüística fuerza.

La regla semántica M permitiría entonces precisar, en nuestro ejemplo, que “las fuerzas se
califican plenamente (100%) como “altas” por encima de los 2000 N, valor de fuerza en la
que la pertenencia a este conjunto decae linealmente hasta ser nula en 1500 N”. O sea

3.2.6 El dispositivo lógico borroso: premisas de diseño

Según los enfoques tradicionales, el diseño de un controlador se basa en un análisis
profundo del proceso y una vez que se posee un modelo cuantitativo de éste, todas las
decisiones se calculan usando algoritmos estrictamente numéricos. Es obvio que sólo a
procesos “dóciles” al análisis cuantitativo les son aplicables técnicas de control de entidad
numérica. Por otra parte, como se apuntara con anterioridad, existe un número de procesos
con cierta complejidad y por tanto difíciles de controlar automáticamente, debido a su
modelado preciso, pero que sin embargo, los operadores humanos exhiben magníficos
resultados en su regulación. Esto, junto a la aparición de la teoría de los conjuntos borrosos y
la disponibilidad de medios de cómputo poderosos, estimuló la investigación acerca de las

Estudio de métodos eficientes lineales, borrosos y neuro-borrosos 97

para el control de procesos complejos
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

estrategias de toma de decisiones de esos operadores, expresadas por medio de reglas

heurísticas, para convertirlas en estrategias de control automático.
Según lo explicado, el dispositivo lógico borroso (en lo adelante DLB) resultante se
basaría en la estrategia del operador humano, o sea, en un modelo de toma de decisiones del
experto. La esencia de tal modelo es un programa basado en reglas, por lo que clasifica entre
los llamados sistemas expertos y tiene casi siempre un carácter de modelo lingüístico (al
menos es así en el llamado control borroso clásico). Las reglas a que nos referimos ahora
toman la forma
SI [precedencia] ENTONCES [consecuencia]
La precedencia refleja el estado del proceso, en principio, mediante variables lingüísticas
como las antes definidas y la consecuencia representa las acciones de control o variables
manipuladas (entradas del proceso), también lingüísticas, que se les hacen corresponder por el
experto. De modo que la precedencia sería de la forma

Variable de  Conjunto  Variable de  Conjunto 

  ES   Y   ES   Y⋯
 estado 1   borroso   estado 2   borroso 

y la consecuencia

Variable de  Conjunto  Variable de  Conjunto 

 acción 1  ES  borroso  ;  acción 2  ES  borroso  ; ⋯
       
A modo de ejemplo, una de las también llamadas reglas de producción podría ser:
SI [error] ES [alto] Y [delta error] ES [muy alto] ENTONCES [velocidad de avance] ES
[disminuir]; [velocidad de giro] ES [reducir mucho]
Se observa que las premisas (precedencia) están relacionadas entre sí mediante el
conectivo “Y”, mientras que las consecuencias están separadas con “;”. Se llama la atención
en este sentido, pues algunos autores usan para la consecuencia “Y” en lugar de “;”. Esto
puede acarrear errores de interpretación, porque su significado es bien diferente a cuando se
usa en la precedencia y así ha de reflejarse a la hora de darles expresión formal para realizar
los cálculos. De la investigación acerca de la estrategia del operador sale un conjunto de
reglas como éstas:
⋮
 variable de   conjunto   variable de   conjunto 
Ri :   ES   Y ⋯ ENTONCES   ES   ;⋯
 estado 1  borroso  acción 1  borroso 

98 Capítulo 3
 Raúl M. del Toro

TAMBIÉN
 variable de  conjunto   variable de  conjunto 
Ri +1 :   ES borroso  Y ⋯ ENTONCES  acción 1  ES borroso  ;⋯
estado 1       
TAMBIÉN
⋮
Todas las reglas del protocolo son, en principio, válidas y aplicables, lo que explica la
presencia del conectivo “TAMBIÉN”. Claro que, ante cada estado del proceso, la validez y
efectividad de cada regla será “modulada” por el grado de cumplimiento de sus respectivas
premisas. La teoría de conjuntos borrosos debe proveer entonces las herramientas
matemáticas necesarias para crear los correspondientes algoritmos de cálculo.

3.2.7 Configuración básica del DLB

La configuración básica más universalmente aceptada para representar, en forma general,
el procedimiento antes descrito, es la mostrada en la Figura 3.7 [186], donde el DLB realiza
una función de controlador y aparece conectado con el proceso en un lazo cerrado de control.

Figura 3.7. Diagrama en bloques del lazo de control con DLB.

(Haber, 1998 [186])

En ella, la entrada al controlador es el vector x de las variables de estado del proceso y su

salida, el conjunto de variables de acción correctiva u, generadas por el DLB. Los vectores w
y z representan la información introducida desde el sistema y las perturbaciones que actúan
sobre el proceso, respectivamente.

Estudio de métodos eficientes lineales, borrosos y neuro-borrosos 99

para el control de procesos complejos
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

El DLB maneja cada una de los componentes de ambos vectores como variables
lingüísticas. De modo que, para una cualquiera de las variables de estado xi y acción uh , los
conjuntos de atributos serían, respectivamente:

{ }
T ( xi ) = A1i , A2i , …, Ami i ; i = 1, 2, …, n
(3.26)
T (u ) = {B , B , …, B } ;
h
h
1
h
2
h
qh h = 1, 2, …, ñ

donde Aij , Blh son conjuntos borrosos, mi es el número de conjuntos borrosos en que se parte
xi y qh el número de conjuntos borrosos en que se parte uh .

El bloque de emborronado sirve de interfaz entre la evaluación determinista de las

variables de estado y la correspondiente expresión borrosa. Incluye la medición de las
variables de entrada, eventual normalización de los valores de dichas variables en una gama
preestablecida y su conversión a valores lingüísticos.
La base de conocimiento comprende, en esencia, el conocimiento de la esfera de
aplicación y las metas de control del operador, dadas por un conjunto de reglas
(implicaciones) como las mostradas. La precedencia y consecuencia suelen simbolizarse con
mayúsculas en negrillas, de modo que el conjunto de las reglas podría expresarse globalmente
como

Si A entonces B = A ⇒ B (3.27)

Donde A y B representan la precedencia y consecuencia, respectivamente. Sus

dimensiones simbólicas vienen dadas por las de los vectores de estado y acción,
respectivamente.
La lógica de toma de decisiones es la médula del dispositivo borroso. Ha de tener la
capacidad de emular la toma de decisiones humana, basada en conceptos borrosos, y de inferir
acciones borrosas empleando implicaciones borrosas y las reglas de inferencia de la lógica
borrosa. Como apuntáramos, el producto Cartesiano es una de las operaciones más
importantes en esa emulación. A partir de (3.27), la expresión del producto Cartesiano sería

A ⇒ B = A×B = R (3.28)

Siguiendo una notación similar individualmente para cada implicación, tendríamos

Ri = Ai × Bi ; i = 1, 2,..., p (3.29)

donde, p es el número de implicaciones y Ri el conjunto borroso resultado del producto

Cartesiano en la regla i-ésima.

100 Capítulo 3
 Raúl M. del Toro

A su vez, cada antecedente puede representarse como

Ai = A1i × Ai2 × ⋯ × Ain (3.30)

Donde Ai j es el conjunto borroso (uno de entre m j ) de la variable de estado

x j , j = 1, 2,..., n que participa en la regla i-ésima.

El producto Cartesiano se corresponde, en el antecedente, con el conectivo “Y”, que a su

vez frecuentemente se hace corresponder con la intersección borrosa, de modo que

n
Ai = ∩ Ai j (3.31)
j =1

Como se observa, hay dos facetas que pueden diferenciarse:

El cálculo del producto Cartesiano Ai de los conjuntos borrosos del antecedente de la

regla dada (3.28),

El cálculo del producto Cartesiano del resultado anterior y el conjunto borroso de la
consecuencia Bi , para la misma regla (3.27).

El primero tiene, para el DLB, una esencia estrictamente numérica. En cada instante,
como resultado de la medición de las n variables de estado y su ulterior emborronado, se
tiene, para cada regla, un conjunto de n valores de pertenencia µ A j ( x 0j ) ; i = 1, 2,..., p ;
i

j = 1, 2,..., n (n “singletons”) y el producto Cartesiano se limita a encontrar otro valor de

pertenencia µ A1×⋯× An ( x10 ,⋯ , xn0 ) = α i .
i i

El segundo tiene otro cariz, pues, si bien el resultado de Ai = Ai1 ×⋯ × Ain es un número
(αi∈[0,1]), Bi está caracterizado por una curva, la función de pertenencia µ B j (u ) , y
i

Ri = Ai × Bi es un conjunto borroso, caracterizado por otra función de pertenencia µ Ri , que

depende de α i y de µ B j .
i

Todas las p implicaciones (3.29) y de hecho cada consecuente Bi , son válidas en

principio, sujetas, claro está, a la ponderación de su respectivo antecedente Ai . De modo que,
la salida borrosa resultante saldrá de valorar de conjunto esos consecuentes ponderados, como
se supone que lo haría el operador experto. El bloque de toma de decisiones suele simular esto
mediante la unión:

Estudio de métodos eficientes lineales, borrosos y neuro-borrosos 101

para el control de procesos complejos
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

p
R = ∪ Ri (3.32)
i =1

De donde resultarían los conjuntos borrosos correspondientes a las respectivas acciones de

control. No obstante, la acción sobre el proceso exige que el DLB proporcione a su salida un
valor determinado y no un conjunto borroso (por ejemplo: una velocidad de avance o una
velocidad de giro dada), por lo que es necesario realizar una operación de desemborronado.
El bloque de desemborronado sería entonces algo así como el interfaz de salida del DLB.

3.2.8 Características generales del DLB

Para analizar el DLB como un todo, se pueden aplicar dos filosofías: considerar incluidos
o no, las interfaces de emborronado y desemborronado dentro de él como tal. En el primer
caso estaríamos en presencia de un sistema determinista que podría ser descrito mediante:

u = g ( x) (3.33)

donde, para un cierto estado del sistema x º , se obtendría una acción de control u º

u º = g ( xº ) (3.34)

y g es una función vectorial no lineal. Esta no linealidad suele ser muy marcada y responde
estrictamente a la presunta reproducción que hace el DLB de las habilidades del operador en
la dirección del proceso, por tanto la linealización no sería conceptualmente adecuada, ni
matemáticamente expedita. No obstante, no han faltado investigadores que la hayan intentado.
Si lo consideramos como parte del proceso, entonces el dispositivo es verdaderamente
borroso (aplica conjuntos borrosos sobre conjuntos borrosos). El primer punto de vista
subraya el carácter discreto del sistema y hace recordar a un relé de varios niveles. Mientras
tanto el segundo criterio pudiera ser más rico y novedoso conceptualmente, pues refleja un
dispositivo capaz de generar acciones cualitativas ante estados cualitativos.
Por tanto, de forma resumida el DLB se puede considerar como un sistema de aplicación
de un espacio de entrada Rn a un espacio de salida Qm con las siguientes propiedades:

Biunívoco: considerando sólo dos variables de entrada al dispositivo, a la misma

condición de entrada siempre le corresponde la misma condición de salida.

Determinista: este mapa o función característica no cambia en el tiempo.

No lineal: las variables de salida no son el resultado de una combinación lineal de la(s)
variable(s) de entrada.

102 Capítulo 3
 Raúl M. del Toro

La Teoría del Control Moderna clasifica a estos sistemas como “Controladores

Multivariables No Lineales” o “Controladores de Múltiples Bandas”, y por tanto, algunos de
los métodos de análisis de los sistemas de control no lineal podrían utilizarse en el DLB. A
continuación se describen sus etapas internas.

Emborronado
Este bloque ha de jugar el papel de interfaz entre las expresiones deterministas y las
borrosas (cualitativas) de las variables de estado del proceso. Pensando en un operador
humano, aunque que, si bien él interpreta cualitativamente el estado (la salida) del proceso, lo
cierto es que objetivamente cada variable tiene, a cada instante, un valor (determinista) dado y
tales valores son los que entran al DLB. De hecho, el emborronado sería la realización
práctica de la definición de las variables como lingüísticas y de la partición de los universos
de discurso: a cada valor (determinista) de la variable de estado, le corresponde cierto grado
de pertenencia a los conjuntos borrosos de su respectivo universo, por lo que éstas se
convierten en singularidades borrosas.
En la elección del número de particiones, o sea, el número de elementos del T(x) de la
quíntupla definida para la variable lingüística (ver Figura 3.6), influye decisivamente el
método que se emplee para la creación del algoritmo del DLB. Uno de ellos, quizá el más
popular, conocido como verbalización, es decir, la creación del algoritmo se basa
exclusivamente en descripciones verbales de los operadores, acerca de su actuación en la
dirección del proceso y resulta evidente que el número de conjuntos borrosos elegido para una
variable tiene una esencia fuertemente subjetiva. No sería extraño que, para un mismo
proceso, un operador considere que una variable lingüística dada tenga, digamos, 3
particiones cualitativas y otro considere que son 5 y como resultado, ambos dirigen
"satisfactoriamente" el proceso.
Las funciones de pertenencia pueden ser expresadas de diferente forma. En la Tabla 3.2 se
muestran algunas de las más usualmente utilizadas. Una excelente colección de estas
funciones se ofrece en un trabajo de Kaufmann [180]. Como ya se ha mencionado, la elección
del tipo de función es relativamente arbitraria y esta sujeta a factores tales como el tipo de
DLB, los requisitos de cómputo, entre otros [187].
Se podría resumir entonces que el emborronado no es más que la transformación de la
información determinista, enviada desde el entorno físico al DLB, en información cualitativa
que usa como referencia a conjuntos borrosos. También se evidencia de la explicación, que
esta transformación depende de parámetros del DLB fijados a priori, vinculados con la
caracterización de las variables medidas del proceso como variables lingüísticas: número de
conjuntos y forma de las funciones de pertenencia.

Estudio de métodos eficientes lineales, borrosos y neuro-borrosos 103

para el control de procesos complejos
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

Tabla 3.2. Algunas funciones de pertenencia típicas.

FUNCIÓN REPRESENTACIÓN GRÁFICA

Triangular

 0, x ≤ a; x ≥ c

x −a
µ ( x) =  , a≤ x≤b
b − a
c− x
 c − b , b ≤ x ≤ c

Trapezoidal
 0, x ≤ a; x ≥ d
 x−a
 , a≤ x≤b
b−a
µ ( x) = 
 1, c ≤ x ≤ c
d − x
 ,c≤x≤d
d −c

Campana de Gauss
− ( x − c )2

µ ( x) = e 2σ 2

Campana generalizada (versión extendida

de la función de distribución de Cauchy-
Lorentz)
1
µ ( x) = b
 x − c  2 
1 +   
 a  

Base de Conocimiento
La base de conocimiento ha de incluir todos los datos e informaciones suministradas al
DLB, tales que posibiliten el procesamiento matemático de las variables medidas del proceso,
a fin de generar las salidas del DLB. Muchos autores sólo le adjudican las llamadas bases de
reglas y bases de datos, ambas relacionadas con informaciones muy específicas del sistema
experto borroso, como tal. Otros autores dan preferencia a completar esas informaciones con

104 Capítulo 3
 Raúl M. del Toro

otras propias de cualquier controlador [186]. Éstas abarcan los valores de referencia, valores
límite de las variables, constantes varias de ajuste, parámetros necesarios para la
discretización y normalización de las variables, entre otros. El número de niveles de
cuantificación resulta de un compromiso entre la precisión y sensibilidad a que se aspira, y la
memoria dinámica y velocidad de cómputo de que se dispone. Los intervalos más usuales
para la normalización de los universos de discurso son [-1,1], [0,1], [-100%,100%] y
[0,100%].
El conjunto de datos que conforman la base de datos incluye, en primer lugar, a todos
aquellos imprescindibles para concretar la partición de todas las variables lingüísticas:
Universos de discurso, número y nombre de las particiones así como la geometría de las
funciones de pertenencia. Igualmente importantes son los relativos a las posibles alternativas
para las operaciones y cálculos que han de realizarse en las etapas de toma de decisiones y
desemborronado. Las características de la base de reglas determinan la necesidad de una
atención particular a éstas.

Base de reglas
De todo lo comentado con anterioridad se deduce claramente la importancia de las reglas
en su calidad de representación estructurada de “la política de manejo del operador”. La base
de reglas comprende pues el conjunto de reglas de producción que deben ser prefijadas en el
DLB. El número máximo posible de reglas viene dado por el producto de los números de
particiones de todas las variables de entrada al DLB.
Para hablar de una base de reglas, es preciso ante todo elegir cuáles variables se utilizarán
como de entrada y cuáles como de salida del DLB. No es ocioso subrayar que una selección
adecuada de las variables de estado y acción del proceso resulta esencial para la
caracterización y ulterior comportamiento del CLB. La experiencia y el conocimiento técnico
desempeñan un papel importante en esta etapa de selección [186]. Más que otra cosa, se
impone la necesidad de un análisis con enfoque sistémico, dónde emerjan no sólo las
variables de entrada y salida, sino también los objetivos, restricciones y parámetros. Se
pudiera decir que si esto es en general importante para cualquier sistema de control, lo es
mucho más en el caso de los llamados procesos “complejos” (a los que preferentemente se
aplica el control borroso) especialmente a la hora de concebir su base de reglas. Ejemplos
típicos de variable de entrada de un DLB son el estado, el error del estado, la integral del
error, etc.
Para crear las reglas que se prefijarán inicialmente en el DLB, existen tres vías que se
clasifican como: verbalización, emborronado, e identificación [188].
A la primera ya se ha hecho referencia con anterioridad, al describir la etapa de
emborronado del DLB. La segunda vía, denominada emborronado (no confundir con la etapa

Estudio de métodos eficientes lineales, borrosos y neuro-borrosos 105

para el control de procesos complejos
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

de igual nombre del DLB) proporciona modelos borrosos a partir de expresiones matemáticas
ordinarias por medio del principio de extensión de Zadeh. Tales expresiones matemáticas no
suelen existir en los casos de procesos complejos. Por otra parte, la identificación supone la
generación de descripciones causales, a partir de datos numéricos obtenidos midiendo las
variables de estado y acción, durante la actuación de operadores eficientes.
Sobre la verbalización, la mayoría de los trabajos pioneros del control borroso de la
década de los 70 se apoyaron en modelos basados en descripciones verbales de los
operadores, tecnólogos, etc., básicamente a partir de dos métodos heurísticos: la interrogación
del operador a partir de un cuestionario riguroso y/o una verbalización de la experiencia del
operador. A pesar de estar afectadas por fuertes dosis de subjetivismo, constituye la técnica
más popular.
La identificación, por su parte, provee la objetividad que emana de mediciones reales,
procesando los archivos de datos de estas mediciones, para generar la base de conocimiento.
Existen para ello diversas técnicas, entre las cuales está el emborronado de cada medición,
convirtiéndola en un “número borroso” [189] y las técnicas de agrupamiento borroso (fuzzy
clustering) que se han empleado para diseñar tanto controladores como modelos borrosos
[190].
Takagi y Sugeno propusieron un interesante algoritmo que también se podría clasificar
entre los de identificación, pues se basa en datos procedentes de mediciones sobre el proceso
[24]. Las reglas que propusieron para su base de conocimiento eran de un nuevo tipo, con
antecedente borroso pero consecuente determinista (algébrico):

SI x es Ai Y ...Y y es Bi ENTONCES z = f ( x,..., y ) (3.35)

donde x e y son variables lingüísticas, z es una variable ordinaria, Ai y Bi conjuntos borrosos

y f una función ordinaria, frecuentemente lineal. El problema lo reducen a uno de estimación
de parámetros por mínimos cuadrados. Los éxitos en los resultados de aplicaciones ulteriores
de este algoritmo, incluido su perfeccionamiento, avalan el valor de este enfoque.
Por otra parte, Takagi y Sugeno ofrecen cuatro modos, no excluyentes, de obtención de las
reglas: utilizando la experiencia del experto y conocimiento técnico del proceso, a partir de la
experiencia de las acciones de control de los operadores, basada en modelos borrosos del
proceso y basadas en el aprendizaje [191].
A continuación se mencionan algunas de las propiedades que deben cumplir la base de
conocimientos [186, 192]:
• Completitud: Aptitud de un algoritmo de control borroso de poder inferir una acción de
control adecuada (no trivial) para cada estado del proceso. La integridad de un CLB
depende de cuán completas sean tanto su base de datos como su base de reglas.

106 Capítulo 3
 Raúl M. del Toro

• Continuidad: Se dice que un conjunto de reglas es continuo si no contiene ninguna regla

que produzca zonas “vacías” en el producto cartesiano. La integridad de la base de reglas
es más fácil de garantizar introduciendo en el antecedente (o generando automáticamente)
reglas que prevean todas las posibles combinaciones de atributos de las variables de
entrada al controlador, a costa, claro está, del correspondiente gravamen de memoria.
• Consistencia: Las fuentes de obtención de las reglas pueden ser variadas, siendo los
operadores humanos de las más importantes. Los errores subjetivos de éstos son
potenciales fuentes de inconsistencia. El caso más claro está dentro de una base de reglas
y sería el de reglas con igual (o casi igual) antecedente y muy diferente consecuente.
Cuando el número de particiones de los universos de las variables de estado y acción es
elevado, puede no resultar fácil, aún para el experto, el fijar un consecuente no
inconsistente. En la literatura se reportan varias metodologías para los casos de variables
de estado “clásicas” como el error, la derivada del error, etc. Una de ellas, se basa en
justificar las reglas tomando como referencia una trayectoria de fase del sistema a lazo
cerrado [193]. Otros autores proponen otro enfoque para sintetizar las reglas a partir de un
modelo lingüístico de lazo cerrado, en lo que sería una versión borrosa del diseño por
asignación de polos [194].
• Interacción: Un conjunto de reglas es interactivo o existe interacción, si el resultado que
se obtiene de cada regla por separado es diferente a cuando se toma en cuenta el conjunto
completo de reglas, lo que supone que el operador composicional utilizado modifica uno
o más de los consecuentes.

Tipos de reglas
Si bien es cierto que las más populares y conocidas reglas de un DLB son de la forma:

 variable de   conjunto   variable de  conjunto 

SI   ES   Y   ES   Y ⋯ ENTONCES
 estado 1   borroso   estado 2   borroso 
       
(3.36)
 variable de   conjunto   variable de  conjunto 
  ES   ;   ES   ; ⋯
 acción 1   borroso  acción 2   borroso 

La lógica borrosa pone también a disposición del diseñador del sistema una muy rica
variedad de tipos de reglas, lo que da una enorme flexibilidad en las opciones. A continuación
se relacionan varios tipos recogidos en la literatura:
• Jerarquía de reglas complejas, empleadas en dispositivos borrosos expertos [195]. Las
variables intermedias representan algún estado implicado (que no se puede medir) que
puede afectar las acciones de control a aplicar:

Estudio de métodos eficientes lineales, borrosos y neuro-borrosos 107

para el control de procesos complejos
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

SI [estado del proceso] ENTONCES [variable intermedia 1]

⋮ (3.37)
SI [variable intermedia N ] ENTONCES [acción de control ]

• Metarreglas: dota a los dispositivos expertos borrosos de la inclusión de conocimientos de

tipo estratégico. Las metarreglas permiten decidir cuáles reglas de bajo nivel han de
aplicarse. Su uso es un importante recurso, al cual puede apelarse cuando se desee ahorrar
volúmenes de cómputo y, con ello, aumentar las velocidades de generación de las salidas
del DLB. Ejemplo de ellas:

SI [estado 1 del proceso] ENTONCES [aplicar juego de reglas A]

⋮ (3.38)
SI [estado N del proceso] ENTONCES [aplicar juego de reglas B]

• Secuencias de reglas de bajo nivel:

SI [estado del proceso] ENTONCES [ primero aplique el juego de reglas A]

(3.39)
[a continuación aplique el juego de reglas B]

• De igual modo, existe la posibilidad de que las reglas sean función de objetivos y
restricciones que pudieran usarse con propósitos de adaptación, de la forma

SI [nuevo objetivo] ENTONCES [inicie grupo de reglas 1] (3.40)

Mención aparte merece la regla de “tipo Sugeno” mencionada con anterioridad (3.35),
cuyo rasgo distintivo radica en el carácter determinista (función ordinaria) del consecuente y
constituye uno de los primeros intentos, de reglas con consecuente no borroso. Vale la pena
insistir finalmente, citando esta vez al propio Tong, que “la construcción de la base de reglas
es el aspecto crucial y más difícil del diseño del CLB”.

3.2.9 La toma de decisiones

La toma de decisiones es la etapa que tiene la tarea de tratar de reproducir, lo más
fielmente posible, los procesos intelectuales del operador humano en su accionar dirigiendo el
proceso. De modo que todos los procesos matemáticos en ella implícitos, serán más
adecuados cuanto mejor se simule la toma de decisiones humana.
La explicación realizada hasta ahora del DLB, en base de su esquema funcional (Figura
3.7) ha tenido un carácter esencialmente estático, pues se le ha concedido prioridad a la
composición de la base de conocimiento. Seguidamente se dan a conocer las siguientes etapas
de elaboración de las señales para la toma de decisiones. De utilizar una base de reglas de tipo
clásico:

108 Capítulo 3
 Raúl M. del Toro

SI < estado borroso del proceso > ENTONCES < acción de control borrosa >

En cada instante t, el conjunto de reglas puede considerarse conceptualmente dividido en

dos sub-conjuntos: uno de reglas activas (no nulas) y otro de reglas momentáneamente
inactivas, pues ocurre que un estado dado x º (t ) dará lugar a la “activación” de un número de
reglas. Serán activadas solamente aquellas reglas en las que todos los conjuntos borrosos del
antecedente resulten ser no nulos. Algo similar habría que hacer si existe más de una variable
de entrada. La desactivación puede realizarse indistintamente revisando regla a regla ó
variable a variable. Este enfoque de la activación y desactivación resulta muy conveniente
desde el punto de vista de las percepciones técnicas, como una fiel reproducción del más sano
juicio de un operador experto.
Para el caso de un dispositivo múltiple entrada simple salida, el conjunto de reglas activas
puede representarse de la siguiente forma:

SI x1 es A11 Y x2 es A12 Y ...Y xn es A1n ENTONCES u es B1

TAMBIÉN
⋮
SI x1 es Ai1 Y x2 es Ai2 Y ...Y xn es Ain ENTONCES u es Bi
TAMBIÉN
⋮

donde cada atributo Ai j ó Bi no son necesariamente diferente para cada regla. Los pasos
siguientes se corresponden a operaciones lógicas borrosas. Pero antes es necesario tener en
cuentas algunas consideraciones matemáticas acerca de la definición de los conectivos “Y” y
“TAMBIÉN”.
En la mayoría de los DLB el conectivo “Y” se traduce prácticamente como una
implicación borrosa en un espacio producto Cartesiano, en el que, las variables involucradas
se desenvuelven en universos de discurso diferentes. Más generalmente, la implicación
borrosa se asocia a las llamadas normas triangulares. Una norma triangular o T-norma es una
función de dos lugares de [0,1]×[0,1] en [0,1], que debe cumplir los siguientes requisitos:
1. T (0, 0) = 0 ; T (a,1) = T (1, a ) = a

2. Si a ≤ c , b ≤ d entonces T (a, b) ≤ T (c, d ) (monotonía)

3. T (a, b) = T (b, a) (conmutatividad)

4. T (T (a, b), c) = T (a, T (b, c )) (asociatividad)

Además, debe satisfacer que

Estudio de métodos eficientes lineales, borrosos y neuro-borrosos 109

para el control de procesos complejos
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

a si b = 1

Tw (a, b) ≤ T (a, b) ≤ min(a, b) , siendo Tw ( a, b ) = b si a = 1
0 en otro caso


Tales requisitos los cumplen, junto a las definiciones (3.22) y (3.23), con xi ∈ [0,1] para
toda i:

intersección {
xi ∩ x j = min xi , x j } (3.41)

producto algébrico xi ⋅ x j = xi x j (3.42)

producto acotado {
xi ⊙ xj = max 0, xi + x j − 1 } (3.43)

 xi x j = 1

producto drástico ⋅ x j = x j xi = 1
xi ∩ (3.44)

0 x i , x j < 1

Las más utilizadas en el cálculo del producto Cartesiano de los DLB constituyen la
intersección (Regla de implicación del mínimo de Mamdani) y el producto algébrico (Regla
de implicación del producto de Larsen), que aparecen reflejadas en las ecuaciones (3.22) y
(3.23).
Sobre el conectivo “TAMBIÉN” cabe apuntar, en primer lugar, que debe exhibir
propiedades de conmutatividad y asociatividad, pues el orden de las reglas es irrelevante.
Tales propiedades las poseen las antes mencionadas normas triangulares, aunque también las
tienen las llamadas co-normas triangulares o T-conorma. Las co-normas son también
funciones de dos lugares de [0,1]×[0,1] en [0,1] y las condiciones que deben cumplir son
homólogas (o coincidentes) con las de las normas, a saber:
1. S (1,1) = 1 ; S (a, 0) = S (0, a ) = a

2. Si a ≤ c , b ≤ d entonces S (a, b) ≤ S (c, d ) (monotonía)

3. S (a, b) = S (b, a ) (conmutatividad)

4. S ( S (a, b), c ) = S (a, S (b, c )) (asociatividad)

Además, debe satisfacer que:

110 Capítulo 3
 Raúl M. del Toro

a si b = 0

S w (a, b) ≥ S (a, b) ≥ max(a, b) , siendo S w ( a, b ) = b si a = 0
1 en otro caso

Esas condiciones las cumplen las siguientes definiciones, válidas para xi ∈ [0,1] , para toda
i, como:

unión {
xi ∪ x j = max xi , x j } (3.45)

suma algébrica xi +ˆ x j = xi + x j − xi x j (3.46)

suma acotada {
xi ⊕ x j = min 1, xi + x j } (3.47)

 xi x j = 0
. x =  x
suma drástica xi ∪ j  j xi = 0 (3.48)

1 x i , x j > 0

suma disjunta { }
xi ∆x j = max min( xi ,1 − x j ), min(1 − xi , x j ) (3.49)

A mediados de la década de los 80 varios investigadores, especialmente polacos (Kiszka,

Kochanska, Sliwinska, Stachowicz), trabajaron en la determinación de la definición más
conveniente para los conectivos “Y” y “TAMBIÉN”, desde el punto de vista de la precisión y
calidad del modelo borroso. De los resultados de éstos y otros investigadores e incluyendo
consideraciones de orden práctico para la realización práctica del DLB se aconseja el uso de
las Reglas de Mamdani ó de Larsen y el operador de unión para el conectivo TAMBIÉN. Esto
se corresponde con los operadores "sup-min" de Zadeh y "sup-producto" de Kaufmann. De
todos modos podría resultar prematuro el pretender llegar a conclusiones definitivas respecto
a cuáles de los operadores son los mejores para los DLB. Ejemplo de ello es que Mizumoto
reportó, ya en 1982, buenos resultados con sus operadores “sup-producto acotado” y “sup-
producto drástico” [196].

3.2.10 Desemborronado
El bloque de desemborronado constituye la interfaz de salida del DLB, es el responsable
de entregar al proceso físico, acciones deterministas a partir de conjuntos borrosos generados
durante la toma de decisiones. La estrategia de desemborronado ha de tener como objetivo
que las salidas deterministas resultantes sean las que “mejor” representen a esos conjuntos
borrosos.

Estudio de métodos eficientes lineales, borrosos y neuro-borrosos 111

para el control de procesos complejos
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

El procedimiento de desemborronado ha sido objeto de atención por parte de los

investigadores, debido a que no existe un procedimiento sistemático para su realización,
frecuentemente las estrategias de mejores cualidades para elegir la mejor u° consumen
elevados tiempos de cómputo, lo que va en detrimento de las prestaciones del DLB y la
elección de una estrategia resulta de un compromiso entre virtudes y defectos de varias
alternativas, entre otras razones.
Las estrategias de desemborronado más comúnmente usadas, desde los primeros DLB,
son: el máximo, media del máximo (MDM) y el centro de área (CDA). La lógica de toma de
decisiones genera una distribución posibilística µ R vs. u (ó un conjunto de distribuciones en el
caso de varias salidas), de la que se debe extraer un valor determinista de u = u º .
El criterio del máximo da lugar a salidas que corresponden a los valores de u en que las
distribuciones alcancen su valor máximo, por vez primera en sentido de los valores de u
crecientes.

 
u ° = min  arg sup ( µ R (u ) )  (3.50)
 u∈U 
 u 

La estrategia MDM genera como salida del DLB, los valores de u que representen la
media de todos los valores que alcanzan el mismo máximo en la distribución posibilística
resultante. Para el caso de universo discreto, la salida del DLB puede expresarse como:

1
u° = ∑ uj
m u ∈V
(3.51)
j

donde V representa un sub-conjunto ordinario de U, que agrupa los m puntos donde

µ R (u ) = µ R (u )max y m es la cardinalidad de V.

El método del centro de área (CDA), también conocido como del centroide, del centro de
masa o de gravedad, se basa en calcular, como salida determinista, los valores de la variable
u = u º tal que divida en partes iguales el área bajo la curva de distribución posibilística
resultante de la composición de las reglas. Analíticamente sería:

u° =
∫ µ R (u)udu (3.52)
∫ µ R (u)du
En el caso de un universo discreto se calcula como:

112 Capítulo 3
 Raúl M. del Toro

∑ j u j µ R (u j )
u° = (3.53)
∑ j µ R (u j )
El método del CDA es el de mayor grado de coincidencia con el sentido común y la
intuición de los especialistas a la hora de elegir la mejor uº. La tendencia bastante frecuente,
es de salidas más drásticas del MDM respecto al CDA y aún más drásticas para el máximo.
Igualmente la composición “Sup-producto” da mayores valores de salida en igualdad de otras
condiciones.
Desde inicios de los 80, varios investigadores estudiaron comparativamente estos tres
métodos de desemborronado [197]. Es bastante generalizada la conclusión de que el método
CDA ofrece los mejores resultados para determinar el mejor uº. No obstante se plantea que,
desde el punto de vista del comportamiento dinámico de un sistema de control a lazo cerrado,
el método MDM ofrece un mejor comportamiento del sistema en régimen transitorio mientras
que el CDA da mejor comportamiento a estado de régimen estacionario. Desde el punto de
vista de la teoría de control clásica, empleando el método MDM, el DLB se comporta como
un relé de varios niveles y con el CDA se obtienen resultados parecidos a los de un
controlador proporcional integral (PI).

3.3 Estudio de los sistemas híbridos neuro-borrosos y su empleo en el

control de sistemas complejos
A pesar de la amplia aplicación práctica de los sistemas de inferencia borrosa en los
últimos años, existe aún la necesidad de disponer de métodos estándar que transformen, de
forma eficiente y semiautomática, el conocimiento humano y la experiencia en base de reglas
del DLB, además de métodos para el ajuste de los parámetros de las funciones de pertenencia
de manera óptima.
Una vía para afrontar esta problemática es la utilización de técnicas de inteligencia
artificial híbridas, basadas en sinergias y complementariedades. Dentro de los llamados
sistemas inteligentes híbridos una de las estrategias de mayor éxito son los sistemas híbridos
neuro-borrosos. Estos combinan el estilo de razonamiento humano de los sistemas borrosos
con los algoritmos de aprendizaje y la estructura “conexionista” de las redes neuronales.
Debido a la creciente necesidad de desarrollar sistemas inteligentes adaptativos para el
modelado y el control de procesos físicos, la combinación de las redes neuronales artificiales
y los sistemas de inferencia borrosa ha atraído un interés creciente de los investigadores en
diversas áreas científicas y de la ingeniería. Por una parte, las redes neuronales basan su
aprendizaje ajustando las interconexiones entre sus capas, pero tiene la problemática de que el
conocimiento aparece de forma implícita (valores numéricos sin un significado físico
fácilmente reconocible) y suelen fallar cuando se producen comportamientos fuera de la

Estudio de métodos eficientes lineales, borrosos y neuro-borrosos 113

para el control de procesos complejos
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

región de entrenamiento. Por otra parte, los sistemas de inferencia borrosa proporcionan un
entorno o marco eficiente de computación basado en la imitación del razonamiento humano
mediante el empleo de conjuntos borrosos y un modelo lingüístico constituido por un
conjunto de reglas borrosas SI-ENTONCES (IF-THEN).
La hibridación de estos dos paradigmas permite aprovechar las ventajas de ambos,
consiguiendo la sencillez de ajuste de las redes neuronales y a la vez disponiendo del
conocimiento explícito expresado mediante el modelo lingüístico de los sistemas borrosos.
A partir de la segunda mitad de los años 80, aparecen en la literatura diversos trabajos en
los cuales se introducen diferentes estructura de sistemas híbridos neuro-borrosos y que
pueden ser separados en dos grandes grupos. Uno de ellos son las redes neuronales dotadas
con la habilidad de manejar información borrosa para mejorar su capacidad de convergencia
(Fuzzy Neural Networks, FNN) [198, 199]. El otro son los sistemas borrosos combinados con
redes neuronales con el objeto de incorporar la capacidad de aprendizaje y así mejorar su
precisión (Neural-Fuzzy Systems, NFS) [52, 200]. Por otra parte, en un trabajo anterior
desarrollado por Farag et ál. se añade, además, las potencialidades de optimización de los
algoritmos de computación evolutiva (por ejemplo, algoritmos genéticos) para el ajuste de las
funciones de pertenencia de los sistema neuro-borrosos [78]. Una revisión en profundidad de
las estrategias neuro-borrosas disponibles en la literatura, puede realizarse en los trabajos de
Nauck et ál. [201] y de Li Xin Wang [202].
Referido a los sistemas borrosos que incorporan la capacidad de aprendizaje de las redes
neuronales, en los últimos 15 años es posible encontrar, disponibles en la literatura, diversos
algoritmos computacionales que emplean esta estrategia de hibridación para el ajuste de
sistemas de inferencia borrosa. Entre ellos caben destacar los siguientes: ANFIS (Adaptive
Network based Fuzzy Inference System) [52], FuNN (Fuzzy Neural Network) [203, 204],
REFuNN (Rules Extraction Fuzzy Neural Network) [204], DENFIS (Dynamic Evolving
Neural-Fuzzy Inference System) [205], HyFIS (Hybrid neural Fuzzy Inference System) [200],
TWNFI (Transductive Neuro-Fuzzy Inference model with Weighted data normalization) [206]
que facilitan tareas como el modelado y el control de sistemas no lineales y de gran
complejidad [73, 207]. Es necesario destacar que varios de estos aportes han sido realizados
por el grupo de investigación del Knowledge Engineering/Discovery Laboratory de la
Universidad de Otago de Nueva Zelanda, liderado por el Dr. Nikola K. Kasabov.
Entre los diferentes algoritmos computacionales neuro-borrosos mencionados, el conocido
como Adaptive Network based Fuzzy Inference System (ANFIS) propuesto por Jyh-Shing R.
Jang [52] es, además del trabajo pionero, uno de los más sencillos desde el punto de vista
computacional y viable para aplicaciones en tiempo real.
ANFIS está basado en redes neuronales artificiales adaptativas, introducidas también por
Jang [52] y las cuales no son más que redes neuronales artificiales multicapas con

114 Capítulo 3
 Raúl M. del Toro

alimentación hacia delante, diferenciándose en que las funciones de activación pueden ser
distintas en cada nodo. La estructura y métodos de aprendizaje de la red neuronal, están
diseñados de tal forma que puedan constituir un marco unificador de casi todos los diferentes
paradigmas de redes neuronales artificiales con aprendizaje supervisado [208]. A
continuación se realiza una breve introducción a la arquitectura de la red y sus procedimientos
de aprendizaje.

3.3.1 Redes neuronales artificiales adaptativas

La estructura de la red adaptativa se compone de un conjunto de nodos conectados
mediante enlaces direccionales. Cada nodo ejecuta una función estática a partir de sus
entradas generando una salida única y cada enlace especifica la dirección del flujo de señal
entre nodos. Las funciones de los nodos pueden ser parametrizables de tal forma que al
cambiar los parámetros que definen la función, se cambia la función así como también todo el
comportamiento de la red adaptativa. Los nodos realizan un mapeo estático de sus entradas a
su salida, no existen estados dinámicos ni internos en cada nodo. Además, todas las funciones
de nodos son diferenciables excepto en un número finito de puntos, lo cual facilita el
desarrollo de algoritmos de aprendizaje.

Figura 3.8. Representación en capas de la red neuronal adaptativa.

(Jang et ál., 1993 [208])

En general la red puede ser heterogénea, es decir, cada nodo puede tener una función de
activación específica diferente a los otros. Los enlaces entre nodos solo especifican la
dirección de propagación de las salidas de los nodos y por lo general no existen pesos u otros
parámetros asociados, como en otros tipos de redes neuronales artificiales. La Figura 3.8
muestra una red adaptativa típica con dos entradas y dos salidas. Los nodos cuadrados
representan nodos adaptativos mientras que los circulares son fijos, es decir, no tienen
parámetros. El conjunto de parámetros de toda la red adaptativa es la unión del conjunto de
parámetros de cada nodo adaptativo.

Estudio de métodos eficientes lineales, borrosos y neuro-borrosos 115

para el control de procesos complejos
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

La red puede ser entrenada de forma híbrida, empleando el gradiente descendiente para
ajustar los parámetros de las funciones de activación de los nodos y el método de mínimos
cuadrados para ajustar nodos con funciones lineales. Además, el ajuste de los parámetros
puede realizarse mediante entrenamiento por lotes (aprendizaje off-line), es decir, la
actualización de los parámetros se realiza a partir de un conjunto de datos de entrenamiento.
También el entrenamiento puede llevarse a cado de forma incremental (aprendizaje on-line),
es decir, los parámetros son actualizados para cada par de datos de entrada-salida.
A continuación se describe brevemente el método del gradiente descendiente que
constituye la estrategia básica de aprendizaje. Se parte del supuesto de una red adaptativa de
L capas, donde la capa k tiene N (k ) nodos. El nodo en la posición i en la capa k se denota
por (k , i) , su función de salida por fi k y su salida por xik . Dado que la salida de cada nodo
depende de sus entradas y de su conjunto de parámetros ( α , β , γ ,... ), esta se expresa como

(
xik = fi k x1k −1 ,..., xNk −(1k −1) , α , β , γ ,... ) (3.54)

Asumiendo que el conjunto de datos de entrenamiento tiene P vectores, la medida del

error o función de energía para el vector p ( 1 ≤ p ≤ P ) del conjunto de datos de
entrenamiento, se calcula a partir de la suma de errores siguiente:

∑ ( dm, p − xmL , p )
N ( L) 2
Ep = (3.55)
m=1

donde d m, p es la componente m -ésima del vector p y xmL , p es su correspondiente vector de

salida para la evaluación actual del vector p en la red. Por tanto el error total y el cual es el
objetivo a minimizar, se define de la siguiente forma:

E = ∑ p =1 E p
P
(3.56)

La definición del error en la ecuación (3.55) no es universal, para determinadas

situaciones o aplicaciones el cálculo del error puede definirse de otra forma. Con el objetivo
de desarrollar un procedimiento de aprendizaje que implementa un descenso de gradiente en
E sobre el espacio de parámetros, primeramente se debe calcular la derivada del error para el
vector de entrenamiento p y para cada nodo de salida x . A partir de la ecuación (3.55), el
cambio del error a la salida del nodo i de la capa L se determina como:

∂E p
∂xiL, p
(
= −2 di , p − xiL, p ) (3.57)

116 Capítulo 3
 Raúl M. del Toro

Para el nodo interno (k , i) , la derivada del error se calcula aplicando la regla de la cadena:

∂E p N ( k +1) ∂E p ∂f mk,+p1
∂xik, p
= ∑ ∂xmk +, 1p ∂xik, p
(3.58)
m =1

siendo 1 ≤ k ≤ L − 1 . La ecuación anterior se traduce en que la derivada del error o su tasa de

cambio en los nodos internos, puede expresarse como una combinación lineal de las derivadas
de los nodos en la capa siguiente. Por tanto, para calcular la tasa de cambio del error E p con
respecto a cada una de las salidas de los nodos que conforman toda la estructura de la red,
primeramente se aplica la ecuación (3.57) para calcular la derivada del error en la capa de
salida y a continuación se aplica la ecuación (3.58) de forma iterativa hasta la primera capa.
El vector gradiente se define como la derivada de la medida del error con respecto a cada
parámetro. Si α es un parámetro del nodo (k , i) y resulta que un conjunto de nodos S lo
comparten, el gradiente del error respecto a él se determina aplicando también la regla de la
cadena

∂E p ∂E p ∂f *
∂α
= ∑ (3.59)
x*∈S ∂x * ∂α

donde x * y f * constituyen la salida y la función, respectivamente, de un nodo genérico en

S.
Por tanto, a partir de la ecuación anterior la derivada el error total E con respecto a α se
calcula como la suma

P ∂E
∂E
=∑
p
(3.60)
∂α p =1 ∂α

Durante el aprendizaje el nuevo valor numérico del parámetro genérico α se calcula

sumando un incremento ∆α que, a partir del gradiente descendiente, puede expresarse de la
siguiente forma

∂E
∆α = −η (3.61)
∂α

siendo η el factor de aprendizaje y según una longitud k (tamaño del paso) definida de cada
transición del gradiente en el espacio del parámetro, puede determinarse así

Estudio de métodos eficientes lineales, borrosos y neuro-borrosos 117

para el control de procesos complejos
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

k
η= (3.62)
2
 ∂E 
∑α  ∂α 
El valor de k puede cambiarse para variar la velocidad de convergencia del algoritmo,
pudiéndose utilizar para ello estrategias heurísticas.
Como se había comentado con anterioridad, el aprendizaje de la red puede realizarse
mediante dos paradigmas. Por una parte, por medio del aprendizaje por lotes (off-line) donde
la actualización de los parámetros se realiza a partir de un gran conjunto de datos de
entrenamiento y para la actualización se utiliza la ecuación (3.60). Por otra parte, a través de
un aprendizaje incremental (on-line) donde los parámetros pueden ser actualizados mediante
un par de datos entrada-salida, empleando en este caso la ecuación (3.59). Esta última
estrategia resulta de gran utilidad para la identificación, en tiempo real, de sistemas dinámicos
con parámetros variables en el tiempo.

Aprendizaje híbrido.
El proceso de identificación del conjunto de parámetros de la red a través del gradiente
descendiente, en ocasiones, resulta lento hasta que logra una convergencia y puede quedar
atrapado en mínimos locales. En el caso de que alguna salida de la red neuronal sea lineal con
respecto a algunos de los parámetros, el algoritmo de aprendizaje puede combinarse con el
método de mínimos cuadrados y de esta forma acelerar el proceso de identificación de
parámetros.
Por ejemplo, si se asume una red adaptativa con una sola salida, a partir de un vector de
entrada a la red i y el conjunto de parámetros S , la salida puede representarse de esta forma

o = F (i,S) (3.63)

siendo F la función que implementa la red.

De existir una función H tal que la función compuesta H  F es lineal en algunos
elementos de S , este conjunto puede quedar dividido en dos conjuntos S1 y S2 ,
representándose como la suma de estos, es decir, S=S1 ⊕ S2 . De esta forma, el conjunto S2
puede contener los elementos para los cuales H  F es lineal. Aplicando H a la ecuación de
salida de la red se tiene

H (o) = H  F (i,S) (3.64)

118 Capítulo 3
 Raúl M. del Toro

La ecuación anterior es lineal respecto a S2 , por lo que si el conjunto S1 se determina

previamente, entonces al evaluar los datos de entrenamiento en la ecuación anterior se obtiene
la siguiente ecuación matricial

Aθ = B (3.65)

donde θ es el vector de parámetros desconocidos que pertenecen a S2 . Esta ecuación

matricial constituye un problema estándar de regresión lineal, pudiéndose resolver empleando
mínimos cuadrados.
En el caso del aprendizaje por lotes, se utilizarían los P vectores de entrenamiento. Pero
para el caso del aprendizaje incremental, es necesario utilizar, además del par de datos
entrada-salida actual, datos de entrenamiento de instantes de tiempo anteriores, pero
introduciendo un factor de olvido, de tal forma que para la obtención de los parámetros θ , se
atenúe la influencia de los datos de entrenamiento de instantes anteriores.
La actualización del conjunto total de parámetros de la red puede realizarse combinando el
método del gradiente descendiente y mínimos cuadrados. Cada iteración del procedimiento de
aprendizaje híbrido se compone de un paso hacia delante y uno hacia atrás. En el paso hacia
delante, se introducen los datos de entrada y se calculan cada una de las salidas de los nodos,
capa por capa de la red, hasta completar las matrices A y B de la ecuación matricial (3.65).
A partir de estas matrices, empleando mínimos cuadrados se obtienen los elementos de S2 y
se calcula el error E p para cada par de datos entrada-salida de entrenamiento. En el paso
hacia atrás, las derivadas de los errores se propagan desde la salida hacia la entrada,
actualizándose los parámetros de S1 mediante el método del gradiente.

Este procedimiento de aprendizaje híbrido reduce el espacio de búsqueda para el método

de gradiente conllevando, por tanto, una disminución importante del tiempo de convergencia
del algoritmo de aprendizaje.
Las redes neuronales artificiales adaptativas pueden ser aplicadas en diversas áreas. Para
un estudio en profundidad de los métodos de aprendizaje, así como de ejemplos de
aplicaciones, se puede consultar los trabajos de Jang [52], Jang et ál. [53, 208], Denaï et ál.
[73], entre otros.
En la siguiente sección se introduce una estructura de red equivalente a sistemas de
inferencia borrosa. Esta arquitectura de red se ha denominado ANFIS, que no es más que un
sistema de inferencia borrosa representado por una red neuronal adaptativa [52]. Ha
continuación se describe ANFIS para sistemas de inferencia de tipo Takagi-Sugeno-Kang,
donde la base de reglas determina la topología de la red y representando los nodos en

Estudio de métodos eficientes lineales, borrosos y neuro-borrosos 119

para el control de procesos complejos
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

determinadas capas de la red, los parámetros de las funciones de pertenencia de las entradas y
los coeficientes de los polinomios de salida de cada regla.

3.3.2 Arquitectura ANFIS

El principio de funcionamiento del algoritmo ANFIS se basa en la extracción de reglas
borrosas en cada nivel de una red neuronal. Una vez obtenidas las reglas, éstas deben
proporcionar la información necesaria del comportamiento global del proceso.
ANFIS implementa, principalmente, el modelo de Takagi-Sugeno-Kang para la estructura
de base de reglas (3.35) del sistema borroso, aunque los sistemas de inferencia de tipo
Mamdani también pueden ser representados mediante redes adaptativas. La arquitectura de
ANFIS dispone de cinco capas tal y como se muestra en la Figura 3.9, donde se ilustra a
modo de ejemplo una estructura de una entrada y una salida. Los nodos representados con
cuadrados son nodos cuyos parámetros son ajustables, mientras que los nodos representados
por círculos son nodos fijos.

Capa 1 Capa 2 Capa 3 Capa 4 Capa 5

x
w1
ŵ1
MF1 ∏ N
w2 x ŵ1h1
ŵ2
MF2 ∏ N
x
x w3 ŵ2h2 h
ŵ3
MF3 ∏ N ∑
ŵ3h3
w4 x
ŵ4
MF4 ∏ N ŵ4h4
x
ŵ5
MF5 ∏ N ŵ5h5
w5

antecedentes consecuentes

Figura 3.9. Arquitectura del sistema ANFIS.

A continuación se presenta ANFIS para el caso particular de un sistema de una entrada y

una salida como el de la Figura 3.9 y 5 nodos en las capas ocultas. En la primera capa se
produce el emborronado (3.66). La salida de cada nodo se representa por Ol,i, donde i es el i-
ésimo nodo de la capa l.

O1,i = µ Ai ( x) (3.66)

siendo x la variable de entrada al nodo y Ai es el conjunto borroso asociado al nodo. Si se

utiliza una versión extendida de la función de distribución de Cauchy-Lorentz, también
denominada campana generalizada (ver Figura 3.10), como función de pertenencia borrosa,

120 Capítulo 3
 Raúl M. del Toro

obtendríamos la siguiente expresión donde ai, bi y di son los parámetros antecedentes

ajustables o “parámetros premisas”:

1
µ A ( x) = (3.67)
i
1 + [(( x − di ) / ai )2 ]bi

Figura 3.10. Ejemplo de función de distribución de tipo campana generalizada.

De hecho, además de esta función de pertenencia, cualquier función continua o

diferenciable por tramos, tales como las funciones de pertenencia de tipo trapezoidal o
triangular, puede ser utilizada en esta capa.
En la segunda capa se multiplican las señales de entrada. La salida de esta capa es el
resultado de aplicar la regla del máximo (varios operadores T-normas pueden ser utilizados
como función del nodo). La tercera capa normaliza la importancia de cada regla.

O2,i = wi = ∏ µ Ai ( x) (3.68)

wi
O3,i = wi = , i = 1, 2,...,5 (3.69)
∑ wi
i

La cuarta capa calcula el consecuente, es decir, la función polinómica de primer orden

para cada regla borrosa, donde mi y ci son los “parámetros consecuentes”.

O4,i = wi hi = wi (mi x + ci ) (3.70)

Por último, la quinta capa realiza el desemborronado como sigue:

∑wh i i
O5,1 = h = ∑ wi hi = i
, i = 1, 2,...,5 (3.71)
i ∑w i
i

Estudio de métodos eficientes lineales, borrosos y neuro-borrosos 121

para el control de procesos complejos
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

Como puede observarse en la arquitectura ANFIS, dados los parámetros premisas, a partir
de las ecuaciones (3.71) y (3.70) la salida final del sistema puede expresarse como una
combinación lineal de los parámetros consecuentes

h = ∑ wi (mi x + ci ) = ∑ (wi x)mi + ∑ (wi )ci (3.72)

i i i

Por tanto el conjunto total de parámetros S de la arquitectura, puede dividirse en los

conjuntos de parámetros premisas ( S1 ) y de parámetros consecuentes ( S2 ), por lo que el
procedimiento de aprendizaje híbrido de las redes adaptativas puede aplicarse directamente a
la estructura ANFIS.
En el paso hacia delante, se calculan las salidas de cada nodo hasta la capa 4 y el
consecuente se calcula mediante mínimos cuadrados. Cuando los valores de los antecedentes
son fijos, la salida general del sistema puede expresarse como una combinación lineal de los
consecuentes (3.72).

 m1 
c1 
h = [ w1 x w1 ⋯ w5 x w5 ] ⋅ ⋮  = A ⋅ θ (3.73)
 m5 
c5 

A partir de la salida deseada h y la matriz A , se aplica el método de mínimos cuadrados

para determinar el vector θ .
En el segundo paso o paso hacia atrás, los errores son propagados hacia atrás para
modificar los parámetros premisas (ej., ai, bi y di) mediante el método de gradiente
descendiente. Por ejemplo, para el caso de los parámetros ai de las funciones de pertenencia,
en cada iteración n y dada la tasa de aprendizaje η estos se modifican como

∂E
ai (n + 1) = ai (n) −η (3.74)
∂ai

El procedimiento de aprendizaje se repite hasta que se alcanza alguna condición de parada

o criterio de error.
La utilización de sistemas de inferencia borrosa representados mediante redes adaptativas
en sistemas de control, tuvo sus primeras realizaciones a mediados de los años 90, donde
varios investigadores desarrollaron aplicaciones para el control de variables de procesos
continuos [209-211]. A día de hoy, son innumerables las aplicaciones de ANFIS a la
monitorización y/o control de procesos en multitud de esquemas [212, 213].

122 Capítulo 3
 Raúl M. del Toro

3.4 Conclusiones
En este capítulo se ha realizado una revisión de tres técnicas que por su consolidado
cuerpo de doctrinas e impacto científico y técnico se han considerado en esta Tesis Doctoral
con vistas a la regulación automática de procesos complejos. Se han expuesto las ideas
conceptuales y básicas de estrategias de control clásicas lineales, como el algoritmo de control
proporcional, integral y derivativo, PID, de muy amplia utilización y basadas en soft-
computing, como es el caso de los sistemas de inferencia borrosa. Por otra parte, se ha
abordado el estudio de estrategias de hibridación de los sistemas borrosos con otras técnicas
de inteligencia artificial, como las redes neuronales artificiales, combinando de esta forma el
estilo de razonamiento humano de los sistemas borrosos con la estructura conexionista y los
algoritmos de aprendizaje de las redes neuronales. Esto implicará, por tanto, una mejora del
desempeño de los sistemas borrosos en la monitorización y control de sistemas complejos.
Los algoritmos de control estudiados serán examinados en el Capítulo 5 para el diseño de
sistemas de control de procesos complejos. Se examinará, la potencialidad de los sistemas
híbridos neuro-borrosos y del control clásico PID para el control de un proceso de fabricación.
Además, como parte de la metodología de diseño de sistemas de control, se comprobará
también el desempeño de estrategias de hibridación de la lógica borrosa y diferentes métodos
metaheurísticos, para el ajuste óptimo del DLB como estrategia de control de procesos
complejos. En específico se explorarán las sinergias con los algoritmos genéticos, el
algoritmo de temple simulado, el algoritmo de Nelder-Mead y el algoritmo de entropía
cruzada, de los cuales se realizará una introducción en el siguiente capítulo.

Estudio de métodos eficientes lineales, borrosos y neuro-borrosos 123

para el control de procesos complejos
 CAPÍTULO 4
ESTUDIO DE MÉTODOS DE OPTIMIZACIÓN DE
INSPIRACIÓN GEOMÉTRICA, FÍSICA Y BIOLÓGICA
EN EL CONTROL DE PROCESOS COMPLEJOS

Las estrategias de control introducidas en el capítulo anterior, tanto basadas en soft-

computing como lineales, serán empleadas para el diseño de sistemas inteligentes de
regulación automática de procesos no lineales y con relativa alta complejidad. Con vistas a
desarrollar procedimientos de ajuste óptimo de estas estrategias, se hace necesario llevar a
cabo un estudio de métodos de optimización de diversas fuentes de inspiración.
Los algoritmos que serán considerados en esta Tesis Doctoral (Nelder-Mead, temple
simulado, algoritmos genéticos y entropía cruzada) han sido seleccionados, principalmente,
por tener varios elementos en común. Comparten el hecho de no depender del gradiente y de
la Hessiana, tienen un basamento matemático teórico y práctico bien fundamentado y una
gran aceptación por la comunidad científica. Además, son bien conocidos sus buenos
resultados en la obtención o aproximación de mínimos globales de funciones inherentemente
no-lineales.
En las siguientes 5 secciones del capítulo se introducen los conceptos básicos de los
algoritmos de optimización, así como una estrategia para su aplicación al ajuste de sistemas
de control de procesos complejos (sección 4.1). En la sección 4.2 se introduce el método de
optimización Nelder-Mead [21, 214]que es una técnica de optimización no-lineal que goza de
gran popularidad y además no utiliza información sobre el gradiente de los datos. Esto hace
que resulte adecuado para ser aplicado en problemas con funciones discontinuas o con
derivadas abruptas.

125
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

La sección 4.3 muestra un estudio del algoritmo de optimización temple simulado o

recocido simulado (Simulated Annealing) [17, 215], que es un método de búsqueda meta-
heurística para la resolución de problemas de optimización global y está inspirado en el
proceso físico de recocido de metales.
A continuación, en la sección 4.4, se hace una breve introducción al estudio de algoritmos
genéticos [36, 216, 217] que es un método, también muy maduro científicamente basado en la
selección natural y ha sido, además, ampliamente utilizado en la solución de diversos tipos de
problemas de optimización como, por ejemplo, el ajuste óptimo de sistemas de control
basados en técnicas de soft-computing para la regulación automática de procesos complejos.
Adicionalmente, en la sección 4.5 se exponen las ideas conceptuales de uno de los métodos de
optimización global más novedosos: el algoritmo de entropía cruzada (Cross Entropy) [20,
218, 219]. Este algoritmo se enmarca dentro de los métodos de tipo Monte Carlo y permite la
optimización de problemas combinatoriales, continuos y con multiplicidad de extremos.

4.1 Aplicación de algoritmos de optimización al ajuste de sistemas de

control de procesos complejos
El empleo de estrategias de optimización como las que se estudiarán en este capítulo,
puede resultar de gran utilidad. Además, desde el punto vista computacional, pueden ser
eficientes para el ajuste óptimo de los parámetros de los sistemas de control de procesos
complejos.
Consideremos un proceso simple entrada-simple salida gobernado por un sistema de
control como el mostrado en la Figura 4.1, donde F es la variable controlada del proceso, ∆f
la variable de entrada del proceso y acción de control, e es la variable de error entre la
variable de referencia FR del controlador y la salida del proceso y FZ es una perturbación a
la salida del proceso.

Figura 4.1. Diagrama general de un sistema de control de un proceso físico.

Consideremos que el controlador se define mediante una ley de control que relaciona su
variable de entrada (el error e ) con la acción de control ∆f y, siendo v un vector de
parámetros, ésta se puede expresar en el dominio temporal t de la siguiente forma:

126 Capítulo 4
 Raúl M. del Toro

∆f (t ) = c ( e(t ), v ) ; e(t ) = FR (t ) − F (t ) (4.1)

Por lo general, la ley de control se diseña persiguiendo ciertos objetivos (objetivos de

control) como pueden ser, por ejemplo, que durante un intervalo de tiempo definido de la
respuesta temporal, la salida del proceso F tenga muy poca variación respecto a la referencia,
es decir, e ≈ 0 o muy pequeño en todo el intervalo. Otro objetivo de control puede ser que la
salida F cumpla algún modo de respuesta determinado como, por ejemplo, que no oscile
alrededor de FR que se traduce también en oscilaciones del error e alrededor de 0 o la
amplitud de las posibles oscilaciones sean mínimas. También, otro posible objetivo de control
puede ser que el valor absoluto del error ( | e | ) alcance y se mantenga, además, por debajo de
cierto valor emax > 0 , durante un intervalo de tiempo de establecimiento TS , entre varios
otros objetivos posibles.

Definamos cierto intervalo de tiempo [t0 , tF ] correspondiente a la respuesta temporal del

sistema de control, ante cambios en la perturbación FZ o su referencia FR . A partir de la
respuesta temporal del error e(t ) es posible definir, en el intervalo [t0 , tF ] , cierta función de
coste g que evalúe el comportamiento dinámico del sistema de control mediante una cifra de
mérito I .

I = g ( e, t ) t
tF
(4.2)
0

El objetivo de control que se plantee puede cuantificarse mediante esta cifra de mérito.
Existen varias cifras de mérito o funciones de coste de un amplio uso en el diseño de sistemas
de control de procesos físicos, que son empleadas tanto en su etapa de diseño como de
evaluación. Entre las funciones de coste, más ampliamente utilizadas, se encuentra la integral
del error absoluto ponderado en el tiempo (ITAE) (4.3), que permite obtener una respuesta
transitoria del sistema de control con un pequeño tiempo de establecimiento y sin
oscilaciones.
Otros criterios también definidos son la integral del error cuadrático ponderado en el
tiempo (ITSE) (4.4), la integral del error absoluto (IAE) (4.5) y la integral del error cuadrático
ponderado por el tiempo al cuadrado (IT2SE o ISTSE) (4.6), entre otros. En específico, el
criterio ITAE penaliza las respuestas transitorias de larga duración y es muy sensible ante
variaciones de parámetros de los sistemas de control en comparación con otros criterios. Por
otra parte, el diseño basado en el criterio ITAE, por lo general, causa menores oscilaciones en
la variable controlada del proceso que los criterios IAE e ITSE.

tF

ITAE = ∫ e ( t ) ⋅ t dt (4.3)
t0

Estudio de métodos de optimización de inspiración geométrica, 127

física y biológica en el control de procesos complejos
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

tF

ITSE = ∫ e 2 ( t ) ⋅ t dt (4.4)
t0

tF

IAE = ∫ e ( t ) dt (4.5)
t0

tF

ISTSE = ∫ e2 ( t ) ⋅ t 2 dt (4.6)
t0

Una vez definida una cifra de mérito, el procedimiento de optimización puede realizarse,
tanto en tiempo real (on-line), es decir, empleando datos reales de FR , F y ∆f como en
tiempo de simulación (off-line) utilizando algún modelo del proceso físico que relacione su
entrada y su salida:

F (t ) = G ( ∆f , t ) (4.7)

Consideremos que el procedimiento de optimización se realiza off-line empleando, por

tanto, el modelo del proceso. El cálculo de la cifra de mérito I se realiza como:

I = g ( e, t ) t = g ( FR (t ) − F (t ) ) t
tF tF

0 0

= g ( FR (t ) − G ( ∆f , t ) )
tF
(4.8)
t0

(
= g FR (t ) − G ( c ( e(t ), v ) ) )
tF

t0

Empleando la ecuación anterior como función objetivo, es posible minimizar la cifra de

mérito I , ajustando el vector de parámetros v de la ley de control como entrada a la función.
Por ejemplo, si se utiliza la cifra de mérito ITAE la función de coste se expresa de la siguiente
forma:

tF
ITAE = ∫ FR (t ) − G ( c ( e(t ), v ) ) ⋅ t dt (4.9)
t0

En la Figura 4.2 puede observarse un diagrama de bloques del procedimiento de ajuste

óptimo del sistema de control que ha sido muy frecuentemente empleado, tanto en la literatura
como en procesos físicos, ya sea en tiempo real o en simulación.

128 Capítulo 4
 Raúl M. del Toro

Figura 4.2. Diagrama de bloques del sistema de control y algoritmo de optimización.

4.2 Estudio del método de optimización Nelder-Mead para su aplicabilidad

al ajuste de sistemas de control de procesos complejos
El algoritmo de Nelder-Mead, publicado en 1965 por Nelder y Mead [21], es un método
numérico para minimizar una función objetivo en un espacio multidimensional. La aplicación
del algoritmo básico es relativamente fácil, además de su comprensión, por lo que su
utilización ha resultado muy popular en muchos campos de la ciencia y la tecnología. El
método no utiliza información sobre el gradiente de los datos, por lo que resulta adecuado
para ser aplicado en problemas con funciones discontinuas o con derivadas abruptas [214] y
se enmarca dentro de la clase de métodos de búsqueda directa [220].
En el método se utiliza el concepto de un símplex, que es una forma geométrica de
envolvente convexa y N+1 vértices, correspondiéndose N con el número de parámetros a
optimizar. El paso básico del método consiste en sustituir el peor punto del símplex con otro
punto reflejado en el resto de puntos [14].

Si se considera una función no lineal f : ℜn → ℜ , el método comienza con un conjunto

de n + 1 puntos x0 ,...xn ∈ℜn , considerados los vértices de un símplex S y el correspondiente
valor de la función f evaluada en los puntos vértices ( f j = f ( x j ) , j = 0,..., n ).

A partir de estas condiciones iniciales, el método realiza una secuencia de

transformaciones en el símplex S definido, encaminadas en reducir el valor que toma la
función evaluada para cada vértice. En cada paso, la transformación está determinada por el
cálculo de uno o más puntos de prueba, junto al valor correspondiente de la función para estos
puntos, y se comparan estos valores de la función con los correspondientes a los vértices. El
proceso culmina cuando el símplex S es lo suficientemente pequeño según cierto criterio de
evaluación.

Estudio de métodos de optimización de inspiración geométrica, 129

física y biológica en el control de procesos complejos
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

En cada iteración del método de Nelder-Mead (NM), inicialmente se determinan para el

actual símplex S los índices h , s y l , correspondientes al peor, segundo peor y el mejor
vértice, respectivamente

f h = max f j , f s = max f j , fl = min f j (4.10)

j j ≠h j

Seguidamente se calcula el centroide xc de todos los puntos, excepto el punto xh , de la

forma

1
xc =
n
∑ xj (4.11)
j ≠h

A continuación se construye un nuevo símplex a partir del actual. Para ello se reemplaza
solamente el peor vértice xh por un mejor punto, por medio de transformaciones de reflexión,
expansión o contracción con respecto al lado opuesto a xh .

Las coordenadas del punto de reflexión xr de xh se calculan mediante la relación

xr = xc + α ( xc − xh ) (4.12)

siendo α una constante positiva y denominado coeficiente de reflexión. Por tanto, xr se

encuentra en la línea definida entre los puntos xh y xc , en el lado opuesto a xh . Definiendo
dij como la distancia entre dos puntos xi y x j cualesquiera, entonces α relaciona la
distancia entre los puntos xr , xc y entre los puntos xh , xc , es decir:

d rc = α d hc (4.13)

Si la función evaluada en el punto de reflexión, f r = f ( xr ) , se encuentra entre f h y fl

( fl ≤ f r < f s ), entonces el vértice xh se reemplaza por xr reiniciando el proceso con el
nuevo símplex.

En caso contrario, si f r < fl significa que la reflexión ha producido un nuevo mínimo y

por tanto se expande el punto xh a un punto xe determinado como:

xe = xc + γ ( xr − xc ) (4.14)

El parámetro γ se denomina coeficiente de expansión, siendo mayor que la unidad, y

constituye la razón entre las distancias dec y d rc ( γ = dec / d rc ). Existen dos enfoques para el

130 Capítulo 4
 Raúl M. del Toro

reemplazo de xh , uno de ellos, que es el utilizado en el algoritmo original propuesto por

Nelder y Mead [21], si fe < fl entonces se reemplaza el punto xh por xe y se reinicia el
proceso con el nuevo símplex sin importar la relación entre f r y fe . Pero puede suceder que
f r < fe y por tanto xr es mejor punto que xe . Otro enfoque propuesto por Lagarias et ál.
[221], que es el más empleado en las aplicaciones del algoritmo, considera como nuevo
vértice el mejor de los puntos xr y xe , produciéndose solamente la expansión si fe < f r < fl .

Sin embargo, si resultase f r ≥ f s entonces, a partir de un coeficiente de contracción β , se

calcula un punto de contracción xt empleando el mejor de los puntos entre xh y xr , teniendo
dos casos posibles:

• Si f s ≤ f r < f h , es una contracción hacia afuera y el punto de contracción se calcula

como:

xt = xc + β ( xr − xc ) , β = dtc / d rc (4.15)

• Si f r ≥ f h , se produce entonces una contracción hacia adentro y el punto de contracción

se calcula como:

xt = xc + β ( xh − xc ) , β = dtc / d hc (4.16)

Al evaluar la función f para el punto de contracción xt ( ft = f ( xt ) ), si en el primero de

los casos anteriores resulta que ft ≤ f r , entonces se acepta xt y se reinicia el proceso. Este
hecho también se produce para el segundo caso (contracción hacia dentro) si se confirma que
ft < f h . Si no se cumple ninguna de las condiciones para ft , en cualquiera de los dos casos,
entonces se realiza una transformación de “encogimiento” (shrink transformation) [214].
La transformación de encogimiento calcula los nuevos n vértices del símplex como:

x j = xl + δ ( x j − xl ), j = 0,..., n ; j ≠ l (4.17)

En la Figura 4.3 se muestra un diagrama de flujo del algoritmo. El procedimiento de

optimización concluye teniendo en cuenta tres condiciones diferentes:
1. Se ha alcanzado la tolerancia permitida para los datos de entrada, es decir, el símplex S
resulta muy pequeño y por tanto las distancias entre sus vértices se encuentran por debajo
del nivel de tolerancia.
2. Se ha alcanzado el nivel de tolerancia preconcebido para la función f en cualquiera de
los vértices del actual símplex.

Estudio de métodos de optimización de inspiración geométrica, 131

física y biológica en el control de procesos complejos
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

3. No se ha logrado una convergencia y por tanto se alcanza un máximo número de

iteraciones predeterminadas.
Como se ha podido apreciar, las transformaciones geométricas del símplex son
controladas por los cuatro coeficientes definidos, α (reflexión), β (contracción), γ
(expansión) y δ (encogimiento), los cuales deben satisfacer las siguientes restricciones [214]:

α > 0, 0 < β < 1, γ > 1, γ > α , 0 < δ < 1 (4.18)

Figura 4.3. Diagrama de flujo del algoritmo de Nelder-Mead.

En la práctica, estos coeficientes suelen ajustarse a unos valores estándares que, a la larga,
son los más utilizados en las aplicaciones del algoritmo:

1 1
α = 1, β = , γ = 2, δ = (4.19)
2 2

Entre las ventajas principales que ofrece el algoritmo de Nelder-Mead, además de ser un
método fácil de entender y aplicar, permite obtener un resultado del problema a optimizar con

132 Capítulo 4
 Raúl M. del Toro

un número relativamente pequeño de evaluaciones de la función objetivo en cada iteración.

Por otro lado, su principal desventaja está relacionada con la convergencia y la influencia de
las condiciones iniciales, ya que el método puede ejecutar una gran cantidad de repeticiones
sin una mejora significativa en la función objetivo, a pesar de encontrarse lejos de un valor
mínimo.

4.3 Estudio del algoritmo de optimización temple simulado para su empleo

en el ajuste de sistemas de control de procesos complejos
Temple simulado (SA, Simulated Annealing) es un método de búsqueda meta-heurística
para la resolución de problemas de optimización global. El método simula el proceso físico de
templado de materiales, que consiste en el calentamiento de estos materiales y luego su lento
enfriamiento para aumentar el tamaño de sus cristales, reducir sus defectos y, de esa forma,
minimizar la energía de todo el sistema.
El método fue propuesto de forma independiente por S. Kirkpatrick, C. D. Gelatt y M. P.
Vecchi, del “IBM Thomas J. Watson Research Center”, en 1983 [215] y por Vlado Černý, del
Instituto de Física y Biofísica de la Universidad de Comenius (Bratislava), en 1985 [17]. El
algoritmo es una adaptación del algoritmo de Metropolis-Hastings [222, 223], que es un
método de tipo Monte Carlo para generar muestras de estados de un sistema termodinámico.
Básicamente, el algoritmo en cada iteración genera un punto de forma aleatoria y calcula
la distancia entre el nuevo punto y el anterior mediante una distribución de probabilidad con
una escala proporcional a la temperatura. El algoritmo acepta todos los puntos nuevos que
reducen el objetivo deseado y también los puntos que lo incrementan con una cierta
probabilidad. Al aceptar los puntos que incrementan el objetivo, el algoritmo evita quedarse
atrapado en mínimos locales permitiendo, así, una mayor exploración del espacio de búsqueda
por más posibles soluciones. El algoritmo, según su avance, selecciona una planificación del
templado para disminuir la temperatura de forma sistemática. Con el decremento de la
temperatura el algoritmo reduce el espacio de búsqueda hasta converger a un mínimo [224].
El método de temple simulado consiste principalmente de tres relaciones:

1. gT ( x) : Densidad de probabilidad del espacio de estado de D parámetros

{ }
x = xi ; i = 1,..., D , refiriéndose a T como la temperatura.

2. h(∆E ) : A partir de la variación de la energía obtenida como la diferencia entre el

valor actual y el anterior, se calcula la probabilidad de aceptación de una nueva
función de coste.
3. T (k ) : Planificación de la “temperatura de templado” T en k pasos de tiempo de
templado.

Estudio de métodos de optimización de inspiración geométrica, 133

física y biológica en el control de procesos complejos
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

La probabilidad de aceptación está basada en la oportunidad de un nuevo estado con

“energía” Ek +1 relativo al estado previo con “energía” Ek :

e− Ek +1 / T 1
h( ∆ E ) = − Ek +1 / T − Ek / T
= ∆E / T
≈ e −∆E / T ; ∆E = Ek +1 − Ek (4.20)
e +e 1+ e

La ecuación anterior no es más que la distribución de Boltzmann, siendo ∆E la diferencia

de energía entre estados consecutivos. El valor de energía en cada instante se determina
mediante la función de coste a minimizar.
Considerando un conjunto de estados x con una energía e( x) , un conjunto de
distribuciones de probabilidad p( x) y la distribución de energía por estado d (e( x )) , el
algoritmo también puede ser descrito a partir de la energía total E :

E = ∑ p( x)d (e( x)) (4.21)

x

A partir de un estado de referencia x , el valor máximo de entropía S del sistema puede

obtenerse como

S = −∑ p ( x) ln ( p ( x ) / p( x ) ) (4.22)
x

El empleo de multiplicadores de Lagrange para limitar la energía al valor medio T ,

conduce a la distribución más probable de Gibbs G ( x) normalizada

1 − H ( x ) /T
G ( x) = e ; Z = ∑ e− H ( x ) /T (4.23)
Z x

donde Z es la función de partición y H es el operador Hamiltoniano utilizado como función

de energía.
Para las distribuciones de los estados (4.23) introducidas anteriormente y probabilidades
de aceptación del tipo como la definida en (4.20), se mantiene el principio de equilibrio del
balance detallado. Por ejemplo, dada las distribuciones de estados consecutivos G ( xk ) y
G ( xk +1 ) , si se aplica el criterio de aceptación h(∆E ) = h( Ek +1 − Ek ) , estas son iguales:

G ( xk )h ( ∆E ( x) ) = G ( xk +1 ) (4.24)

Lo anterior es suficiente para establecer, al menos en teoría, que todos los estados del
sistema pueden ser muestreados. Sin embargo, la planificación del templado interrumpe el

134 Capítulo 4
 Raúl M. del Toro

equilibrio cada vez que la temperatura cambia y de esta forma, en el mejor de los casos, esto
debe realizarse cuidadosamente y de forma gradual.
Un aspecto importante en el algoritmo de temple simulado es la selección del rango de los
parámetros a ser buscados. En la práctica, el cálculo de sistemas continuos requiere de su
discretización por lo que puede asumirse que, sin mucha pérdida de información, el espacio
de trabajo puede ser discretizado. Existen ciertas restricciones adicionales que son necesarias
cuando se utilizan funciones de coste con valores integrales. En varias aplicaciones se suelen
utilizar técnicas para reducir el espacio inicial a medida que progresa la búsqueda. Por
ejemplo, para muchos sistemas físicos, pertenecientes a la clase de procesos Gauss-Markov,
es posible escoger como función de densidad de probabilidad del espacio de estado de los
parámetros la siguiente distribución [224] de Boltzmann:

g (∆x ) = (2π T ) − D / 2 e −∆x

2
/(2T )
; ∆x = x − x0 (4.25)

tomándose ∆x en la práctica como la desviación entre dos estados consecutivos y siendo,

además, T una medida de las fluctuaciones de la distribución g en el espacio de dimensión
D de x . A partir de g (∆x) , se ha demostrado que basta con obtener un mínimo global de la
energía E ( x ) si se selecciona T que varíe de la forma

T (k ) = T0 / ln k (4.26)

siendo T0 la temperatura inicial y seleccionada lo suficientemente grande. Usualmente,

también suele realizarse la planificación de la temperatura de forma exponencial [224], es
decir:

T (k ) = T0 e(α −1) k
; 0 < α <1 (4.27)
T (k + 1) ≈ α T (k )

donde α es una constante de reducción cuyos valores típicos se ajustan entre 0.8 y 0.99. Por
otra parte, para una variación rápida de la temperatura T [224], también se utiliza con
frecuencia

T (k ) = T0 / k (4.28)

A partir del cálculo de la variación de energía ∆E y de la probabilidad de aceptación

h(∆E ) , definida en (4.20), en aplicaciones prácticas del algoritmo se utilizan criterios de
aceptación-rechazo del estado actual xk empleando el algoritmo de Metropolis [222] y que
puede resumirse según el diagrama de flujo de la Figura 4.4. Según este criterio, la
probabilidad de aceptación se compara con un número R entre 0 y 1 generado de forma

Estudio de métodos de optimización de inspiración geométrica, 135

física y biológica en el control de procesos complejos
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

aleatoria, mediante una distribución uniforme, evitando de esta manera que ocurra una
convergencia prematura hacia un mínimo local y se pueda continuar la búsqueda del mínimo
global.

Figura 4.4. Algoritmo de Metropolis de aceptación-rechazo.

El algoritmo de temple simulado se ejecuta de forma iterativa generando nuevos estados

x que minimicen la energía E del sistema (función objetivo). Su ejecución terminará
teniendo en cuenta varias condiciones diferentes:
1. El nivel de energía E es menor o igual que cierto valor prefijado límite.
2. Se ha obtenido un nivel de tolerancia preconcebido para la variación de energía ∆E .
3. Se ha alcanzado un máximo número de iteraciones predeterminadas.
4. Se ha sobrepasado el tiempo máximo permitido de ejecución del algoritmo.

4.4 Breve introducción al estudio de algoritmos genéticos

Los algoritmos genéticos (GA) constituyen un método de búsqueda heurística que imita el
proceso de la evolución natural. El método es empleado con frecuencia para generar
soluciones a los problemas de búsqueda y optimización [36]. Los algoritmos genéticos
pertenecen al grupo de los algoritmos evolutivos (EA), que a su vez son un sub-conjunto del
campo computación evolutiva de la inteligencia artificial. Los algoritmos evolutivos realizan
una optimización metaheurística basada en población, mediante técnicas inspiradas en la
evolución natural, como la herencia, mutación, selección y cruce, para la búsqueda de
soluciones a problemas complejos.

136 Capítulo 4
 Raúl M. del Toro

El principio básico de funcionamiento del método consiste en la modificación iterativa de

una población de soluciones individuales. En cada paso el algoritmo selecciona de forma
aleatoria individuos de la población actual para ser padres y ser utilizados para producir una
nueva generación. A través de los descendientes de generaciones sucesivas la población
"evoluciona" hacia una solución óptima. El algoritmo puede aplicarse para resolver una
variedad de problemas de optimización que no son muy adecuados para algoritmos de
optimización estándares. Por ejemplo, problemas en los que la función objetivo es
discontinua, no diferenciable, estocástica o altamente no lineal.
El algoritmo en cada etapa de creación de una nueva generación a partir de la población
actual, utiliza principalmente tres reglas:

Reglas de selección: seleccionar los individuos, denominados padres, que contribuyen a la
población en la próxima generación.

Reglas de cruzamiento: combinar dos padres para crear los individuos de la generación
siguiente.

Reglas de mutación: aplicar cambios aleatorios a los padres individuales para crear los
nuevos individuos.

Figura 4.5. Diagrama de flujo de datos del algoritmo.

(Sanz Bobi, 2001 [225])

El algoritmo fue inicialmente propuesto por el profesor John H. Holland de la Universidad

Ann Harbor de Michigan, en 1975 [216]. El Prof. Holland es considerado uno de los pioneros

Estudio de métodos de optimización de inspiración geométrica, 137

física y biológica en el control de procesos complejos
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

en el estudio de los sistemas complejos y de la ciencia no lineal. En la actualidad las

aplicaciones son muy variadas, abarcando áreas como la bioinformática, la biología, ciencia
de la computación, la ingeniería, las ciencias económicas, entre otras. En la Figura 4.5 se
muestra un diagrama del algoritmo genético [225] propuesto inicialmente por Holland.
Los miembros de una población se representan por una serie de cromosomas y en la
propuesta original del algoritmo son cadenas binarias. La representación de cada elemento
de la población juega un papel clave en la búsqueda de la solución, ya que ha de ser capaz de
representar toda la variedad posible de soluciones del problema en cuestión, así como las
características que debe tener la solución final. Una vez determinada la representación, se
genera una población inicial y mediante la operación de selección se escogen subconjuntos de
individuos (generalmente parejas) para ser combinados y producir nuevos individuos
(descendencia) [226].
Para crear la nueva generación, el algoritmo realiza una operación de cruce o cruzamiento
de tal forma que en la nueva población se mantengan ciertas características de los
cromosomas de la población padre. La utilidad de esta operación se basa en el hecho de que
diferentes componentes de la solución óptima pueden ser evolucionadas independientemente
y luego ser combinadas para formar mejores soluciones. Adicionalmente, se utiliza un
operador de mutación que se ocupa de mantener un nivel de diversidad adecuado en cada
población. A continuación se realiza un resumen de los elementos que conforman las etapas
del algoritmo genético simple.

Tabla 4.1. Algunos tipos de representación de los individuos de una población.

Tipo de representación Ejemplo

Binaria: cada gen toma valores

1 0 1 1 0 1
binarios, 0 o 1.

Entera: los genes pueden ser

1 0 3 -1 0 4
representados por un valor entero.

Real: cada gen es un valor real. 1.78 2.6 7 0 -1.2 6.5

Formas de representación: Como se ha comentado con anterioridad, inicialmente se

utilizaban cadenas binarias, debido a que se adaptan adecuadamente a las operaciones que se
utilizan en el algoritmo, pero no resultan ser eficientes del todo por lo que con frecuencia

138 Capítulo 4
 Raúl M. del Toro

suelen utilizarse otro tipos de representaciones, como son las representaciones mediante
valores enteros y valores reales (ver Tabla 4.1).

Tabla 4.2. Ejemplos de operadores de cruce.

Función de cruce Ejemplo

Aleatorio: se genera un vector binario Sea el siguiente vector binario generado de forma
de genes a seleccionar de cada padre. aleatoria, donde 1 se corresponde con los genes
del padre P1 y 0 los genes del padre P2 :
1 0 1 1 0 1
Sean además, los vectores de genes de los padres:
P1 : a b c d e f
P2 : 1 2 3 4 5 6
Al combinar los genes de los padres, se obtiene el
siguiente vector de genes del individuo hijo:
H1 : a 1 c d 5 f

Un punto: se genera un número

Sean P1 y P2 cadenas de genes de los
aleatorio que representa una posición
en la cadena de genes de los padres y progenitores:
se intercambian los genes a la P1 : a b c d e f
izquierda de esta posición.
P2 : 1 2 3 4 5 6
y n = 4 el punto de cruzamiento, generado de
forma aleatoria, al combinar los genes de los
padres se obtiene la siguiente cadena de genes del
individuo hijo:
H1 : a b c d 5 6

Cruce entre 2 puntos: se generan dos

Sean P1 y P2 cadenas de genes de los
números aleatorios que representan
dos posiciones en la cadena de genes progenitores:
de los padres y se intercambian los P1 : a b c d e f
genes entre estas dos posiciones.
P2 : 1 2 3 4 5 6
y m = 2 , n = 4 los puntos de cruzamiento
generados de forma aleatoria, al combinar los
genes de los padres se obtiene la siguiente cadena
de genes del individuo hijo:
H1 : a b 3 4 e f

Estudio de métodos de optimización de inspiración geométrica, 139

física y biológica en el control de procesos complejos
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

Población inicial: Esta puede generarse de varias formas, una de la más utilizada es generar
los individuos o sus genes, empleando una distribución uniforme. Goldberg ofrece una
colección más extensa de funciones o formas para generar la población inicial [36].
Evaluación de la población: La función de evaluación ha de medir la adaptación de cada uno
de los individuos dependiendo, fundamentalmente, del tipo de representación elegido ya que
esta función evalúa la información contenida en los genes. Si se emplea el algoritmo para
resolver problemas de optimización, la función a optimizar se convierte en la función de
evaluación.
Operación de selección: Mediante esta operación se transmiten aquellas características de las
soluciones que son consideradas valiosas a lo largo de generaciones. Los individuos mejor
evaluados tienen más probabilidades de reproducirse. Algunas de las funciones más utilizadas
para esta etapa son la selección por ruleta [36], por torneo [227] y la estocástica uniforme,
entre otras.
Cruzamiento: En esta etapa, la información de la población se combina para crear mejores
individuos. Algunos de los operadores de mayor utilización (ver Tabla 4.2) resultan el
cruzamiento aleatorio, el cruce de un punto y entre 2 puntos, entre otros.
Mutación: Mediante la mutación el algoritmo realiza pequeños cambios aleatorios en los
genes de los individuos de la población actual y así fomentar la variabilidad dentro de la
población. Entre los operadores más utilizados está la función Gaussiana que adiciona
números aleatorios, tomados de una distribución normal con media igual a 0, a cada gen del
individuo. Otro operador es la función de mutación uniforme donde, primeramente, se
selecciona una parte de los genes de un individuo asignándole a cada gen una razón de
probabilidad de ser mutado y, seguidamente, el algoritmo reemplaza cada gen seleccionado
por un número aleatorio que esté comprendido dentro del rango del gen dado.
Reemplazo de la población: En esta etapa, los nuevos individuos creados durante la etapa de
cruzamiento reemplazarán a parte de la población existente para crear la nueva generación. El
reemplazo puede realizarse mediante diferentes métodos. Algunos de los más comúnmente
empleados son el reemplazo de un número de individuos que se corresponde con los peores
evaluados de la población, cada nuevo individuo reemplaza al peor evaluado y cada nuevo
individuo sustituye a cualquier individuo elegido de forma aleatoria.
Condición de parada del algoritmo: Existen varias condiciones de paradas del algoritmo, que
pueden ser, por ejemplo, alcanzar un número máximo de generaciones, un tiempo máximo de
ejecución del algoritmo o, en el caso de optimización o ajuste de funciones, cuando se alcance
un error igual o menor a un error mínimo límite, entre otras condiciones de parada.

140 Capítulo 4
 Raúl M. del Toro

Todas las etapas anteriormente descritas del algoritmo hacen que su robustez sea superior
comparada con otras técnicas clásicas de búsqueda y optimización. Se resaltan como
características principales al empleo de una población de puntos del espacio de búsqueda y no
de un único punto y el uso de mecanismos de elección aleatoria como herramienta de
búsqueda de mejores regiones del espacio. Además, se debe destacar su característica de
blindaje, ya que la única información que toman del entorno es el valor de la función objetivo
del conjunto de parámetros, es decir, no emplean información específica del problema [225].
Información más exhaustiva acerca de las diferentes etapas del algoritmo, así como los
diferentes operadores que se utilizan en cada una de ellas además de propuestas de
variaciones del algoritmo o hibridaciones con otras técnicas de optimización, pueden
encontrarse en los trabajos de Holland [216, 228], Goldberg [36, 227], Grefenstette [217,
229], entre otros.

4.5 Estudio del método de optimización de entropía cruzada

El método de entropía cruzada (CE) [20] representa un enfoque general de tipo Monte
Carlo para la optimización combinatorial, continua y con multiplicidad de extremos. El
método fue introducido, inicialmente, para simular eventos raros con probabilidades muy
pequeñas pero con requerimientos de una buena precisión en su estimación, como es el caso
de las redes estocásticas. Posteriormente, fue adaptado para la optimización de sistemas
asumiendo que el muestreo en todo el óptimo de una función tiene una probabilidad muy
pequeña.
Sea x una variable aleatoria, en el espacio χ , con una función de densidad de
probabilidad (FDP) px y φ ( x ) una función real definida en el espacio χ . El objetivo del
método de entropía cruzada es encontrar el mínimo de la función φ ( x ) y los correspondientes
estados x* que satisfacen este mínimo:

γ * = φ ( x* ) = min φ ( x) (4.29)
x∈χ

El método CE provee una metodología para crear una secuencia x0 , x1 ,..., xN y de niveles
γ 0 , γ 1 ,..., γ N , tal que γ converge a γ * y x converge a x* .

El principal problema consiste en estimar la probabilidad l (γ ) de un evento

{ }
EV = x ∈ χ φ ( x ) ≥ γ , γ ∈ ℜ+ .

Definiendo una colección de funciones para x ∈ χ , γ ∈ ℜ+

Estudio de métodos de optimización de inspiración geométrica, 141

física y biológica en el control de procesos complejos
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

1 if φ ( x ) ≤ γ
IV ( x, γ ) = I{φ ( xi ) >γ } =  (4.30)
0 if φ ( x ) > γ

Sea g ( −,ν ) una familia de funciones de densidad de probabilidad en el espacio χ

parametrizadas por un vector de valores reales ν ∈ ℜ+ y g ( x,ν ) ν ∈ Λ .

l ( γ ) = Pν (φ ( x ) ≥ γ )
(4.31)
= Eν ⋅ Iν ( x,ν )

donde Eν representa el correspondiente operador de esperanza.

De esta forma la ecuación (4.31) convierte el problema de optimización en un problema

estocástico asociado con una probabilidad muy pequeña. Se utiliza una técnica de
minimización de varianza, tal como el muestreo de importancia, donde la muestra aleatoria es
elaborada, a priori, a partir de la función de densidad de probabilidad h apropiada. Tomando
una muestra aleatoria x0 , x1 ,..., xN , a partir de un muestreo de importancia (diferente) de
densidad h en χ y evaluando:

N
lˆ = 1 N ⋅ ∑ I{φ ( xi ) >γ } ⋅W ( xi ) (4.32)
i =1

donde lˆ es el muestreo de importancia y W ( x ) = g ( x,ν ) / h ( x ) se denomina la razón de

verosimilitud.

La búsqueda de la densidad de muestreo h* ( x ) resulta de gran dificultad, ya que la

determinación de h* ( x ) requiere que l sea conocido.

I φ x ≥γ ⋅ g ( x,ν )
h* ( x ) = { ( i ) } (4.33)
l

Así el vector de parámetros, denominado parámetro referenciado ν * , debe ser escogido de

tal forma que la distancia entre h* y g ( x,ν ) es mínima, por tanto se reduce el problema a un
caso escalar.
Una medida de la distancia entre dos densidades g y h es la distancia de Kullback–
Leibler, también denominada entropía cruzada entre g y h :

D ( g , h ) = ∫ g ( x ) ⋅ ln g ( x ) dx − ∫ g ( x ) ⋅ ln h ( x ) dx (4.34)

142 Capítulo 4
 Raúl M. del Toro

La minimización de D ( g ( x,ν ) , h* ) es equivalente a maximizar ∫ h ( x ) ⋅ ln g ( x,ν ) dx , lo

*

cual implica:

ν v
(
max D (ν ) = max E p I{φ ( xi )≥γ } ⋅ ln g ( x,ν ) ) (4.35)

Empleando nuevamente el muestreo de importancia, se puede reescribir la ecuación (4.35)

para calcular la esperanza en (4.35). Por tanto se puede elaborar una muestra x1 , x2 ,… , xN a
partir de g y estimar el máximo (o el mínimo) de D̂ (ν ) :

1 N p (x )
max Dˆ (ν ) = max ∑ I{φ ( x ≥γ )} ⋅ x i ⋅ ln g ( xi ,ν ) (4.36)
v N i =1 i
h ( xi )

Sin embargo h continúa siendo desconocido en la ecuación (4.36). El algoritmo de CE

trata de superar esta dificultad mediante la construcción adaptativa de una secuencia de
parámetros ( γ t t ≥ 1) y (ν t t ≥ 1) .

4.5.1 Algoritmo de entropía cruzada adaptado para la solución de

problemas de optimización
La esencia del método CE adaptado para resolver problemas de optimización, se describe
a continuación. Si se considera el siguiente problema de optimización:

φ ( x* ) = γ * = max φ ( x ) (4.37)
x∈χ

El principio del método CE para optimización, radica en convertir el problema planteado

en la ecuación (4.37) en un problema estocástico asociado y resolverlo de forma adaptativa,
como la simulación de un evento raro. Si γ * es el óptimo de φ , la cuestión principal reside en
∞
definir una familia g (.,ν ) ν ∈ Λ e iterar el algoritmo CE con el fin de que γ t → γ * ,
obteniendo muestras alrededor del óptimo.
El algoritmo puede resumirse como sigue:

1. Inicializar ν t = ν 0

2. Generar un conjunto de muestras de tamaño N ( xit ) a partir de g ( x,ν t ) , calcular

1≤ i ≤ N

φ ( xit ) , y ordenar φ1 ≥ φ2 ≥,… , ≥ φN de mayor a menor. Utilizar γ t = φ[ ρ N ] para

seleccionar el sub-conjunto de población élite.

Estudio de métodos de optimización de inspiración geométrica, 143

física y biológica en el control de procesos complejos
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

3. Actualizarν t mediante:

N elite
⋅ ln g ( xit ,ν t )
1
ν t +1 = arg min elite
ν N
∑ I{φ (
i =1
x ti ≥γ t )}
(4.38)

4. Repetir desde el paso 2 hasta que se produzca una convergencia o se cumpla algún
criterio de finalización del algoritmo.

5. Si se asume que la convergencia se alcanza en t = t * , un valor óptimo de φ puede

obtenerse a partir de g (.,ν t* ) .

El tercer paso de actualización de parámetros se realiza utilizando las muestras de mejor

desempeño N elite = ρ ⋅ N , también denominadas muestras élite. Los parámetros de
actualización son encontrados mediante estimaciones de máxima verosimilitud (EMV) de las
muestra élite [230]. La distribución de las muestras puede ser bastante arbitraria y no necesita
estar relacionada a la función a optimizar [231]. El empleo de la función de distribución
normal (Gaussiana) ofrece una formulación de actualización fácil y simple.
Considerando un problema de optimización de n -dimensional, los vectores de media µ y
varianza σ de las n distribuciones son estimados en cada iteración t para cada componente
j = 1,..., n de los vectores como sigue:

N elite
xij
µɶ tj = ∑i =1
N elite
(4.39)

(x − µtj )
2
N elite
σɶ =
2
tj ∑i =1
ij
N elite
(4.40)

donde 4 ≤ N elite ≤ 20 son valores típicos.

El vector de medias µ̂ debe converger a γ * y el vector de desviación estándar σˆ debe

converger al vector de ceros. Con el objetivo de prevenir la ocurrencias de unos y ceros en los
vectores de parámetros, se introduce un factor de suavizado α para el vector de medias y de
suavizado dinámico β t para la varianza

µˆ t = α ⋅ µɶ t + (1 − α ) ⋅ µˆt −1 (4.41)

σˆt = β t ⋅ σɶ t + (1 − β t ) ⋅ σˆ t −1 (4.42)

( )
q
βt = β − β ⋅ 1 − 1 t (4.43)

144 Capítulo 4
 Raúl M. del Toro

donde 0.4 ≤ α ≤ 0.9 son valores típicos, β es una constante de suavizado (valores
recomendados entre 0.6 y 0.9) y q es un entero con valores típicos entre 2 y 7.

4.6 Conclusiones
En este capítulo se ha realizado un estudio de métodos de optimización estocásticos y
libres de gradiente, de inspiración geométrica, física y biológica, para su aplicación al ajuste
óptimo de sistemas de control de procesos complejos. Los métodos de optimización
permitirán desarrollar procedimientos de ajuste de parámetros de control. Se trata de las
estrategias de control que han sido diseñadas por técnicas de soft-computing y clásicas como
las descritas en el Capítulo 3 y que utilizarán representaciones computacionales eficientes
(modelos) descritos en el Capítulo 2. El fin último es, como veremos más adelante, utilizar
estos métodos de optimización en arquitecturas jerárquicas de control inteligente de procesos
con una relativa alta complejidad.
En el capítulo siguiente se propone un método de diseño de las estrategias de control para
ser utilizadas en el control de procesos de fabricación de alta complejidad, en específico, el
proceso de taladrado de alto rendimiento. Entre las etapas de diseño, tiene un papel muy
importante el uso de los algoritmos de optimización introducidos en este capítulo, ya que
permitirán obtener un alto desempeño de las estrategias de cara al cumplimiento de los
requisitos de control.

Estudio de métodos de optimización de inspiración geométrica, 145

física y biológica en el control de procesos complejos
 CAPÍTULO 5
DISEÑO DE SISTEMAS INTELIGENTES DE
CONTROL ÓPTIMOS PARA PROCESOS COMPLEJOS

Este capítulo se centra, principalmente, en el diseño de sistemas de control óptimos,

basados en técnicas clásicas y de soft-computing, de procesos complejos y su aplicación a un
proceso de fabricación, en específico el taladrado de alto rendimiento. La metodología de
diseño empleada presenta entre sus principales etapas, la simulación de las estrategias de
control desarrolladas a partir de las técnicas propuestas en el Capítulo 3 y su implementación
en una plataforma experimental. El diseño de los sistemas de control se realiza a partir de
modelos de los procesos físicos complejos obtenidos en el Capítulo 2, en específico, a partir
del modelo dinámico, computacionalmente eficiente, del proceso de taladrado de alto
rendimiento.
Durante las etapas de desarrollo de los sistemas de control, resulta clave el diseño e
implementación de los métodos de optimización con vistas a la sintonía o ajuste óptimos de
los sistemas de control y que fueron presentados en el capítulo anterior. Asimismo, gana
especial relevancia el análisis de la capacidad de estas estrategias de optimización para ser
integradas en sistemas intermediarios con especificaciones de tiempo real, además de su
eficiencia computacional. Es por eso que el desarrollo de estudios comparativos entre las
estrategias de control y entre los diferentes métodos de optimización, permitirá evaluar el
alcance real de algunas de estas técnicas, hecho que resultará esencial para dotar a los
sistemas de control inteligente de capacidades self-* (auto-optimización, auto-adaptación,
auto-configuración y auto-aprendizaje) más eficientes para el control de procesos complejos
y, específicamente, de procesos de fabricación.

147
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

El capítulo se divide en siete secciones. La sección 5.1 presenta el diseño e

implementación de una estrategia de control lineal para la optimización de un proceso de
fabricación complejo, en específico el proceso de taladrado del alto rendimiento. A
continuación, en la sección 5.2 se describe el diseño e implementación de un sistema de
control por modelo interno, basado en modelos de inferencia neuro-borrosa, para el control de
un proceso de fabricación.
Por otra parte, en las cuatro secciones siguientes, se realiza el diseño e implementación de
estrategias de optimización, clásicas y contemporáneas, tanto de inspiración geométrica, física
como biológica, para el ajuste de un sistema de inferencia borrosa empleado para el control de
un proceso de fabricación complejo, como es el caso del taladrado de alto rendimiento. La
optimización se realiza mediante diferentes métodos, como son: el algoritmo heurístico de
Nelder-Mead (sección 5.3), el método de inspiración física temple simulado (sección 5.4), de
inspiración biológica como son los algoritmos genéticos (sección 5.5) y el método de entropía
cruzada (sección 5.6). Seguidamente en la sección 5.7 se realiza un estudio comparativo del
funcionamiento de las técnicas de optimización empleadas para el ajuste de la estrategia de
control borrosa. Por último, se plantean las conclusiones sobre los resultados obtenidos.

5.1 Diseño e implementación de una estrategia lineal para la optimización

de un proceso de fabricación. Aplicación al caso particular del proceso
de taladrado de alto rendimiento
En esta sección se presentan algunos resultados en el diseño e implementación de un
sistema de control jerárquico, del proceso de taladrado de alto rendimiento (TAR) en un
centro de mecanizado de alta velocidad [232]. El objetivo del sistema de control es mantener
constante la fuerza de corte, como variable controlada, ante el incremento en la profundidad
de corte, actuando para ello de forma óptima, sobre la velocidad de avance de la herramienta
de corte. Se introduce el procedimiento de creación de todo el sistema de control, el cual está
basado en la estrategia de control lineal proporcional, integral y derivativo (PID), cuya
función de transferencia se describe en la ecuación (5.1). Para el ajuste y simulación del
sistema de control se ha utilizado el modelo computacional del proceso de TAR introducido
en la sección 2.3 de este trabajo, que representa un modelo de tercer orden pero con un mayor
retardo de tiempo igual a 0.4 s:

f (s) K
G ( s) = = K p + i + Kd ⋅ s (5.1)
PID E (s) s

F (s) 10.262 e-0.4 s

G(s) = =
f (s) ( 0.25s +1)( 0.16 s +1)( 0.13s +1) (5.2)

148 Capítulo 5
 Raúl M. del Toro

La estrategia de control PID es ejecutada en un ordenador, dentro de una arquitectura

jerárquica como la que se muestra en la Figura 2.6 del Capítulo 2, en la cual las acciones de
control son enviadas al controlador numérico (CNC) abierto del centro de mecanizado, a
través del bus de campo MPI y la señal de fuerza de corte se obtiene de una plataforma
dinamométrica, a través de una tarjeta de adquisición de datos.
Para el diseño del controlador PID se ha utilizado el método clásico de Ziegler-Nichols (Z-
N) [233]. Aplicando el método Z-N, a partir de la función de transferencia del proceso (5.2),
se calcula primeramente la ganancia crítica ( K u = 0.181 ), la cual se corresponde a la ganancia
límite del controlador, sólo con acción proporcional (P), con la cual se producen oscilaciones
sostenidas en el sistema de control, siendo Tu = 1.611s el periodo de las oscilaciones. A partir
de estos valores se calculan los parámetros del controlador PID, según Z-N, obteniéndose los
siguientes valores: ganancia proporcional K p = 0.1086 ( 0.6 K u ), constante de tiempo de la
acción integral Ti = 0.8055s ( Tu / 2 ) y constante de tiempo de la acción derivativa
Td = 0.201375s ( Tu / 8 ).

5.1.1 Simulación del sistema de control

Una vez obtenidos los parámetros de ajuste del controlador PID según Z-N, el sistema de
control a lazo cerrado es simulado mediante la aplicación de Matlab/Simulink que se muestra
en la Figura 5.1. Adicionalmente, el sistema de control incorpora límites de saturación para la
velocidad de avance como acción de control, entre 10 y 130 mm/min ( 10 ≤ f ≤ 130 mm/min )
y se incorpora, además, un filtro pasa bajo para suavizar los cambios abruptos en la variable
de referencia (fuerza de corte de referencia) del sistema de control. Por otra parte, dado que la
acción de control es ajustada o varía alrededor de su valor nominal, a la salida del controlador
PID se le adiciona un valor constante, correspondiente al valor nominal de la velocidad de
avance.

Figura 5.1. Diagrama de simulación del sistema de control de la fuerza de corte.

Diseño de sistemas inteligentes de control óptimos para procesos complejos 149

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

De la simulación del sistema de control ante cambios de tipo escalón en la referencia, se

obtiene un comportamiento en la fuerza de corte con un máximo sobrepaso de un 29.1%. Este
comportamiento dinámico del sistema no es deseable para el proceso TAR, por lo que se hace
necesario reajustar los parámetros del controlador con el objetivo de minimizar el máximo
sobrepaso. Respondiendo a una situación similar, en un trabajo previo, Oh et ál. [163] reducen
la ganancia K p del controlador hasta que los polos dominantes del sistema a lazo cerrado
sean reales e iguales, lo cual se corresponde con una respuesta temporal aperiódica.
Empleando este mismo criterio y el método clásico del lugar de las raíces (ver Figura 5.2), se
ajusta la nueva ganancia del controlador: K p = 0.000188 .

Figura 5.2. Gráfica del lugar de las raíces para una respuesta aperiódica.

Empleando esta nueva ganancia proporcional se ha simulado nuevamente el sistema de

control, corroborándose la eliminación del sobrepaso pero, por otra parte, la respuesta
transitoria se ralentiza. Nuevamente, de forma similar al procedimiento utilizado por Oh et ál.
[161], se ajusta la ganancia mediante el método de ajuste de prueba y error, con el objetivo de
minimizar el máximo sobrepaso e incrementar la velocidad de respuesta del sistema. En la
Figura 5.3 se muestra la respuesta temporal del sistema como consecuencia de su simulación
para diferentes ajustes de la ganancia del controlador PID.

150 Capítulo 5
 Raúl M. del Toro

a) b)

Figura 5.3. Simulación del sistema de control PID a lazo cerrado.

a) Fuerza de corte y b) velocidad de avance.

5.1.2 Implementación experimental del sistema de control

Seguidamente, la siguiente etapa constituye la implementación del controlador en tiempo
real en la plataforma experimental. El algoritmo de control se ejecuta en un ordenador,
enviándose la acción de control hacia el CNC, a través del bus de campo MPI. El acceso a
este bus se realiza mediante una tarjeta de comunicación y la comunicación con ella se realiza
vía la interfaz de intercambio dinámico de datos (DDE) de Microsoft. La señal de fuerza de
corte es adquirida a una frecuencia de muestreo de 1 kHz y la acción de control es actualizada
a una frecuencia de 14.5 Hz.
El controlador se ha implementado mediante un algoritmo PID discreto clásico en
Matlab/Simulink, descrita en la ecuación (5.3), y el acceso al sistema de adquisición de datos
y al bus MPI, se realiza mediante la herramienta de Matlab, Real-Time Workshop (RTW). El
algoritmo calcula la acción de control a partir de la señal de error e(t ) entre la fuerza de
referencia (SP) y la fuerza corte medida (Fz). A la señal de salida del controlador se le
adiciona el valor nominal de la velocidad de avance y esta señal se limita entre 10 y 130
mm/min para evitar saturaciones en el par de corte de la máquina herramienta (ver Figura
5.4). Por otra parte, se ha insertado un filtro discreto de primer orden pasa bajo (5.4) después
de la señal de referencia, evitando de esta forma que se generen cambios abruptos en la acción
de control. Además, en el controlador se ha adicionado un valor de umbral en la fuerza de
corte para su activación. De esta manera se garantiza que el control sólo se activa si la
máquina herramienta está realizando la operación de corte dentro de los valores nominales
esperados, es decir, la fuerza de corte es mayor que un valor mínimo esperado.

Diseño de sistemas inteligentes de control óptimos para procesos complejos 151

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

f p [k ] = K p e[k ]
fi [k ] = fi [k − 1] + ( K pTs / Ti ) e[k ]
(5.3)
f d [k ] = ( K pTd / Ts ) (e[k ] − e[k − 1])
f [k ] = f p [k ] + fi [k ] + f d [k ]

1−τ
F ( z) = (5.4)
z −τ

Figura 5.4. Diagrama del controlador PID implementado.

Con vista a probar el desempeño del controlador PID, se han realizado experimentos de
control del proceso de TAR a lazo cerrado, empleándose los siguientes parámetros:

Referencia en la fuerza: SP = 1000 N

Tiempo de muestreo del lazo: Ts = 0.069 s

Coeficiente del filtro: τ = 0.95

Velocidad de avance nominal: 100 mm/min

Velocidad de giro nominal: 870 rpm

Umbral de activación del controlador: 100 N

Ganancia de la acción proporcional: K p = 0.01086

Ganancia de la acción integral: K i = K p / Ti = 0.01348

Ganancia de la acción derivativa: K d = K pTd = 0.00219

Límites de saturación de la velocidad de avance: [10,130]mm/min

Como puede observarse, el controlador PID utiliza una versión modificada de los
parámetros ajustados inicialmente mediante Z-N. Con el objetivo de mejorar la respuesta
transitoria del sistema de control, la ganancia K p se ha ajustado a un 10% de su valor
calculado inicialmente mediante Z-N. La Figura 5.5 muestra la respuesta en tiempo real del
sistema de control, tanto la fuerza de corte controlada, como la velocidad de avance como
acción de control. En la figura se muestran tres condiciones de operación diferentes: sin el

152 Capítulo 5
 Raúl M. del Toro

control PID activado, es decir, a lazo abierto, control a lazo cerrado sin filtrado en la
referencia de la fuerza y también a lazo cerrado pero con el filtro pasa bajo en la referencia.
Como puede observarse en la Figura 5.5, el filtrado del valor de referencia, mediante un
filtro discreto de primer orden, mejora el comportamiento dinámico de la fuerza de corte,
obteniéndose una respuesta del sistema de control sin sobrepaso, contrario a la respuesta
dinámica sin filtrado, en la que se obtiene un máximo sobrepaso de un 17.7 %. El sistema de
control es capaz de mantener la fuerza con muy poca variación alrededor de su valor de
referencia, durante toda la operación de taladrado, hecho que no se produce en el caso sin
control PID, en el cual la fuerza de corte se incrementa en el tiempo, a medida que aumenta la
profundidad durante el corte.

a) b)

Figura 5.5. Comportamiento en tiempo real del sistema de control.

a) Fuerza de corte y b) velocidad de avance.

Tabla 5.1. Criterios de error de la respuesta temporal de la fuerza de corte.

Criterios de error
Condición de operación
IAE ITAE ITSE

Sin control PID 23.929 80.764 21.152

Control activado y filtro

19.552 32.86 6.818
activado

Control PID 17.817 28.074 14.081

Se ha evaluado el error a estado estacionario de la fuerza de corte respecto a su valor de

referencia, a través de tres criterios de error o índices de desempeño, muy ampliamente
utilizados como son: la integral del error absoluto (IAE), la integral del error absoluto
ponderado en el tiempo (ITAE) y la integral del error cuadrático ponderado en el tiempo

Diseño de sistemas inteligentes de control óptimos para procesos complejos 153

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

(ITSE). En la Tabla 5.1 se muestran los índices de error calculados para cada una de las
condiciones de operación. Los valores de los índices relacionados en la tabla, reflejan la
incuestionable superioridad del desempeño cuando se utiliza el sistema de control a lazo
cerrado, encontrándose los índices entre un 32 y un 82 %, es decir entre 1.2 y 2.9 veces
menor, que los índices de comportamiento del sistema a lazo abierto sin el controlador PID.
Por otra parte, el tiempo de la operación de mecanizado es menor cuando se utiliza el
control a lazo cerrado. Al taladrar sin control activo, la velocidad de avance se programa en el
CNC a un valor constante, el cual se escoge de forma conservativa, de tal manera que no se
produzcan roturas de la herramienta durante el mecanizado. En el experimento realizado, el
valor máximo de la fuerza de corte debe ser 1000 N, por lo que para que no se exceda este
valor, la velocidad de avance programada debería ser entre 86 y 87 mm/min. De utilizar esta
condición nominal, el tiempo de la operación de taladrado sería aproximadamente 1.3 %
mayor que el tiempo de la operación con control a lazo cerrado, lo cual representa una
ganancia importante en el tiempo de producción. Más aún, una ventaja tecnológica adicional
como consecuencia de mantener prácticamente constante la fuerza de corte durante la
operación de taladrado, es un aumento de la vida útil de la herramienta de corte, tal y como ha
sido reportado anteriormente en la literatura por Oh et ál. [161].

5.2 Diseño e implementación de un sistema de inferencia neuro-borrosa

para el control de un proceso de fabricación
En esta sección se presenta el diseño e implementación de un sistema de control, basado
en la estrategia de control por modelo interno (CMI), para la regulación, también, de la fuerza
de corte en el proceso de taladrado de alto rendimiento [234]. La estrategia CMI (ver Figura
5.6) implementa tanto para el modelo directo como para el inverso, un sistema de inferencia
neuro-borrosa de tipo ANFIS (Adaptive Network based Fuzzy Inference System). El objetivo
de control es mantener la fuerza de corte constante en toda la operación (variable controlada),
a pesar de la presencia de perturbaciones debido al incremento de la profundidad de corte,
modificando la velocidad de avance de la herramienta de corte (acción de control).

Figura 5.6. Estrategia CMI y modelos ANFIS.

154 Capítulo 5
 Raúl M. del Toro

Los sistemas de inferencia neuro-borrosa, y particularmente ANFIS, resultan muy

adecuados tanto para el modelado como para el control de procesos complejos, no-lineales y
con un alto nivel de incertidumbre, como es el caso del proceso de taladrado de alto
rendimiento. Por lo que el diseño de modelos de tipo ANFIS del proceso de TAR, con vista a
ser implementados en una estrategia de control por modelo interno, puede resultar una opción
muy interesante para controlar el proceso de forma adecuada.
Por otra parte, la decisión de utilizar también ANFIS para el modelado de la dinámica
inversa del proceso está dada porque, en general, la inversión de modelos no lineales no es
una tarea fácil y pueden no existir soluciones analíticas, de modo que las soluciones deben
calcularse de forma numérica. Además, la inversión de modelos puede conducir a
controladores inestables cuando el sistema es de fase no mínima [235].
En el apartado siguiente se obtendrán los modelos directo e inverso, como parte de la
etapa de diseño del sistema de control. Seguidamente se simulará el comportamiento del
sistema de control, se implementará en tiempo real y se realizará una comparación con otras
estrategias de control aplicadas al proceso TAR.

5.2.1 Modelos directo e inverso

Teniendo en cuenta el modelo dinámico del proceso de TAR introducido en el Capítulo 2,
se ha decidido que los modelos directo e inverso sean una representación simple entrada-
simple salida del proceso. Para el caso del modelo directo (Figura 5.7.a), la velocidad de
avance de la herramienta de corte (f) es la variable de entrada y la fuerza media de corte (F) la
variable de salida. De la misma forma, en el caso del modelo inverso (Figura 5.7.b), este nos
indica qué velocidad de avance se obtiene (salida) cuando existe una determinada fuerza de
corte (entrada).

a) b)

f F F f

Figura 5.7. Entradas y salidas de los modelos ANFIS.

a) Modelo directo y b) modelo inverso.

Una vez definida la estructura de los modelos, ambos sistemas neuro-borroso ANFIS, se
entrenan para que aprendan el comportamiento a régimen transitorio del proceso de TAR
controlado por alguna estrategia de control diseñada previamente. Para este caso, se
emplearán datos experimentales entrada-salida de operaciones de taladrado controladas

Diseño de sistemas inteligentes de control óptimos para procesos complejos 155

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

mediante un sistema de inferencia borrosa de 9 reglas en su base de conocimiento y funciones

de pertenencia de tipo trapezoidales. Este sistema fue ajustado mediante el método iterativo
de prueba y error en pruebas de simulación. La estrategia de control, introducida por Haber et
ál. [236], ha sido diseñada para el proceso TAR con el objetivo de controlar la fuerza de corte,
variando la velocidad de avance de la herramienta y opera bajo las mismas condiciones de
operación nominales que serán utilizadas por la estrategia CMI.
El conjunto de datos reales de fuerza de corte y de velocidad de avance se obtuvo de
experimentos realizados en probetas de material de fundición nodular GGG40, con taladros de
profundidad de hasta 15 mm. Las condiciones nominales de operación fueron: velocidad de
giro de 870 rpm, velocidad de avance 100 mm/min y diámetro de la herramienta de 10 mm.
Con el objetivo de realizar un ajuste adecuado de ambos modelos, se ajustaron
previamente a partir de un conjunto de datos de entrenamiento (3 experimentos con 133
muestras cada uno). Posteriormente, se ajustaron los parámetros de ambos modelos, mediante
un conjunto de datos de prueba (2 experimentos con 128 muestras cada uno) distintos de los
anteriores.
En la fase de obtención de los modelos son modificables ciertos parámetros del sistema
ANFIS, tales como el número de funciones de pertenencia en el emborronado, tipo de dichas
funciones, así como el orden de la función del consecuente de las reglas de la base de
conocimiento o funciones de salida. Asimismo, se puede mejorar la precisión del modelo
cambiando los parámetros del proceso de aprendizaje (método, número de iteraciones, tamaño
del paso, etc.). La elección de las variables correctas y los parámetros óptimos se ha realizado
a partir de un compromiso entre el criterio de error de la raíz cuadrada del error cuadrático
medio (RMSE) y la respuesta del modelo.
Se tuvieron en cuenta durante el diseño de los modelos, funciones polinómicas para los
consecuentes de las reglas de orden cero y de primer orden, con funciones de pertenencia de
tipo campana generalizada, sigmoidales, triangulares y trapezoidales, desde dos hasta nueve
funciones de pertenencia. El mejor resultado para los modelos directo e inverso (ver Figura
5.8) se obtuvo con dos funciones de pertenencia en la fase de emborronado, siendo dichas
funciones del tipo campana generalizada (extensión de la función de distribución de Cauchy-
Lorentz) (ecuación (3.67)) y función del consecuente de las reglas polinomios de primer
orden. El aumento del número de funciones de pertenencia y del orden de las funciones de
salida no produjo mejoras significativas en la precisión.
Para el entrenamiento del modelo se han empleado funciones del paquete de herramientas
de lógica borrosa de Matlab (Fuzzy Logic Toolbox). Los parámetros de entrenamiento fueron:
100 iteraciones del algoritmo (un mayor número de iteraciones provoca un
sobreentrenamiento y, como resultado de éste, picos indeseados en la salida del sistema),
modo de entrenamiento híbrido (únicamente con gradiente descendiente del error no se

156 Capítulo 5
 Raúl M. del Toro

alcanza el valor de salida deseado) y tamaño del paso de 0.01 (el aumento de este valor no
produce una mejora significativa de la salida y si un mayor cómputo de operaciones). El
tiempo de entrenamiento en los modelos, tanto para el modelo directo como para el inverso,
fue de 0.14 segundos. Estos tiempos se obtuvieron en un ordenador con procesador Intel
Core2 CPU 6400 - 2.13 GHz con sistema operativo Windows XP Profesional que no se
encontraba conectado en línea con el proceso de TAR.

a) MODELO DIRECTO
Base de reglas:
Regla 1: SI (f es “baja”) ENTONCES (F es “baja”) (1)
Regla 2: SI (f es “alta”) ENTONCES (F es “alta”) (1)

Funciones de pertenencia de la entrada:

−1
µ ( f ) = 1 + ( ( f − c ) / a ) 
2b

 
a b c
Veloc. avance baja: 3.475 2.001 93.59
Veloc. avance alta: 3.473 1.998 100.5

Funciones del consecuente de cada regla:

Fuerza media baja (N): F = −62.3 f + 6.8 ⋅10
3

Fuerza media alta (N): F = −322.9 f + 3.2 ⋅10

4

b) MODELO INVERSO

Base de reglas:
Regla 1: SI (F es “baja”) ENTONCES (f es “baja”) (1)
Regla 2: SI (F es “alta”) ENTONCES (f es “alta”) (1)

Funciones de pertenencia de la entrada:

−1
µ ( F ) = 1 + ( ( F − c ) / a ) 
2b

 
a b c
Fuerza media baja: 520 1.983 2.70·10-4
Fuerza media alta: 520 1.964 1040

Funciones del consecuente de cada regla:

Veloc. avance baja (mm/min): f = −0.005 F + 99.2
Veloc. avance alta (mm/min): f = −0.02 F + 113.9
Figura 5.8. Funciones de pertenencia y reglas de los modelos ANFIS.
a) Modelo directo y b) modelo inverso.

En la Figura 5.9 puede observarse el desempeño de ambos modelos utilizando datos de

entrada de validación, pudiéndose comparar con los datos reales del comportamiento del
proceso (salida deseada de los modelos) obtenidos experimentalmente.

Diseño de sistemas inteligentes de control óptimos para procesos complejos 157

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

a)

b)

Figura 5.9. Respuesta de los modelos ante datos de validación.

a) Modelo directo y b) modelo inverso.

Para validar numéricamente el desempeño de los modelos, se ha calculado el error medio

cuadrático relativo (RMSE) entre su salida estimada y los datos experimentales, cuyos
resultados se resumen la Tabla 5.2 junto con el resto de los parámetros de ambos modelos.
El error RMSE se calcula como:

1
∑
N
RMSE = i =1
[(Yi − Fi ) / Yi ]2 (5.5)
N

donde Fi es valor obtenido por el modelo, Yi es el valor deseado o real y N es el número total
de muestras del experimento.
Tanto en el caso del modelo directo como en el caso del modelo inverso, se eligieron
modelos que, a priori, tienen un error medio cuadrático mayor que otros modelos (con un

158 Capítulo 5
 Raúl M. del Toro

número diferente de funciones de pertenencia y de distinto tipo). Esta elección se hizo

teniendo en cuenta el comportamiento a régimen transitorio (respuestas sin oscilaciones) y la
sencillez del modelo para su implementación en un sistema de control en tiempo real del
proceso de TAR. Un requisito fundamental del modelo directo es que su respuesta transitoria
debe ser buena por la influencia negativa que tiene el máximo sobrepaso en la vida útil de la
herramienta.

Tabla 5.2. Resumen de los parámetros de los modelos neuro-borrosos.

Parámetros Modelo Directo Modelo Inverso

Simple-entrada / Simple-entrada /
Entrada-Salida
Simple-salida Simple-salida
Tipo de función de
Campana generalizada Campana generalizada
pertenencia
Número de funciones de
2 2
pertenencia

Tipo de Inferencia Takagi-Sugeno Takagi-Sugeno

Número de reglas 2 2

Iteraciones 100 100

Ratio de aprendizaje 0.01 0.01

Algoritmo de Gradiente descendiente Gradiente descendiente

entrenamiento y mínimos cuadrados y mínimos cuadrados

Tiempo de entrenamiento 134.4 ms 134.4 ms

Tiempo medio de cómputo 0.01 ms 0.01 ms

RMSE - datos de
1.94 % 0.39 %
entrenamiento
RMSE - datos de
5.18 % 0.68 %
validación

5.2.2 Simulación del sistema de control

Después de haber obtenido los modelos directo e inverso ANFIS, la estrategia CMI se ha
verificado mediante simulaciones en Matlab/Simulink, empleando el modelo dinámico de
tercer orden del proceso de taladrado de alto rendimiento, presentado en el Capítulo 2, con un
tiempo de retardo mayor de 0.4 segundos. En la Figura 5.10 se ilustra la aplicación de
simulación, en la que se ha añadido a la entrada del modelo directo un filtro pasa bajo (5.6)
con sus parámetros ajustados a k1 = 0.6 y k2 = 0.8 .

Diseño de sistemas inteligentes de control óptimos para procesos complejos 159

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

F ( z ) = (1 − k1 ) /( z − k2 ) (5.6)

Figura 5.10. Aplicación de simulación de la estrategia de control por modelo interno y modelos neuro-
borrosos.

Asimismo, durante la simulación se incluyó una perturbación o ruido aditivo a la salida

del proceso con el fin de estudiar la influencia de las dinámicas no modeladas en el sistema de
control. La perturbación d (t ) tiene la siguiente forma:

d (t ) = A [sin(2ω t ) + sin(3ωt ) + sin(4ωt ) + sin(5ω t )] (5.7)

siendo ω = 7.61 rad/s . Esta frecuencia se corresponde con uno de los polos del modelo de
tercer orden que representa de manera aproximada el proceso de taladrado. La amplitud de la
perturbación se estima en A = 10 para emular un ruido en la señal del 1 % de su nivel a estado
estacionario (nivel de ruido bastante común en procesos de fabricación).
Se ha simulado una operación de taladrado de 15 mm (parámetro que se utilizará durante
la validación del sistema de control en tiempo real), estimándose, previo a la simulación, una
duración aproximada de la operación de 10 segundos y fijándose este tiempo como tiempo de
simulación. Por otra parte, se ajustó como valor de referencia de la fuerza de corte el valor
FR = 1000 N . Cabe recordar que el objetivo de control es mantener la fuerza de corte
constante alrededor de su valor de referencia, una respuesta transitoria sin sobrepaso
(amortiguamiento crítico) y bajo tiempo de establecimiento.
La Figura 5.11 muestra la respuesta del sistema de control por modelo interno del proceso
de taladrado, en presencia de perturbación (5.7). Si analizamos la respuesta transitoria del
sistema a lazo cerrado se puede comprobar que el máximo sobrepaso es del 2.36 %, y el
tiempo de establecimiento es muy reducido (menor a 2 segundos, despreciando el retardo
inicial). Por otra parte a partir de la respuesta temporal del error, se ha determinado el valor de

160 Capítulo 5
 Raúl M. del Toro

la integral del error absoluto ponderado en el tiempo, ITAE = 0.54 , la integral del error
absoluto, IAE = 0.96 y la integral del error cuadrático ponderado en el tiempo, ITSE = 0.32 .

a) b)

Figura 5.11. Simulación de la respuesta del sistema de control ante un escalón en la referencia
a) Fuerza de corte y b) acción de control.

Figura 5.12. Comportamiento del criterio ITAE en presencia de retardos de tiempo.

Por otra parte, se analizó el comportamiento del sistema de control en presencia de retardo
de tiempo variable en el bus campo por el que se envía la acción de control al proceso de
taladrado, realizándose simulaciones con diferentes retardos comprendidos entre [0.025, 0.75]
segundos. En la Figura 5.12 se describe el comportamiento del índice de desempeño ITAE
según varía el retardo de tiempo del proceso. El valor mínimo del criterio ITAE ha sido
alcanzado por el retardo mínimo y viceversa.

Diseño de sistemas inteligentes de control óptimos para procesos complejos 161

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

5.2.3 Implementación experimental del sistema de control y estudio

comparativo
Se realizaron pruebas experimentales de taladrado en la plataforma experimental. Se
utilizó una herramienta de corte modelo R840-1000-30-A0A de Sandvik de 10 mm de
diámetro y fundición nodular GGG40 como material de la pieza de trabajo, con una dureza
Brinell de 233 HB. La velocidad de avance y la velocidad de giro nominal del cabezal de la
máquina se ajustaron a f0 = 100 mm/min y n0 = 870 rpm , respectivamente. La profundidad
máxima de la operación de taladrado es de 15 mm y el valor de referencia de la fuerza de
corte es de 1000 N.

a)

b)

Figura 5.13. Comportamiento del sistema de control CMI-ANFIS y otras estrategias de control
a) Fuerza de corte y b) velocidad de avance de referencia.

162 Capítulo 5
 Raúl M. del Toro

La estrategia de control se implementó en Matlab/Simulink sobre Windows, utilizando

como interfaz de tiempo real la herramienta Real-Time Workshop (RTW) y enviando la
acción de control a través del bus MPI a una frecuencia de 14.5 Hz. La señal de fuerza de
corte es adquirida mediante el sistema de adquisición de datos, a una frecuencia de muestreo
de 50 kHz.
En la Figura 5.13 se muestra la respuesta transitoria del sistema de control, representada
por la variable controlada (fuerza de corte) y la velocidad de avance de referencia como
acción de control. Como puede observarse, el sistema de control garantiza una respuesta
temporal del proceso críticamente amortiguada (libre de oscilaciones), a pesar de las fuerzas
de perturbación que surgen con el incremento de la profundidad de corte.
Para corroborar el buen desempeño del controlador, se ha realizado un estudio
comparativo con otras estrategias de control, diseñadas para el mismo proceso y bajo las
mismas condiciones de operación, cuyas respuestas temporales son mostradas también en la
Figura 5.13. Por una parte el sistema CMI-ANFIS se compara con la estrategia de control
lineal PID, ajustada mediante el método de Ziegler-Nichols, que fue introducida en este
capítulo. Por otra parte, también se realiza una comparación con el comportamiento del
proceso de taladrado de alto rendimiento a lazo abierto, es decir, controlado solamente
mediante el CNC sin referencia externa de velocidad de avance.

Tabla 5.3. Estudio comparativo entre el controlador CMI-ANFIS y otras estrategias de control analizadas.

Controlador Parámetros ITAE ITSE IAE Ovt (%)

CNC a lazo f 0 = 100 mm/min

4.737 0.722 1.387 16.363
abierto n0 = 870 rpm
K p = 0.01086
PID Z-N, filtro Ki = 0.01348
en la referencia
2.079 0.409 1.338 0.0
K d = 0.00219
τ = 0.95
k1 = 0.6
Controlador
CMI-ANFIS
k2 = 0.8 1.032 0.168 0.83 1.549
Gc = 1.0

La Tabla 5.3 muestra los índices de error calculados a partir de la respuesta temporal de
las estrategias de control implementadas en tiempo real. Para el cálculo se ha utilizado como
tiempo inicial ( t0 = 0 ) el instante cuando se produce el contacto entre la herramienta y el
material de trabajo. La estrategia CMI-ANFIS tiene un mejor desempeño que el resto de
estrategias bajo los criterios ITAE, IAE e ITSE. Esta misma conclusión puede corroborarse a

Diseño de sistemas inteligentes de control óptimos para procesos complejos 163

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

partir de las gráficas de la Figura 5.14, donde se describe, para cada una de las estrategias de
control, el error absoluto ponderado en el tiempo e(t ) t (Figura 5.14.a) y el error absoluto
e(t ) (Figura 5.14.b) durante toda la operación de taladrado. El error está calculado relativo al
valor de referencia de la fuerza de corte. En cada una de las gráficas aparece sombreada el
área debajo de la curva correspondiente al sistema de control CMI-ANFIS y que representa el
valor de los índices ITAE e IAE, respectivamente.

a) b)

Figura 5.14. Comportamiento del error relativo para las estrategias de control
a) Error absoluto ponderado en el tiempo y b) error absoluto.

El buen comportamiento de la estrategia CMI-ANFIS se verifica tanto al principio como

al final de la operación: respuesta suave al principio y en torno al valor de referencia a lo
largo de todo el proceso de taladrado. Esto se traduce en que la entrada de la herramienta de
corte en la pieza es mucho más suave y en que la evacuación de material en la parte final se
hace de un modo más correcto (factores importantes para reducir el desgaste de herramienta y
mejorar la calidad superficial).
El controlador CMI-ANFIS propuesto es sencillo y fácil de implementar, previa existencia
de datos entrada/salida del proceso. Para este caso de estudio, solo cuatro reglas (dos para el
modelo directo y dos para el inverso) han resultado suficientes para implementar la ley de
control y asegurar el comportamiento deseado.

5.3 Diseño e implementación de un sistema de inferencia borrosa aplicado

al control del proceso de taladrado de alto rendimiento. Optimización
mediante el método de Nelder-Mead
En esta sección se presenta el diseño e implementación de un sistema de control basado en
un sistema de inferencia borrosa. Se realiza un estudio, análisis y verificación, del

164 Capítulo 5
 Raúl M. del Toro

comportamiento de un sistema de control borroso de 49 reglas, de dos entradas y una salida,

durante el control, en una arquitectura distribuida, de un proceso complejo como el taladrado
de alto rendimiento (TAR). En la etapa de diseño y ajuste del sistema de control, se emplea un
algoritmo numérico sencillo y computacional eficiente para minimizar una función objetivo,
dentro de un espacio multidimensional, representada por un índice de desempeño que penaliza
respuestas transitorias de larga duración del sistema de control y con pequeños sobrepasos y
oscilaciones [221, 237, 238]. Para el proceso de optimización se ha utilizado, inicialmente, el
método de Nelder-Mead y como función objetivo la integral del error absoluto ponderado en
el tiempo (ITAE).
La idea de emplear un algoritmo de control no-lineal como el sistema borroso, surge por el
evidente carácter no-lineal de la fuerza de corte en el proceso de TAR a estado estacionario
que, como se ha observado con anterioridad, sufre variaciones a medida que se incrementa la
profundidad de corte en una operación de taladrado. En la operación de taladrado, el operador
humano fija parámetros de operación conservadores constantes sobre la base de la experiencia
pasada, con el fin de evitar un rápido desgaste de la herramienta o una rotura catastrófica de
esta. Sin embargo, mediante el empleo de un controlador borroso, es posible ajustar la
velocidad de avance con el objetivo de regular la fuerza de corte, optimizando de esta manera
la tasa de producción sin que sea necesario estar pendientes de posibles daños en la
herramienta de corte, debido a un posible sobre esfuerzo. En particular, el controlador borroso
puede ser capaz de regular la fuerza de corte ante incrementos en la fricción entre la
herramienta y la pieza de trabajo o ante cambios en la dureza del material de trabajo.

5.3.1 Diseño de un controlador borroso para el proceso TAR

Un controlador borroso muy habitual en la industria y en la literatura, describe la relación
entre el cambio de la señal de control (por ejemplo el cambio ∆f en la velocidad de avance
en el taladrado) y la señal de error del sistema de control a lazo cerrado (por ejemplo, error eF
en la fuerza de corte y su variación ∆eF ) [239]. Este tipo de controlador fue sugerido a
principio de los años 70 y se ha convertido en un estándar en el campo del control borroso
[240]. Para el diseño del controlador de dos entradas y una salida se han seguido pasos
perfectamente establecidos, como son: la definición de las funciones de pertenencia de las
variables de entrada y de la salida y la construcción de las reglas de control difusas, que
forman la base de conocimiento del controlador. El controlador borroso realiza acciones de
control en línea, modificando la velocidad de avance de referencia del CNC de la máquina
herramienta, resultando entonces como variable manipulada, el incremento en la velocidad de
avance alrededor del valor nominal programado en el CNC.

Diseño de sistemas inteligentes de control óptimos para procesos complejos 165

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

El valor de referencia de la fuerza de corte Fr , se obtiene de una fase de aprendizaje, a

partir de los experimentos de identificación del proceso de taladrado de alto rendimiento. En
cada período de muestreo, el error en la fuerza de corte eF y su variación ∆eF , ambos en
Newton (N), se calculan como:

e (k ) = F (k ) − F (k ) (5.8)
F r

∆e (k ) = e (k ) − e (k − 1) (5.9)
F F F

La salida del controlador u y el vector de error de entrada se determinan, respectivamente,

como:

[e ec] =  K ⋅ e K ⋅ ∆e  ; u = ∆f (5.10)
 e F ce F

siendo e y ec las variables discretas de entrada y K , K factores de escala de cada una de

e ce
las entradas, respectivamente.

Figura 5.15. Particiones borrosas y funciones de pertenencia de las entradas y salidas.

a) e , ec y b) salida u .

Por otra parte, el universo de discurso de las variables de entrada se ha divido en 7

conjuntos difusos, caracterizados en cada intervalo por funciones de pertenencia de forma
triangular equidistantes dentro del rango [-30, 30]. Para la variable de salida se definen
también siete particiones equidistantes con funciones de pertenencia triangulares. El universo
de discurso de esta variable se establece de acuerdo a la máxima modificación posible
(alrededor de un 12%) en el valor nominal de la velocidad de avance, que se determina a
partir de las condiciones nominales de la operación de corte. La Figura 5.15 muestra las
particiones borrosas resultantes para la salida u y el vector de error [e ec ] . Los siete
conjuntos difusos utilizados para las entradas y la salida son: NB muy negativo, NM negativo
medio, NS negativo pequeño, ZE cero, PS positivo pequeño, PM positivo medio y PB
positivo grande.

166 Capítulo 5
 Raúl M. del Toro

La selección de la forma de las funciones de pertenencia es el resultado de la combinación

de un procedimiento de prueba y error con un criterio de diseño empírico, establecido sobre la
base del conocimiento ingenieril y de estudios de simulación. Las funciones de pertenencia de
forma triangular, son las de uso más frecuente en controladores borrosos debido a su
eficiencia computacional y fácil implementación en aplicaciones en tiempo real.

Tabla 5.4. Base de reglas del controlador borroso.

ec
NB NM NS ZE PS PM PB
e
NB NB NB NB NB NM NS ZE

NM NB NB NB NM NS ZE PS

NS NB NB NM NS ZE PS PM

ZE NB NM NS ZE PS PM PB

PS NM NS ZE PS PM PB PB

PM NS ZE PS PM PB PB PB

PB ZE PS PM PB PB PB PB

Figura 5.16. Característica estática del controlador borroso.

La construcción de la base de reglas se realiza a partir de una plantilla que es considerada

como el sentido común con mayor coincidencia entre ingenieros con experiencia en control
borroso. Se ha elegido para la creación de reglas de la base la propuesta de plantilla de

Diseño de sistemas inteligentes de control óptimos para procesos complejos 167

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

MacVicar-Whelan [241], modificando de forma apropiada las etiquetas lingüísticas de la

variable de salida. La Tabla 5.4 resume las 49 reglas de control que conforman la base de
conocimiento. Una base de reglas similar ha sido aplicada previamente al control borroso, en
un entorno distribuido, de un sistema electromecánico [242]. Por otra parte, la característica
estática resultante del controlador se describe en la Figura 5.16.
Como método composicional de inferencia se ha seleccionado el operador de composición
“sup-producto”. Un controlador con este tipo de operador trabaja con una precisión razonable
en diferentes aplicaciones [243]. Empleando la operación de producto cartesiano para cada
implicación borrosa y utilizando el operador máximo para el cálculo de la acción de control
borrosa resultante, se tiene:

49   

µ (e, ec, u ) = max  prod  µ (e), µ (ec ), µ (u )  (5.11)
R i = 1  e ec u
 i i i 

El valor determinista de la salida del controlador que se corresponde con el cambio en la

velocidad de avance, se obtiene a partir de la etapa de desemborronado. Básicamente existen
tres tipos de estrategias de desemborronado más comúnmente utilizadas: el máximo, la media
del máximo (MDM) y el centro de área (CDA) [244]. Debido a un apropiado desempeño a
estado estacionario o de equilibrio, además de su uso como método de desemborronado
estándar en controladores borrosos, tanto experimentales como industriales, se ha escogido
CDA como estrategia de desemborronado. Dados unos valores deterministas de entrada al
controlador ( e , ec ), su valor determinista de salida u se expresa como:

∑ µ (ui ) ⋅ ui
R
u= i (5.12)
∑ µ ( ui )
R
i

Finalmente, la acción de control final f (velocidad de avance) que se envía al CNC de la

máquina herramienta, como valor de referencia de la velocidad de avance de la máquina, se
calcula multiplicando el factor de escala de salida GC por la salida determinista del
controlador borroso, lo cual se expresa como:

f (k ) = f (k − 1) + GC ⋅ u (k ) (5.13)

5.3.2 Ajuste e implementación del controlador borroso

El controlador borroso de 49 reglas introducido anteriormente está insertado en la
arquitectura de control distribuido del proceso de taladrado de alto rendimiento, que a su vez
forma parte de la plataforma experimental introducida previamente. La variable a controlar es

168 Capítulo 5
 Raúl M. del Toro

la fuerza de corte durante la operación de taladrado y su acción de control es la velocidad de

avance de referencia del CNC de arquitectura abierta. La fuerza de corte se adquiere mediante
el sistema de adquisición de datos de la plataforma y la señal de acción de control es enviada
a través del bus de campo MPI (ver Figura 5.17). El controlador se ha implementado en
Matlab/Simulink sobre Windows, utilizando como interfaz de tiempo real la herramienta
Real-Time Workshop (RTW).

Figura 5.17. Sistema de control distribuido basado en un regulador borroso para el control del proceso de
TAR

Para el ajuste del control se ha utilizado como función objetivo a optimizar, el criterio o
función de coste ITAE, que permite obtener una respuesta transitoria del sistema de control
con pequeño tiempo de establecimiento y sin sobrepasos. Otros criterios a tener en cuenta
serán la integral del error cuadrático ponderado en el tiempo (ITSE), la integral del error
absoluto (IAE) y la integral del error cuadrático ponderado por el tiempo al cuadrado (IT2SE o
ISTSE). En específico, el criterio ITAE penaliza las respuestas transitorias de larga duración y
es muy sensible ante variaciones de parámetros en comparación con otros criterios. Por otra
parte, el criterio ITAE por lo general produce menores sobrepasos y oscilaciones que los
criterios IAE e ITSE.
El comportamiento del sistema de control ha sido examinado mediante simulación en
Matlab/Simulink empleando, como aplicación, el diagrama ilustrado en la Figura 5.18. El
criterio ITAE describiría el comportamiento del sistema ante perturbaciones externas. En este
estudio se ha considerado como perturbación un cambio de tipo escalón en el valor de
referencia de la fuerza de corte, y el criterio ITAE es una buena opción para evaluar cuan bien
es capaz el sistema de control de seguir los cambios en la referencia.

Diseño de sistemas inteligentes de control óptimos para procesos complejos 169

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

El objetivo del procedimiento de optimización es minimizar el índice ITAE, ajustando las

ganancias o factores de escala de entrada del controlador borroso, [ K e K ce ] . Los valores
óptimos para estos parámetros se determinan como:

T 
K OPT = [ K e K ce ]OPT = arg min  ∫ e ( t ) t dt  (5.14)
 F 
0 

Ovt = 100(max(e ) − F ) F (5.15)

F r r

donde T es el tiempo de duración de toda la operación de taladrado, considerando como

tiempo inicial t = 0 cuando la herramienta hace contacto con el material, e es la señal de
F
error entre la fuerza de referencia F y la fuerza de corte medida y Ovt es el máximo
r
sobrepaso de la respuesta dinámica a lazo cerrado.

Figura 5.18. Aplicación de simulación del sistema de control borroso.

Valores altos de la ganancia K e del controlador borroso significan una buena capacidad
de respuesta del sistema de control, sintetizada en un error muy pequeño a estado estacionario
y bajo tiempo de establecimiento. Sin embargo esto puede conllevar un empeoramiento de la
estabilidad del sistema y provocar altos niveles de sobrepasos en su respuesta temporal. Por
otra parte, una convergencia más rápida de la variable controlada hacia su valor de referencia,
se obtiene con la ganancia K ce pequeña. Existen varios métodos para ajustar controladores
borrosos, pero no es objetivo de este trabajo hacer un estudio de estos en profundidad.

Los valores óptimos de las ganancias de entrada del controlador [ K e K ce ] , fueron

determinados mediante el algoritmo de optimización de Nelder-Mead [221]. Este algoritmo es
un método numérico para minimizar una función objetivo en un espacio multidimensional. El
método utiliza el concepto de un símplex, que es una forma geométrica de M+1 vértices,
siendo M el número de parámetros a optimizar. El paso básico del método consiste en

170 Capítulo 5
 Raúl M. del Toro

sustituir el peor punto del símplex con otro punto reflejado en el resto de puntos, a través del
cálculo del centro de gravedad de estos M-1 puntos. Resulta típico el empleo de un símplex de
tamaño constante y pequeño, que permita desplazarse mediante gradientes locales hasta los
máximos o mínimos locales [221].
La función de coste fue evaluada mediante simulación del sistema de control, donde el
proceso de TAR se representa por su modelo dinámico de tercer orden. Al ajustar los
parámetros del controlador a los siguientes valores iniciales: [ Ke Kce ]INIT = [1.0,1.0] y
Gc = 0.5 , se obtiene un máximo sobrepaso de 4.090 % y un índice ITAE igual a 0.709.

Para el procedimiento de optimización del sistema de control se utilizaron los siguientes

parámetros de ajuste del algoritmo Nelder-Mead: 400 evaluaciones máximas de la función
objetivo, 400 iteraciones máximas permitidas y 1.00e-004 como tolerancia tanto de la
evaluación de la función objetivo como los parámetros de entrada de la función. Durante todo
el procedimiento la ganancia o factor de escalado de salida del controlador borroso Gc , se
mantuvo constante.
Tras ejecutar el algoritmo de optimización, se alcanzó un valor mínimo ITAE = 0.469 ,
correspondiéndose a [ K e K ce ]OPT = [0.0125, 0.0374] . Por otra parte se obtuvo un máximo
sobrepaso Ovt = 0.15% , un valor del índice ITSE de 0.292 e IT2SE = 0.164.

Los resultados de la simulación del sistema de control son mostrados en la Figura 5.19. En
ella se puede observar tanto el comportamiento de la fuerza de corte ante un cambio de tipo
escalón en su valor de referencia, como en la señal de control representada por la velocidad de
avance de referencia. Como cabría de esperar, se consigue una mejora clara en la respuesta
transitoria del sistema tras el procedimiento de optimización.

a) b)

Figura 5.19. Resultados de la simulación del sistema de control.

a) Fuerza de corte y b) velocidad de avance.

Diseño de sistemas inteligentes de control óptimos para procesos complejos 171

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

Por otra parte, se ha realizado un estudio de la influencia de los retardos de las

comunicaciones de la arquitectura distribuida en el sistema de control. En estudios anteriores
se ha analizado, desde el punto de vista del sistema de control, las limitaciones que introducen
las redes de comunicaciones. Se han estudiado los retardos de tiempo en un sistema de control
distribuido sobre una red conmutada, empleando TCP / IP como protocolo de transmisión y
con cierto tiempo de latencia. Por lo general, los retrasos han sido modelados empleando
técnicas estadísticas tales como funciones de distribución de exponencial negativa y cadenas
de Poisson y Markov [245].

a)

b)

Figura 5.20. Comportamiento del sistema de control según varía el tiempo de retardo.
a) Fuerza de corte y b) variaciones en la velocidad de avance.

Sin embargo, estos modelos tienen una validez limitada, debido al comportamiento no
determinista de algunas redes de comunicación. Para estudiar la influencia del retardo de
tiempo en el desempeño del controlador, se ha incluido en la simulación un simple generador
de retardos. Se asume conocido el tiempo de retardo máximo y, con el objetivo de mantener

172 Capítulo 5
 Raúl M. del Toro

bajo el coste computacional, se ha seleccionado para el generador una función de distribución

uniforme. El retraso de tiempo variable, L, fue simulado asumiendo un retraso uniformemente
distribuido entre 0.138 s (el doble del tiempo de accionamiento del lazo) y 0.8 s (el doble del
retardo del modelo), ejecutándose 100 pruebas de simulación para el sistema de control
borroso optimizado. El máximo, el mínimo y la media de los valores que alcanza el criterio
ITAE, además del máximo sobrepaso, son calculados a partir de estas simulaciones.
La Figura 5.20 muestra los resultados de la simulación correspondiente a la respuesta a
escalón del sistema de control, para todos los retardos de tiempo, resumiéndose tanto el peor
como el mejor caso (mayor y menor ITAE) en la Tabla 5.5. A partir de los resultados de la
simulación, se deduce que el ajuste óptimo realizado garantiza una respuesta transitoria sin
sobrepaso con un tiempo de establecimiento de menos de 2 segundos.

Tabla 5.5. Comportamientos extremos del sistema de control para el tiempo de retardo variable.

Retardo L Máximo Sobrepaso

ITAE
(s) (%)
0.288
0.138 0.0
(Mínimo)
1.125
0.7962 1.701
(Máximo)

La Figura 5.21 describe la dependencia de los índices de desempeño con el tiempo de

retardo. El deterioro de los índices ITAE e IT2SE aumenta de forma no lineal con el
incremento del retardo. Aunque este deterioro en los dos índices era de esperarse, se
demuestra la robustez del controlador borroso de 49 reglas en presencia de tiempo muerto y
retardo de tiempo en el proceso controlado y en la red de comunicación.

Figura 5.21. Comportamiento de los índices de desempeño ITAE e IT2SE según varía el tiempo de retardo.

Diseño de sistemas inteligentes de control óptimos para procesos complejos 173

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

5.3.3 Implementación experimental del sistema de control y estudio

comparativo
Se realizaron pruebas experimentales de taladrado en la plataforma experimental. Se
utilizó una herramienta de corte de Sandvik de 10 mm diámetro y el material de la pieza de
trabajo fue GGG40 con una dureza Brinell de 233 HB. La velocidad de avance y la velocidad
de giro nominal del husillo se ajustaron a f0 = 100 mm/min y n0 = 870 rpm , respectivamente,
y se estableció en 14 mm la profundidad máxima de la operación de taladrado. El valor de
referencia de la fuerza de corte se fijó en 1000 N.

a)

b)

Figura 5.22. Comportamiento del proceso según las estrategias de control PID y borrosas.
a) Fuerza de corte y b) velocidad de avance de referencia.

En la Figura 5.22 se describe la respuesta transitoria del sistema de control, representada

por la variable controlada (fuerza de corte) y la velocidad de avance de referencia como
acción de control. Como puede observarse, el sistema de control garantiza una respuesta

174 Capítulo 5
 Raúl M. del Toro

temporal del proceso libre de oscilaciones, a pesar de las fuerzas de perturbación que surgen
con el incremento de la profundidad de corte.
Para corroborar el buen desempeño del controlador, se ha realizado un estudio
comparativo con otras estrategias de control, diseñadas para el mismo proceso y bajo las
mismas condiciones de operación, cuyas respuestas temporales son mostradas también en la
Figura 5.22. En un trabajo previo, Haber et ál. [236] presentan el diseño e implementación de
un controlador borroso de 9 reglas en su base de conocimiento, funciones de pertenencia de
tipo trapezoidal y ajustado mediante el método iterativo de prueba y error en pruebas de
simulación. En el estudio comparativo se ha tenido en cuenta, además, el controlador clásico
PID con filtrado de referencia y optimizado mediante el método de Ziegler-Nichols,
introducido en secciones anteriores.

Tabla 5.6. Estudio comparativo de las estrategias de control analizadas.

Ovt
Controlador Parámetros ITAE ITSE IAE IT2SE
(%)
f0 = 100 mm/min
CNC a lazo abierto 4.737 0.722 1.387 3.874 16.363
n0 = 870 rpm
K p = 0.01086
PID Z-N K i = 0.01348 2.079 0.409 1.338 0.5386 0.0
K d = 0.00219
τ = 0.95
Controlador borroso K e = 0.0559
de 9 reglas (Haber et K ce = 0.1156 1.990 0.297 1.089 0.660 6.575
ál., 2008) GC = 1.0

Controlador borroso K e = 0.0125

de 49 reglas
K ce = 0.0374 0.967 0.346 1.087 0.242 1.471
GC = 0.5

La Tabla 5.6 muestra los índices de error (relativo al valor de referencia de la fuerza)
calculados a partir de la respuesta temporal de las estrategias de control implementadas en
tiempo real. A primera vista, el comportamiento del controlador borroso de 49 reglas parece
muy similar al resto. Sin embargo, índices como el ITAE, el IT2SE y el IAE, indican una
mejora en la respuesta dinámica del proceso empleando la estrategia de control borrosa de 49
reglas en su base de conocimientos. Con vistas a realizar una mejor evaluación gráfica del
desempeño temporal de las estrategias de control, la Figura 5.23 ilustra el comportamiento del
error absoluto ponderado en el tiempo ( e(t ) t ) para cada una ellas. Se ha rellenado el área
debajo de la curva correspondiente a la estrategia de control borrosa de 49 reglas. El valor de
esta área representa el índice ITAE y como puede comprobarse es menor al área debajo del
resto de curvas.

Diseño de sistemas inteligentes de control óptimos para procesos complejos 175

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

Figura 5.23. Comportamiento del error absoluto ponderado en el tiempo de las estrategias de control.

Los resultados experimentales confirman que es posible suprimir los aumentos y

fluctuaciones en la fuerza de corte, durante la operación de taladrado, debido al incremento de
la profundidad de corte, con una marcada mejora del proceso empleando el sistema de control
borroso de 49 reglas. Los sobrepasos y oscilaciones de la fuerza de corte son perjudiciales
para la vida útil de la herramienta, así como para la calidad de las operaciones de taladrado y
por tanto deben ser evitados.

5.3.4 Estabilidad del sistema de control

El análisis de estabilidad de los sistemas de control distribuidos, no entra entre los
objetivos de este trabajo. A pesar de que el control borroso fue inicialmente introducido como
un método de control con un diseño basado en el conocimiento de un operador humano, la
investigación realizada está basada casi exclusivamente en métodos de control borroso
basados en modelos, que puede garantizar estabilidad y robustez del sistema de control a lazo
cerrado [246]. Varios trabajos previos resaltan la necesidad de desarrollar métodos que
garanticen la estabilidad global del sistema de control borroso desde la fase de diseño [247-
249].
El análisis de estabilidad de un sistema de control borroso tiene ciertas limitaciones en
cualquier problema de optimización, ya que los factores de escala pueden influir
drásticamente en la dinámica de todo el sistema de control a lazo cerrado. Existen varios
estudios acerca del empleo de métodos eficaces para el ajuste de factores de escala. Algunos
de ellos sólo se enfocan en el ajuste del factor de escala de la salida del controlador borroso
debido a su fuerte influencia en el desempeño y la estabilidad del sistema de control [250].
Otros trabajos sugieren que, si los parámetros del controlador borroso cumplen el Teorema de
Pequeña Ganancia (Small-Gain Theorem), se satisface la estabilidad del sistema lazo cerrado

176 Capítulo 5
 Raúl M. del Toro

[251]. Sin embargo, si hubiera disponible una aproximación lineal del proceso, la cual
caracteriza sus componentes dinámicas principales en al menos una vecindad del punto de
operación, entonces resultaría factible realizar una prueba de estabilidad local y asintótica. La
realimentación del sistema de control, que enlaza la función de transferencia lineal del
proceso con el controlador borroso no lineal, da lugar a un lazo de control no lineal estándar
que puede ser analizado mediante el criterio de Estabilidad Absoluta con un paradigma de
dominio finito, por ejemplo, con el criterio del círculo [252].

5.4 Control de un proceso de fabricación mediante sistema de inferencia

borrosa optimizado a través del método de temple simulado
El sistema de control borroso optimizado en la sección anterior, también ha sido objeto de
ajuste mediante el algoritmo de inspiración física temple simulado (SA, Simulated
Annealing), que es un algoritmo de búsqueda meta-heurística para problemas de optimización
global [17, 18]. El algoritmo minimiza la función de coste ITAE, mediante simulación del
proceso de taladrado de alto rendimiento, controlado a lazo cerrado mediante el sistema de
inferencia borroso de 49 reglas. La optimización del sistema de control (5.16) se logra
ajustando las ganancias de entrada del controlador borroso [ K e K ce ] . El sistema de control
es simulado, para comprobar su desempeño, empleando un modelo del proceso de TAR y
seguidamente se realiza su implementación en tiempo real mediante ensayos experimentales.

K FCS = [ K e , K ce ]OPT = arg min ( ITAE ) (5.16)

El algoritmo de SA comienza su ejecución con unos parámetros del controlador borroso

iniciales K FCS = [ K e K ce ]i , se simula el sistema de control con estos parámetros y
seguidamente se evalúa la función de coste ITAE a partir de la señal de error. A continuación
los parámetros del controlador K FCS iniciales son perturbados, generándose otro conjunto de
parámetros K FCS NEW , simulando nuevamente el sistema de control y evaluando el criterio
ITAE. El criterio de aceptación o de rechazo se basa en el algoritmo de Metropolis [222]. El
algoritmo de SA simula el proceso de templado de metales en su búsqueda de la solución
óptima [253]. La perturbación aleatoria generada en los parámetros [ K e K ce ] provoca por
ende un cambio en el sistema de control que se ve reflejado en el criterio ITAE. Las
perturbaciones que se introducen dependen de un índice de temperatura T y de una constante
de reducción de temperatura o velocidad de reducción α (planificación de la temperatura de
forma exponencial).

Diseño de sistemas inteligentes de control óptimos para procesos complejos 177

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

5.4.1 Optimización y simulación del controlador borroso

Como primer paso, el controlador borroso de 49 reglas se verifica mediante simulaciones
en Matlab/Simulink, empleando el modelo dinámico de tercer orden del proceso de taladrado
de alto rendimiento, presentado en el Capítulo 2. Los parámetros del controlador se han
ajustado a un valor inicial de [ K e K ce GC ] = [ 0.5, 0.5, 1] , dando como resultado un índice
de desempeño ITAE de 0.6353 y un máximo sobrepaso de 5.24%.
Para la aplicación del algoritmo, sus parámetros son ajustados previamente. Se fija la
constante de reducción α = 0.96 y la temperatura inicial Ti = 200 . Adicionalmente, se
establece el número de perturbaciones aleatorias propuestas por cada temperatura en 100 y el
número de soluciones aceptadas a las perturbaciones aleatorias propuestas en 30.
Al optimizar el sistema de control, pero solo ajustando las ganancias de entrada del
controlador y manteniendo constante su ganancia de salida, es decir GC = 1 , se obtiene
[Ke K ce ]OPT = [0.0173, 0.0333] , con un índice ITAE mínimo igual a 0.4508 y un
correspondiente máximo sobrepaso de la respuesta transitoria del sistema de control igual a
0.65%.
La Figura 5.24 muestra el comportamiento del índice de desempeño ITAE y la variación
de los parámetros del controlador, en cada una de las iteraciones de la ejecución del algoritmo
de temple simulado.

a) b)

Figura 5.24. Optimización mediante temple simulado.

a) Índice ITAE y b) variación de los parámetros del controlador borroso.

El algoritmo fue ejecutado 75 veces consecutivas con el objetivo de minimizar la función

de coste ITAE. Los resultados se muestran en la Figura 5.25. El comportamiento del índice de
desempeño ITAE se representa en la Figura 5.25.a). Al término de la optimización, el valor
máximo ITAE se alcanzó en la ejecución número 28 del algoritmo, siendo 3.77% mayor que

178 Capítulo 5
 Raúl M. del Toro

el valor mínimo alcanzado, sin embargo el error es menor del 2% en el resto de las
ejecuciones. La Figura 5.25. b) muestra los valores correspondientes de los parámetros del
controlador durante cada ejecución del algoritmo. Por otra parte, el tiempo de medio de
cómputo del algoritmo de temple simulado es de 925 s, el cual se corresponde a su ejecución
en la herramienta computacional Matlab, versión 7.1, en un ordenador con un procesador
Pentium IV a 3.2 GHz de velocidad y 1.99GB de memoria RAM.

a)

b)

Figura 5.25. Resultados tras 75 ejecuciones del algoritmo de SA.

a) Variaciones del índice ITAE y b) parámetros del controlador [ Ke Kce ] .

Los resultados de la simulación del sistema de control borroso se muestran en la Figura

5.26, ilustrándose el comportamiento de la fuerza corte como variable controlada y la
velocidad de avance de referencia como acción de control. Se ha simulado el sistema con sus
parámetros iniciales y los obtenidos tras la optimización mediante temple simulado. Se puede

Diseño de sistemas inteligentes de control óptimos para procesos complejos 179

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

observar claramente en la figura que la respuesta transitoria, el tiempo de establecimiento y el

máximo sobrepaso del sistema de control, son mejores después de la optimización.

a)

b)

Figura 5.26. Simulación del sistema de control borroso optimizado mediante SA.
a) Comportamiento de la fuerza de corte y b) velocidad de avance de referencia.

Con la finalidad de evaluar la influencia de la variación del tiempo de retardo del proceso
en el desempeño de controlador, se ha llevado a cabo un estudio mediante simulación. Para
simplificar, se ha asumido durante la simulación que el tiempo de retardo del sistema de
control distribuido L, toma valores uniformemente distribuidos entre 0 y 0.8 s, ejecutándose
100 pruebas de simulación empleando el sistema de control borroso controlador optimizado.
La Figura 5.27 describe el comportamiento de la fuerza de corte para cada tiempo de retardo.

180 Capítulo 5
 Raúl M. del Toro

Figura 5.27. Comportamiento de la fuerza de corte según la variación del tiempo de retardo.

Figura 5.28. Comportamiento del criterio ITAE según varía el tiempo de retardo.

El comportamiento del índice de desempeño ITAE, según varía el retardo de tiempo del
proceso, se muestra en la Figura 5.28. El valor mínimo del criterio ITAE se alcanza por el
retardo mínimo y viceversa. Sin embargo, se consigue un buen comportamiento del índice
ITAE aun suponiendo que el retardo máximo es mucho mayor que el utilizado para el modelo
del proceso de taladrado. El peor de los casos entre todas las pruebas de simulación, se
corresponde al máximo tiempo de retardo de 0.7954s, el cual provoca un máximo sobrepaso
de 4.95% y un máximo ITAE igual a 1.1476.

Diseño de sistemas inteligentes de control óptimos para procesos complejos 181

 Métodos clásicos y de soft-computing en la optimización de procesos complejos.

5.4.2 Resultados experimentales

Empleando la plataforma experimental, se ha verificado de forma práctica el
comportamiento del controlador borroso optimizado por entropía cruzada. Se han realizado
taladros con una herramienta Sandvik de 10 mm de diámetro en piezas de hierro fundido
nodular GGG40 con una dureza de 233 HB y de acero 17-4PH de una alta dureza igual a 31
HRc.
La fundición nodular GGG40 cada vez es más popular en varias aplicaciones ingenieriles
debido a sus ventajas potenciales, como alta resistencia y tenacidad, baja fatiga y buena
resistencia a desgaste. Por causa de las características metalúrgicas de este material, su
mecanizado mediante técnicas convencionales como el fresado y el torneado, puede ser
problemática y con un alto grado de dificultad. Por otra parte, el acero de alta dureza 17-4PH
es utilizado en una gran variedad de aplicaciones entre las que se incluyen, por ejemplo,
componentes de válvulas en la industria petrolera, equipamiento en procesos químicos,
engranajes y muchas otras aplicaciones industriales. Las operaciones de taladrado, tanto
controladas como no controladas, en materiales como el GGG40 y el acero 17-4 PH,
constituye un campo incipiente de estudio para los investigadores.
La velocidad de avance y la velocidad de giro nominales empleadas en los experimentos,
recomendadas por el fabricante de la herramienta, han sido f 0 =100mm/min y s 0 =870rpm,
respectivamente para el material GGG40 y f 0 = 93 mm/min y s0 = 780 rpm para el 17-4PH.
La profundidad máxima de la operación de taladrado es de 14 mm y el valor de referencia de
la fuerza de corte es de 1000 N para el GGG40 y 2000 N para el 17-4PH.

a) b)

Figura 5.29. Respuesta temporal del sistema de control optimizado mediante SA durante el taladrado del
material GGG40.

Figura 5.29 y Figura 5.30 muestran los resultados experimentales de la operación de

taladrado con la herramienta de 10 mm en piezas de los materiales GGG40 y 17-4PH. En la

182 Capítulo 5
 Raúl M. del Toro

Figura 5.29 se representa el comportamiento de la fuerza controlada y el cambio en la

velocidad de avance durante el taladrado del material GGG40. De la misma forma, la Figura
5.30 muestra la respuesta temporal de la operación de taladrado en el material 17-4PH,
empleando el controlador borroso optimizado mediante el algoritmo de temple simulado. Con
el objetivo de compensar el incremento de la fuerza de corte a medida que se incrementa la
profundidad de corte, como se puede observar en las gráficas, la velocidad de avance decrece
gradualmente, de esta forma la fuerza de corte se mantiene regulada alrededor de su valor de
referencia.

a) b)

Figura 5.30. Comportamiento del sistema de control optimizado durante una operación de taladrado del
material 17-4PH

El buen comportamiento de la respuesta transitoria del sistema de control es cuantificable

a través de los índices de comportamiento. Durante el taladrado del material GGG40 se
produce un máximo sobrepaso de un 4.18% y un índice ITAE igual a 35.81; en cambio, al
realizar la operación de taladrado controlada por la estrategia borrosa optimizada en el
material 17-4PH, la fuerza de corte produce un máximo sobrepaso igual al 6.44 % y el criterio
de desempeño ITAE es igual a 82.55. La idoneidad del algoritmo de temple simulado para
ajustar de forma óptima los sistemas de control borrosos, queda corroborada mediante los
resultados experimentales mostrados.

5.5 Optimización de un sistema de inferencia borrosa mediante algoritmos

genéticos para el control de un proceso de fabricación
El controlador borroso ajustado en la sección anterior, también ha sido objeto de
optimización mediante otras estrategias inspiradas en la evolución biológica, como es el caso
de los algoritmos genéticos (GA) [36]. De la misma forma, el algoritmo minimiza la función
de coste ITAE, en base a simulación del proceso de taladrado de alto rendimiento, controlado
a lazo cerrado mediante un sistema de inferencia borroso [254]. Figura 5.31 muestra el

Diseño de sistemas inteligentes de control óptimos para procesos complejos 183

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

diagrama de bloques del sistema de control borroso y el método de optimización de

algoritmos genéticos, el cual utiliza como parámetros de entrada a la función de coste, las
ganancias del controlador [ Ke Kce ] .

Figura 5.31. Diagrama del sistema de control borroso y optimización mediante algoritmos genéticos.

Antes de ejecutar el algoritmo de optimización, se ajustaron previamente los parámetros

de cada una de sus etapas de selección, reproducción, mutación, cruzamiento y migración. La
población inicial fue ajustada a 250 individuos, empleándose una función estocástica
uniforme durante la etapa de selección para escoger los padres de la siguiente generación. En
la etapa de reproducción solamente 5 individuos sobrevivirán a la próxima generación, con
una tasa de cruzamiento del 60%. Por otra parte, para el proceso de mutación fue empleada
una función de distribución Gaussiana y el cruzamiento fue realizado mediante diseminación.
Durante la etapa de migración, el 40% de individuos en cada sub-población migran hacia una
sub-población diferente, lo cual ocurre cada 10 generaciones. Por último, el algoritmo se
detiene en un máximo de 500 iteraciones, pero si no hay mejora en el valor mínimo de la
función de coste ITAE, el algoritmo culminará su ejecución en 150 iteraciones o hasta un
tiempo de ejecución máximo de 50 segundos.
El algoritmo fue ejecutado 99 veces consecutivas para reducir al mínimo la función de
coste. Los resultados se muestran en la Figura 5.32. El comportamiento del índice de
desempeño ITAE se representa en la Figura 5.32.a. Al término de la optimización, el valor
mínimo ITAE = 0.4513 se alcanzó en la ejecución número 64 del algoritmo,
correspondiéndose a unos valores de los parámetros del controlador borroso
[ Ke K ce ]OPT = [ 0.0169, 0.0314] , produciendo un máximo sobrepaso de 0.57%. La Figura
5.32.b muestra los valores correspondientes de los parámetros del controlador durante cada
ejecución del algoritmo. Por otra parte, el tiempo de cómputo total del algoritmo fue de 238.6
s, el cual se corresponde a su ejecución empleando las funciones del paquete de algoritmos
genéticos de Matlab en su versión 7.1, en un ordenador con un procesador Pentium IV a 3.2
GHz de velocidad y 1.99GB de memoria RAM.

184 Capítulo 5
 Raúl M. del Toro

a)

b)

Figura 5.32. Resultados tras 99 ejecuciones de la optimización mediante GA

a) Variaciones del índice ITAE y b) variaciones de los parámetros [ Ke Kce ] .

El sistema de control fue simulado en Matlab/Simulink para las ganancias del controlador
ajustadas. Los resultados de la simulación son mostrados en la Figura 5.33, en ella se puede
observar el comportamiento de la fuerza de corte ante un cambio de tipo de escalón en el
valor de referencia y la velocidad de avance, como señal de control, la cual se expresa en
valor porcentual, referido a su valor nominal f 0 = 100 mm/min . Durante la simulación se
obtuvo un máximo sobrepaso igual a 0.5659%.
Con el fin de analizar las capacidades de rechazo ante perturbaciones del sistema de
control optimizado, se ha considerado la presencia de ruido aditivo durante la simulación (ver
diagrama en la Figura 5.34), el cual puede representar la influencia de dinámicas no

Diseño de sistemas inteligentes de control óptimos para procesos complejos 185

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

modeladas en el proceso de TAR en tiempo real. Se asume la siguiente función como

perturbación aditiva en la salida del proceso:

d (t ) = A ⋅ ( sin ω1t + sin ω2 t + sin ω3t + sin ω4 t ) (5.17)

donde la amplitud de la perturbación aditiva es A=0.2, que corresponde a un 20% de variación

de la ganancia del modelo del proceso y las frecuencias
[ω1 ω2 ω3 ω4 ] = [3.98 12.94 22.89 27.87 ] son armónicos superiores de las frecuencias de los
polos del modelo.

a) b)

c)

Figura 5.33. Simulación del sistema de control optimizado mediante GA.

a) Fuerza de corte, b) fuerza de corte ampliada entre 980 y 1020 N y c) velocidad de avance de referencia.

Figura 5.34. Aplicación de simulación del sistema de control con ruido aditivo.

186 Capítulo 5
 Raúl M. del Toro

En la Figura 5.33 se ilustra también el comportamiento del sistema de control en presencia

de perturbaciones. Como puede observarse con un mayor detalle en la Figura 5.33.b la
respuesta temporal cambia ligeramente, obteniéndose para estas condiciones un índice ITAE
igual a 0.4763 y un máximo sobrepaso de un 0.9633% pero, como se aprecia, el sistema de
control es capaz de regular el proceso, de forma satisfactoria, aún en presencia de ruido.

5.6 Ajuste de un sistema de inferencia borrosa, mediante el método de

entropía cruzada, para el control de un proceso de fabricación
En esta sección se propone una estrategia simple y flexible, que emplea un método de
optimización basado en población y simulación, para ajustar un controlador borroso. Se aplica
el algoritmo de entropía cruzada (CE) para ajustar los factores de escala de entrada del
controlador borroso de 49 reglas diseñado con anterioridad, a partir de la minimización de una
función de coste o índice de desempeño [254]. El sistema de control tiene como objetivo el
control de la fuerza de corte en el proceso de taladrado de alto rendimiento.
Un criterio de gran utilidad que penaliza transitorios de larga duración en la respuesta
temporal de un sistema de control, es la integral del valor absoluto del error ponderado en el
tiempo (ITAE):

T
ITAE = ∫ e ( t ) ⋅ tdt (5.18)
0

Esta función de coste o índice de desempeño será considerado como el problema de

optimización del método CE (4.37). El criterio ITAE es más selectivo que otros, como la
integral del error absoluto (IAE) y la integral del error cuadrático (ISE), produciendo, además,
menor sobrepaso y oscilaciones que estos criterios.
Otro criterio que se tendrá en cuenta durante la optimización del sistema de control
borroso es la integral del error cuadrático ponderado por el tiempo al cuadrado (ISTSE). En un
sistema de control a lazo cerrado, grandes cambios en la carga como perturbación, producen
grandes valores de error, por tanto, es de gran utilidad disponer de un criterio que penalice
ligeramente los errores iniciales (instantes de tiempo iniciales) y que penalice duramente los
errores en instantes de tiempos superiores, durante la respuesta transitoria del sistema de
control. En muchas casos el criterio ISTSE constituye además, una elección natural para
optimizar el sistema de control sin oscilaciones y sobrepaso en su respuesta temporal.

T
ISTSE = ∫ e 2 ( t ) ⋅ t 2 dt (5.19)
0

Diseño de sistemas inteligentes de control óptimos para procesos complejos 187

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

El criterio ITAE se utiliza en el método de entropía cruzada como función de coste, en

detrimento del resto de los índices de desempeño mencionados con anterioridad, por la buena
selectividad que proporciona. Para el método se emplea como función de distribución
probabilística la distribución la normal, con un ajuste dinámico de sus parámetros y siendo los
factores de escala las medias de las distribuciones a estimar. El algoritmo de CE comienza
con unos parámetros del controlador borroso iniciales K FCS = [ Ke K ce ]i y evalúa el índice
ITAE (5.18). Entonces el problema de optimización se traduce en:

K FCS = [ Ke , Kce ]OPT = arg min ( ITAE ) (5.20)

Figura 5.35. Diagrama del sistema de control borroso y el método de optimización de entropía cruzada.

La Figura 5.35 muestra el diagrama de bloques del sistema de control borroso. El ajuste
óptimo de los parámetros del controlador se realiza mediante la minimización del criterio
ITAE. Tras ejecutar el método de entropía cruzada se obtiene como resultado los parámetros
del controlador óptimos. En el diagrama de bloques, las líneas discontinuas representan las
“señales” más representativas utilizadas para la optimización.

5.6.1 Resultados de la simulación

El controlador borroso introducido en secciones anteriores se ha verificado mediante
simulaciones en Matlab/Simulink, empleando el modelo dinámico de tercer orden del proceso
de taladrado de alto rendimiento, presentado en el Capítulo 2, sección 2.3. Los parámetros del
controlador se han ajustado a un valor inicial de [ Ke Kce ]INI = [0.5, 0.5] . Después de la
simulación del sistema de control, empleando estos parámetros, se obtiene un índice de
desempeño ITAE de 0.64 y un máximo sobrepaso de 5.24%.
El procedimiento de entropía cruzada se representa en la Figura 5.36, empleando como
valores iniciales para la media y desviación estándar de las funciones probabilísticas, µˆ 0 = 0
y σˆ 0 = 0.5 , además como parámetros del algoritmo para el ajuste dinámico α = 0.5 , β = 0.92

188 Capítulo 5
 Raúl M. del Toro

y q = 2 , un número de muestras elites N elite = 4 y un total de muestras aleatorias en cada

iteración N = 100 (conjunto de parámetros del controlador  K ei , K cei  ). El procedimiento
i =1... N

de optimización finalizará cuando la desviación estándar sea menor a ε = 5 ⋅10−4 , lo cual

ocurre después de 77 iteraciones del algoritmo. En la Figura 5.36 se muestran las funciones de
densidad probabilística para los parámetros K e , K ce , donde el mayor cúmulo de funciones se
obtienen concentradas en las cercanías de [ K e , K ce ]OPT .

a) b)

Figura 5.36. Funciones de densidad probabilísticas para los parámetros [ Ke Kce ] .

La optimización del sistema de control borroso basada en entropía cruzada devuelve como
parámetros óptimos del controlador [ K e , K ce ]OPT = [ 0.0165, 0.0297] , obteniéndose un índice
de desempeño ITAE de 0.45 y un máximo sobrepaso de 0.46%. La Figura 5.37 muestra el
comportamiento del índice de desempeño ITAE y la variación de los parámetros del
controlador, en cada una de las iteraciones de la ejecución del algoritmo de entropía cruzada.
En la Figura 5.38 se muestran los resultados de la simulación del sistema de control
borroso, caracterizado por el comportamiento de la fuerza corte como variable controlada y la
velocidad de avance de referencia como acción de control. El sistema de control se ha
simulado con sus parámetros ajustados con los valores iniciales [ Ke Kce ]INI y los

obtenidos tras la optimización con entropía cruzada, [ Ke , Kce ]OPT . Se puede observar
claramente en la figura que la respuesta transitoria, el tiempo de establecimiento y el máximo
sobrepaso, del sistema de control, son mejores después de la optimización con el algoritmo de
entropía cruzada.

Diseño de sistemas inteligentes de control óptimos para procesos complejos 189

 Métodos clásicos y de soft-computing en la optimización de procesos complejos.

a) b)

Figura 5.37. Resultados durante la optimización mediante entropía cruzada.

a) Índice de desempeño ITAE y b) parámetros del controlador borroso.

a) b)

Figura 5.38. Simulación del sistema de control borroso.

a) Comportamiento de la fuerza de corte y b) velocidad de avance de referencia.

Con el objetivo de evaluar la influencia de la variación del tiempo de retardo del proceso
en el desempeño del controlador, se ha llevado a cabo un estudio mediante simulación. Por
motivo de simplicidad, se ha asumido durante la simulación, que el tiempo de retardo del
sistema de control distribuido L, toma valores uniformemente distribuidos entre 0 y 0.8 s. Se
han ejecutado 100 pruebas de simulación con los parámetros del controlador borroso
ajustados a sus valores óptimos.
La Figura 5.39 describe el comportamiento de los índices de desempeños ITAE e ISTSE,
según varía el retardo de tiempo del proceso. En el estudio se ha tenido en cuenta además el
comportamiento del criterio ISTSE, para evaluar la influencia de los retardos en la
sensibilidad de este índice de desempeño. El valor mínimo del criterio ITAE ha sido alcanzado
por el retardo mínimo y viceversa. Sin embargo, los valores que alcanza el índice ITAE son
buenos aun suponiendo que el retardo máximo es mucho mayor que el modelado
experimentalmente (ver Capítulo 2, sección 2.3). La curva que describe el comportamiento

190 Capítulo 5
 Raúl M. del Toro

del criterio ISTSE muestra una pendiente muy cercana a cero hasta 0,4 segundos, lo cual
simboliza que el criterio ITAE muestra mejor sensibilidad que el criterio ISTSE para este caso
de estudio. Entre todas las pruebas de simulación, el peor caso se corresponde a un tiempo de
retardo de 0.795s, donde se obtiene ITAE = 1.125, ISTSE = 0.5695 y un máximo sobrepaso de
4.454%.

Figura 5.39. Comportamiento de los criterios de desempeño ITAE e ISTSE en presencia de retardos de
tiempo en el sistema de control.

5.6.2 Resultados experimentales

Empleando la plataforma experimental, se ha verificado de forma práctica el
comportamiento del controlador borroso optimizado por entropía cruzada. Se han realizado
taladros con una herramienta Sandvik de 10 mm de diámetro en piezas de hierro fundido
nodular GGG40 con una dureza de 233 HB.
La velocidad de avance y la velocidad de giro nominales empleadas en los experimentos,
recomendadas por el fabricante de la herramienta, han sido f 0 =100mm/min y s 0 =870rpm,
respectivamente. La profundidad máxima de la operación de taladrado es de 14 mm y el valor
de referencia de la fuerza de corte es de 1000 N.
La Figura 5.40 muestra los resultados experimentales del taladrado con una herramienta
de 10 mm en la pieza del material GGG40. La Figura 5.40a representa el comportamiento de
la fuerza controlada y la Figura 5.40b el cambio en la velocidad de avance en valor porcentual
referido al valor nominal, correspondiéndose ambas gráficas al sistema de control borroso
optimizado por el método CE. Con el objetivo de compensar el incremento de la fuerza de
corte a medida que se incrementa la profundidad de corte, como se puede observar en las
gráficas, la velocidad de avance decrece gradualmente, de esta forma la fuerza de corte
prácticamente no varía alrededor de su valor de referencia. El buen comportamiento de la

Diseño de sistemas inteligentes de control óptimos para procesos complejos 191

 Métodos clásicos y de soft-computing en la optimización de procesos complejos.

respuesta transitoria del sistema de control, está respaldado por los valores de los índices de
desempeño, tal y como se muestra en la Tabla 5.7. Estos resultados experimentales
corroboran la idoneidad del método de CE para el ajuste óptimo de los sistemas de control
borrosos.

a) b)

Figura 5.40. Comportamiento del sistema de control durante el taladrado del material GGG40.
a) Fuerza de corte y b) velocidad de avance.

Tabla 5.7. Estudio comparativo de los resultados experimentales y de simulación del comportamiento del
controlador borroso optimizado mediante el método de entropía cruzada.
Parámetros del
Sobrepaso
controlador Procedimiento ITAE ITSE ISTSE
(%)
borroso
Sin compensación
Experimental 1.376 0.243 0.552 14.28
de fuerza
K e = 0.5
Simulación 0.636 0.306 0.185 5.67
K ce = 0.5
K e = 0.0165 Simulación 0.450 0.302 0.171 0.462
K ce = 0.0297 Experimental 0.449 0.131 0.673 2.841

5.7 Estudio comparativo entre las técnicas de optimización empleadas para

el ajuste de estrategias borrosas de control de un proceso de fabricación
complejo
El desempeño del sistema de control borroso de 49 reglas, ajustado mediante diferentes
técnicas de optimización, será analizado mediante un estudio comparativo [254]. El estudio
evaluará el desempeño de la estrategia de control optimizada mediante: el algoritmo de
entropía cruzada (CE), el método bio-inspirado de algoritmos genéticos (GA), el algoritmo de
temple simulado (SA) y el algoritmo de Nelder Mead (NM).

192 Capítulo 5
 Raúl M. del Toro

El estudio comparativo se ha realizado en base a simulaciones del comportamiento de las

estrategias de control borroso, aplicadas al proceso de taladrado de alto rendimiento, el cual se
representa por su modelo computacional desarrollado. La simulación se ha realizado
empleando el programa Matlab, su versión 7.1 para Windows, en un ordenador con
procesador Pentium IV de 3.2 GHz de velocidad y una memoria RAM de 1.99 GB.

Tabla 5.8. Parámetros de las estrategias de optimización para un ajuste óptimo de un controlador borroso
de 49 reglas.

Método Entropía Temple Nelder-Mead Algoritmo genético

cruzada Simulado

1. α = 0.5 1. α = 0.96 1. MaxFunEvals = 400 1. Población: 250

Parámetros
2. β = 0.92 2. Ti=200 2. MaxIter = 400 2. Función de selección: estocástica
de ajuste
3. q = 2 3. Perturb. 3. TolFun = 1.00e-004 uniforme.
aleat.: 100 4. TolX =: 1.00e-004 3. Sobrevivientes: 5
4. N elite = 4 4. Soluciones 4. Tasa de cruzamiento: 60%
Ke  1.0 
5. N = 100 aceptadas: 30 5.   =  5. Función de mutación: Gaussiana
6. ε = 5 ⋅ 10 −4  K ce  INIT 1.0  6. Función de cruzamiento:
Diseminación
7. Intervalo de migración: 10
8. Tasa de migración: 40%
9. Generaciones: 500
10. Generaciones consecutivas sin
mejora: 150
11. Tiempo sin mejora límite: 50s

En la Tabla 5.8 se resumen las técnicas de optimización empleadas, así como los
parámetros ajustados para cada una de ellas. En cada una de las estrategias se ha optimizado
el controlador borroso de 49 reglas, minimizando como función de coste la integral del valor
absoluto del error ponderado en el tiempo (ITAE) y utilizando los parámetros del controlador
[ Ke Kce ] como coeficientes de ajuste.
La Tabla 5.9 describe los parámetros de los controladores ajustados por los cuatro
métodos de optimización, así como los índices de comportamiento ITAE y la integral del error
cuadrático ponderado por el tiempo al cuadrado (ISTSE), además del máximo sobrepaso, que
caracterizan la respuesta dinámica en el dominio temporal del sistema de control borroso. Con
el objetivo de evaluar el coste computacional y el nivel de complejidad de cada método, la
tabla también muestra el tiempo de cómputo y el número de parámetros de ajuste por cada
método de optimización.
La respuesta temporal de los cuatro sistemas de control sin presencia de ruido añadido en
la simulación es mostrada en la Figura 5.41. Las respuestas transitorias son bastante similares
ya que, en los cuatro casos, se trata de parámetros óptimos o sub-óptimos de los sistemas de
control borrosos.

Diseño de sistemas inteligentes de control óptimos para procesos complejos 193

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

Tabla 5.9. Estudio comparativo del desempeño del sistema de control borroso sin presencia de
perturbaciones.

Parámetros del Sobre- Parámetros Tiempo

Método ITAE ISTSE
controlador paso (%) ajustados Cómp. (s)
Ke = 0.0165
Entropía Cruzada (CE) 0.4502 0.1716 0.4675 6 369.50
Kce = 0.0297

Ke = 0.0173
Temple Simulado (SA) 0.4508 0.1712 0.6705 4 925.00
Kce = 0.0333
Ke = 0.0125
Nelder-Mead (NM) 0.4604 0.1748 0.0732 5 156.03
Kce = 0.0374
Algoritmos Genéticos Ke = 0.0169
0.4513 0.1714 0.5659 11 238.60
(GA) Kce = 0.0314

a) b)

c)

Figura 5.41. Estudio comparativo sin presencia de perturbaciones.

a) Fuerza de corte, b) fuerza ampliada alrededor del valor de referencia y c) señal de control velocidad de
avance.

194 Capítulo 5
 Raúl M. del Toro

Con el fin de analizar las capacidades de rechazo ante perturbaciones de los sistemas de
control, se ha considerado durante la simulación, la presencia de ruido aditivo, además de la
influencia de dinámicas no modeladas, de tal manera que el comportamiento dinámico del
sistema se aproxime al comportamiento en tiempo real del proceso controlado. Se asume la
siguiente función como perturbación aditiva en la salida del proceso:

d (t ) = A ⋅ ( sin ω1t + sin ω2t + sin ω3t + sin ω4t ) (5.21)

donde la amplitud de la perturbación aditiva es A=0.2, que corresponde a un 20% de variación

de la ganancia del modelo del proceso y las frecuencias
[ω1 ω2 ω3 ω4 ] = [3.98 12.94 22.89 27.87 ] son armónicos superiores de los polos del modelo.
El comportamiento de los sistemas de control cambia ligeramente ante presencia de
perturbaciones, pero aún son capaces de regular el proceso en presencia de ruido tal y como
puede observarse en la Tabla 5.10 y en la Figura 5.42. Según el criterio ITAE, los parámetros
del controlador optimizados mediante el método de entropía cruzada, son los que ofrecen la
mejor respuesta transitoria y el segundo mejor sobrepaso después del método de Nelder-
Mead. Por otra parte, el criterio ISTSE no varía significativamente entre todos los sistemas de
control.

Tabla 5.10. Estudio comparativo del desempeño del sistema de control borroso en presencia de
perturbaciones.

Estrategia de Parámetros del ITAE ISTSE Sobrep.

optimización controlador (%)

Entropía Cruzada Ke = 0.0165

0.4760 0.1722 0.8873
(CE) Kce = 0.0297

Temple Simulado Ke = 0.0173

0.4767 0.1718 1.0443
(SA) Kce = 0.0333

Nelder-Mead Ke = 0.0125
0.4855 0.1753 0.5427
(NM) Kce = 0.0374

Algoritmos Genéticos Ke = 0.0169

0.4763 0.1720 0.9633
(GA) Kce = 0.0314

A pesar de que el ruido introducido, empeora el desempeño de los sistemas de control,

según el análisis, el método de entropía cruzada ofrece el mejor ITAE entre todos los métodos,

Diseño de sistemas inteligentes de control óptimos para procesos complejos 195

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

con una buena relación entre el tiempo de cómputo y los parámetros de ajuste, el algoritmo de
entropía cruzada es más rápido, en cuanto tiempo de cómputo se refiere, que el método de
temple simulado y menor que algoritmos genéticos y, por otra parte, tiene menos parámetros
de ajuste que el método de algoritmos genéticos. Sin embargo, se ha de destacar que el tiempo
de cómputo es un criterio un tanto engañoso, porque no se ha tenido en cuenta para la
comparación, por ejemplo, el tiempo total empleado para obtener los parámetros de ajuste
más adecuados.

a) b)

Figura 5.42. Estudio comparativo en presencia de perturbaciones.

a) Fuerza de corte y b) fuerza ampliada alrededor del valor de referencia.

5.8 Conclusiones
En este capítulo se han diseñado sistemas de control optimizados, basados en técnicas
clásicas y de soft-computing, para su aplicación en la regulación automática de procesos
complejos, comprobándose su desempeño en una plataforma experimental compuesta por un
centro de mecanizado de alta velocidad, en específico durante el control de operaciones de
taladrado de alto rendimiento.
El diseño de las estrategias de control se ha basado en una metodología en la que, a partir
del empleo de modelos computacionales de los procesos físicos, inicialmente se realiza su
ajuste mediante simulación y seguidamente se efectúa su implementación y evaluación en
tiempo real directamente en el proceso, a través de una plataforma experimental.
Se han diseñado estrategias de control clásicas lineales, como el algoritmo de control
proporcional, integral y derivativo, PID, de muy amplia utilización en el control de procesos

196 Capítulo 5
 Raúl M. del Toro

físicos en general, y basadas en soft-computing, como es el caso de los sistemas de inferencia

borrosa y los sistemas híbridos neuro-borrosos.
El ajuste del controlador PID se ha realizado utilizando un método clásico como Ziegler-
Nichols, el cual se basa en el conocimiento del comportamiento dinámico del proceso a
controlar, haciendo necesario el empleo de un modelo lineal.
Además, en el caso de las estrategias de control basadas en técnicas de soft-computing,
inicialmente se han utilizado sistemas de inferencia borrosa híbridos de tipo ANFIS, como
modelos directo e inverso de una estructura de control por modelo interno. Para corroborar el
buen comportamiento del sistema de control, se ha comparado su desempeño con la estrategia
de control lineal y con el proceso a lazo abierto, es decir, sin realimentación de la variable
controlada.
Por otra parte, se ha diseñado un sistema de control borroso que consta de dos entradas,
una salida y 49 reglas en su sistema de inferencia. El controlador se ha ajustado variando los
factores de escala de sus entradas, utilizando para ello algoritmos de optimización de
inspiración física y biológica, como ha sido el caso del algoritmo heurístico de Nelder-Mead,
el método de inspiración física temple simulado, de inspiración biológica como son los
algoritmos genéticos y el método de entropía cruzada. En todos los casos el ajuste se ha
realizado minimizando como función objetivo la integral del error absoluto ponderado en el
tiempo (ITAE), debido a que penaliza las respuestas transitorias temporales de larga duración
y es muy sensible ante variaciones de parámetros en comparación con otros criterios, como
IAE, ITSE, entre otros.
Con vista a evaluar tanto el desempeño del sistema de control, como la efectividad de los
algoritmos de optimización, se ha realizado un estudio comparativo de cada uno de los
diferentes ajustes realizados. Durante el estudio comparativo se ha evaluado el cumplimiento
de los objetivos de control en el proceso bajo estudio. Uno de los objetivos es mantener
constante la fuerza de corte, en operaciones de taladrado, frente a posibles perturbaciones que
se produzcan debido al incremento de la profundidad de corte. El otro objetivo es evitar que
se originen oscilaciones en la respuesta temporal de la fuerza de corte, lo cual resulta
imprescindible para la protección de la herramienta de corte y por tanto el incremento de su
vida útil. El cumplimiento del primero de los objetivos de control se ha cuantificado a partir
del comportamiento del error de la variable controlada respecto a la variable de referencia,
mediante su valor medio absoluto y cuadrático, ponderado y no ponderado por el tiempo
(IAE, ITAE, ISE, ITSE e ISTSE). Por otra parte, el cumplimiento del otro objetivo se ha
verificado a partir del valor del máximo sobrepaso (con respecto a la variable de referencia)
de la respuesta temporal de la variable controlada.
Los resultados obtenidos en este capítulo, constituyen la base para el desarrollo futuro de
sistemas de control inteligente con capacidades cognitivas, que incorporen estrategias de

Diseño de sistemas inteligentes de control óptimos para procesos complejos 197

Métodos clásicos y de soft-computing en la optimización de procesos complejos.

competición, para ser utilizados en el control de procesos físicos complejos, con un

comportamiento dinámico inherentemente no lineal y variables en el tiempo.

198 Capítulo 5
 CONCLUSIONES

Esta Tesis Doctoral basada en una metodología científica en la que interactúan métodos de
investigación teórica y experimental, ha presentado el diseño, desarrollo e implementación de
sistemas de control inteligente para la optimización de procesos complejos. El diseño está
basado en diferentes estrategias de hibridación de técnicas del soft-computing, como son la
computación borrosa, la neuro-computación y los métodos metaheurísticos. Los sistemas de
control desarrollados han sido aplicados al proceso de taladrado de alto rendimiento, un
proceso de fabricación que tiene un gran impacto en la producción de bienes y servicios.
Como paso inicial e indispensable de la metodología científica empleada, se ha realizado
una revisión del estado de la ciencia y la técnica en los paradigmas elegidos dentro del amplio
universo que ponen a nuestra disposición la Teoría General de Sistemas, la Teoría de Control,
las técnicas de Inteligencia Artificial y las Ciencias de la Computación. Se ha prestado
principal interés en los paradigmas con una fundamentación teórica sólida en el campo de la
Inteligencia Artificial (IA), con un enfoque desde la perspectiva de la Automática y la Teoría
de Sistemas. Es decir, el estudio se ha centrado en estrategias susceptibles de ser utilizadas en
el modelado, monitorización y control de procesos físicos. Paradigmas que aprovechan tanto
las ventajas de las técnicas básicas de Inteligencia Artificial, como las sinergias entre estas.
De modo que permiten el diseño de sistemas de control cualitativamente superiores y capaces
de ofrecer altas prestaciones en la optimización de procesos físicos complejos. Por este
motivo la revisión se ha enfocado hacia las técnicas del soft-computing, analizando su
evolución desde sus inicios hasta las tendencias actuales.
Tras el estudio, de la literatura revisada resalta, principalmente, la aplicabilidad de los
sistemas de inferencia borrosa como un marco computacional eficiente para representar el
conocimiento de expertos y, por tanto, viable en el control de procesos físicos complejos. Sin
embargo, las tendencias más actuales apuntan hacia su hibridación con otras técnicas, como la

199
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

neuro-computación y los métodos metaheurísticos. De este modo se pueden diseñar sistemas

inteligentes para el control con una representatividad más eficiente del conocimiento, con
diseños relativamente sencillos y de bajo coste. Estos argumentos sustentaron la hipótesis de
considerar métodos de optimización tales como los algoritmos genéticos, el algoritmo de
temple simulado, el algoritmo de Nelder-Mead y el algoritmo de entropía cruzada, para el
ajuste ó sintonía óptima de sistemas de inferencia borrosa. Esto ha permitido, además,
examinar la potencialidad de la hibridación de estos sistemas con las redes neuronales
adaptativas para el control de procesos.
Debido a que estas estrategias han sido aplicadas al control de procesos electro-mecánicos
complejos, como es el caso de los procesos de mecanizado, se ha realizado, además, una
breve revisión del estado de la técnica de estos procesos. Se ha presentado de forma breve
como ha sido su evolución hasta nuestros días y las tendencias actuales en la aplicación de
técnicas de IA desde la perspectiva del control, para hacer frente a la complejidad inherente
de estos procesos y de esta forma mejorar su eficiencia.
Otro resultado de este trabajo constituye la obtención de una representación
computacional eficiente y simple de procesos de elevada complejidad. Se han empleado tanto
métodos teóricos como experimentales para el modelado de procesos de fabricación de alta
complejidad, en específico el proceso de fresado de alta velocidad y el proceso de taladrado
de alto rendimiento. Los modelos desarrollados han sido implementados en un lenguaje de
alto nivel como Matlab/Simulink. Por una parte, a partir de modelos basados en ecuaciones
físico-matemáticas, se ha implementado un modelo computacional múltiple entrada-
múltiple salida, para la estimación de las fuerzas de corte instantáneas en el proceso de
fresado de alta velocidad. Por otra parte, mediante la aplicación de técnicas de identificación
experimental de sistemas dinámicos, se ha obtenido e implementado un modelo múltiple
entrada-simple salida, también del proceso de fresado de alta velocidad, el cual tiene
como entradas variables representativas de este proceso, como es el caso de la profundidad de
corte, la velocidad de giro de la herramienta y su velocidad de avance y como salida la fuerza
de corte resultante promedio por cada vuelta de la herramienta. También mediante
identificación experimental, se ha desarrollado un modelo simple entrada-simple salida
del comportamiento dinámico de la fuerzas de corte, frente a cambios en la velocidad de
avance de la herramienta, en el proceso de taladrado de alto rendimiento.
A través de un estudio comparativo con datos obtenidos experimentalmente, se ha
verificado la efectividad de los modelos desarrollados. Estos modelos computacionales
son contribuciones de esta Tesis Doctoral. Representan, además, la base para el desarrollo
de funciones de coste, primordiales dentro de la metodología de diseño propuesta para el
ajuste óptimo de los sistemas de control inteligente.

200 Conclusiones
 Raúl M. del Toro

Con vistas a profundizar en el conocimiento de las técnicas consideradas en esta Tesis

Doctoral para el diseño de sistemas de control de procesos complejos, se ha realizado una
revisión y estudio que trata algunas ideas conceptuales esenciales, aunque las estrategias de
análisis dinámico de sistemas no han sido consideradas. Entre la amalgama de técnicas se han
seleccionado solo algunas de las que tienen un consolidado cuerpo de doctrinas e impacto
científico y técnico.
Como técnicas para el control de procesos complejos, en el estudio se han expuesto las
ideas conceptuales y básicas de estrategias de control clásicas lineales, como el algoritmo de
control proporcional, integral y derivativo, de muy amplia utilización. Además, se han
considerado estrategias basadas en el soft-computing, como es el caso de los sistemas de
inferencia borrosa y su hibridación con otras técnicas de inteligencia artificial, como las redes
neuronales artificiales. De esta forma se combina, el estilo de razonamiento humano de los
sistemas borrosos, con la estructura conexionista y los algoritmos de aprendizaje de las redes
neuronales, con vistas a una mejoría del desempeño de los sistemas borrosos en la
monitorización y control de sistemas complejos.
También como parte del estudio, se ha realizado un acercamiento científico a algunos
métodos de optimización estocásticos y libres de gradiente, para su aplicación en el ajuste
óptimo de las estrategias de control de procesos complejos, en específico de los sistemas de
inferencia borrosa. El estudio se ha centrado en métodos de inspiración biológica, como es el
caso de los algoritmos genéticos, métodos de inspiración física que se basan, principalmente,
en la simulación de procesos físicos, como es el caso del algoritmo de temple simulado
(Simulated Annealing) y el algoritmo de entropía cruzada (Cross Entropy) y métodos de
inspiración geométrica, como el algoritmo de búsqueda directa de Nelder-Mead. Un estudio
exhaustivo de los métodos de optimización accesibles en la literatura científica, está fuera del
ámbito de esta Tesis Doctoral. Solo se han considerado algunos métodos representativos
desde la perspectiva de la Automática.
El estudio de técnicas clásicas y de soft-computing y de algunos métodos de optimización,
ha sido la base para el diseño y posterior implementación de sistemas de control optimizados,
para su aplicación a un proceso de fabricación que se propone en la Tesis Doctoral. En
específico se ha considerado el control de la fuerza de corte en el proceso de taladrado de alto
rendimiento, como caso real de proceso electro-mecánico complejo. Este proceso es no lineal
y variable en el tiempo. Una problemática es que durante su ejecución, a medida que se
incrementa la profundidad de penetración de la herramienta en la pieza de trabajo, se dificulta
el proceso de evacuación del material eliminado, lo cual conlleva un incremento de la
temperatura, fuerza y pares de corte en la punta de la herramienta, induciendo por tanto, una
disminución en su vida útil y una demanda de mayor potencia de la máquina que realiza la
operación de taladrado de alto rendimiento. Este fenómeno se refleja en el comportamiento
dinámico de las fuerzas de corte que se generan durante la ejecución del proceso. Así, para el

201
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

diseño de los sistemas de control se ha planteado como objetivo de control, mantener

constante la fuerza de corte ante el incremento en la profundidad de penetración de la
herramienta, actuando de forma óptima sobre su velocidad de avance.
Según la metodología de diseño, inicialmente, el ajuste de las estrategias de control se
realiza mediante simulación del comportamiento temporal del proceso, el cual se representa
mediante el modelo dinámico computacional eficiente del proceso de taladrado de alto
rendimiento obtenido con anterioridad. Como paso siguiente y necesario, estas estrategias son
validadas a través de su implementación en tiempo real en una plataforma experimental
formada, principalmente, por un centro de mecanizado de alto rendimiento y controlando
directamente la fuerza de corte en operaciones de taladrado de alto rendimiento.

Comentarios finales sobre el diseño de la estrategia de control lineal

Como estrategia de control clásica lineal, se ha implementado un algoritmo de control
proporcional, integral y derivativo (PID), el cual se ha ajustado mediante el método clásico
de Ziegler-Nichols por medio de un modelo dinámico del proceso de taladrado de alto
rendimiento. El desempeño de la estrategia de control ha sido corroborado
experimentalmente, mediante operaciones de taladrado controladas a lazo cerrado y en
tiempo real, utilizando como interfaz de acceso al proceso la herramienta de Matlab, Real-
Time Workshop (RTW). Se utilizaron tres condiciones de operación diferentes: el proceso de
taladrado controlado a lazo cerrado con un filtro pasa bajo en la variable de referencia del
sistema de control, también controlado a lazo cerrado pero sin filtrado en la referencia de la
fuerza de corte y el proceso de taladrado a lazo abierto, es decir, sin el control PID activado.
Los experimentos realizados reflejan que la estrategia de control con filtrado del valor
de referencia mejora el comportamiento dinámico de la fuerza de corte, obteniéndose
una respuesta del sistema de control sin sobrepaso, lo que no ocurre cuando se utiliza la
estrategia de control PID básica, es decir, sin la etapa de filtrado. No obstante, en los dos
casos el sistema de control es capaz de mantener la fuerza con muy poca variación
alrededor de su valor de referencia, durante toda la operación de taladrado, hecho que
no se produce sin el control activado, es decir a lazo abierto, en el cual la fuerza de corte se
incrementa en el tiempo, a medida que aumenta la profundidad durante el corte.
El desempeño de la estrategia de control, se ha evaluado, además, a través de tres
criterios de error o índices de desempeño basados en el error a estado estacionario de la
fuerza de corte respecto a su valor de referencia, como son: la integral del error absoluto
(IAE), la integral del error absoluto ponderado en el tiempo (ITAE) y la integral del error
cuadrático ponderado en el tiempo (ITSE). Los índices obtenidos han mostrado la ventaja
de aplicar una estrategia de control lineal PID a lazo cerrado. Por otra parte, la mejora de
la operación de fabricación, se refleja en el aumento de la vida útil de la herramienta de

202 Conclusiones
 Raúl M. del Toro

corte, debido al mantenimiento casi constante de la fuerza de corte durante la operación

de taladrado, y en la reducción que se produce en el tiempo de ejecución de la operación.

Comentarios finales sobre el diseño de los sistemas de control basados en soft-computing

En el caso de la estrategia de control borrosa, se ha considerado un sistema de tipo
Mamdani de dos entradas (la señal de error en la fuerza de corte y su variación) y una salida
(el cambio en la velocidad de avance en el proceso de taladrado). Se han utilizado 49 reglas
en su sistema de inferencia y el universo de discurso de cada una de las variables se divide en
7 particiones borrosas distribuidas uniformemente y caracterizadas por funciones de
pertenencia de tipo triangular. La construcción de la base de reglas se ha realizado a partir de
la plantilla de MacVicar-Whelan, que es considerada como el sentido común con mayor
coincidencia entre ingenieros con experiencia en control borroso.
Se ha planteado como objetivo de control, el mantenimiento de la fuerza de corte
constante durante toda la operación de taladrado, a pesar de la presencia de perturbaciones
debido al incremento de la profundidad de corte, modificando la velocidad de avance de la
herramienta de corte. Para dar cumplimiento a este objetivo, el algoritmo de control borroso
se ha ajustado mediante la selección o ajuste óptimo de los factores de escala de sus entradas.
Para ello, se utilizaron los métodos de optimización estocásticos y libres de gradiente
estudiados previamente (Nelder-Mead, algoritmos genéticos, temple simulado y entropía
cruzada). Para cada uno de los sistemas de control borrosos ajustados por las diferentes
estrategias de optimización, se ha seguido una metodología de diseño que consta básicamente
de las siguientes etapas:
1. Selección de los valores iniciales de los factores de escala o parámetros del controlador.
2. A partir de una función de coste, basada en el error y que utiliza como variables de
entrada los factores de escala, se ha ejecutado el algoritmo de optimización, mediante la
simulación del proceso de taladrado representado por su modelo dinámico computacional.
El procedimiento de optimización se detiene hasta alcanzar un valor mínimo de la función
de coste o si se satisfacen condiciones de paradas.
3. Simulación del sistema de control, comparando su desempeño con los parámetros
ajustados inicialmente y los obtenidos tras el procedimiento de optimización.
4. Debido a que las acciones de control se envían a través de una arquitectura distribuida, se
evalúa la influencia de los retardos de las comunicaciones en el desempeño de
controlador, lo cual se simula mediante la introducción de retardos temporales, aleatorios,
uniformemente distribuidos y acotados, en el modelo computacional del proceso.
Comprobándose y evaluándose el comportamiento del sistema de control a partir de los
resultados de simulación.

203
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

5. Implementación experimental del sistema de control, controlando en tiempo real

operaciones de taladrado.
6. Comprobación del cumplimiento de los objetivos de control y validación del
comportamiento del sistema de control a partir del cálculo de cifras de mérito.
En todos los casos, para el ajuste óptimo del sistema de control borroso, se ha
utilizado como función objetivo a minimizar la integral del error absoluto ponderado en
el tiempo (ITAE), constituyendo, desde el punto de vista científico y técnico, una de las
aportaciones de este trabajo. Este criterio o cifra de mérito es muy interesante ya que
penaliza las respuestas transitorias temporales de larga duración y es muy sensible ante
variaciones de parámetros, en comparación con otros criterios como la integral del error
absoluto (IAE) o la integral del error cuadrático ponderado en el tiempo (ITSE), entre otros.
Además de las estrategias de control borrosas ajustadas mediante técnicas metaheurísticas,
se ha diseñado e implementado un sistema de control por modelo interno, basado en
modelos híbridos neuro-borrosos de tipo ANFIS (Adaptive Network based Fuzzy Inference
System), aplicado también a la regulación automática a lazo cerrado de la fuerza de corte en el
proceso de taladrado de alto rendimiento.
El esquema de control por modelo interno está formado por un modelo directo y uno
inverso empleando, en este caso para los dos, sistemas de inferencia borrosa de tipo Takagi-
Sugeno-Kang (TSK), ajustados mediante redes neuronales adaptativas. Ambos modelos
tienen una entrada y una salida. Para el caso del modelo directo, la velocidad de avance de la
herramienta de corte es la variable de entrada y la fuerza de corte la variable de salida. Por el
contrario, en el caso del modelo inverso, a partir de una determinada fuerza de corte como
entrada, calcula como salida la correspondiente velocidad de avance. Los modelos están
formados por 2 reglas en su sistema de inferencia, el universo de discurso de sus
correspondientes variables de entrada, se divide por 2 particiones borrosas caracterizadas por
funciones de pertenencia de tipo campana generalizada y funciones polinómicas de primer
orden en el consecuente de cada regla.
La estructura de control fue diseñada de forma similar a la metodología descrita
anteriormente, con la diferencia de que, en el segundo paso, ambos modelos fueron
entrenados a partir de datos obtenidos experimentalmente de operaciones de taladrado
controladas a lazo cerrado. Además, para el ajuste de los modelos se utiliza una estrategia de
entrenamiento híbrida, primeramente el consecuente de cada regla, en este caso los
polinomios de primer orden, se estiman por medio del método de mínimos cuadrados. Como
segunda etapa del entrenamiento, se emplea el método de aprendizaje del gradiente
descendiente y propagación hacia atrás de los errores para determinar el antecedente de las
reglas, es decir para ajustar las funciones de pertenencias de las variables de entrada. El
entrenamiento se realiza de forma iterativa hasta que se cumpla cualquiera de las condiciones

204 Conclusiones
 Raúl M. del Toro

de parada, por ejemplo que el error de salida del modelo esté por debajo del valor deseado o
se sobrepase un número de iteraciones máximas.
Una vez diseñadas y aplicadas cada una de las estrategias de control, como parte de la
metodología científica de la Tesis Doctoral y también como se ha comentado en los pasos de
la metodología de diseño, todas las estrategias desarrolladas han sido validadas rigurosamente
en una plataforma experimental utilizada como soporte tecnológico. La validación de las
estrategias mediante su implementación en tiempo real, actuando directamente sobre
operaciones de taladrado de alto rendimiento, ha permitido corroborar los resultados
obtenidos en simulación, así como la efectividad de los métodos metaheurísticos
empleados en el ajuste de los sistemas de control inteligente.
Los estudios comparativos mostraron que, en el caso de la aplicación de las técnicas
metaheurísticas para el ajuste del sistema de control borroso de 49 reglas, las respuestas
temporales de los sistemas de control, obtenidas experimentalmente son similares entre
ellas y a las obtenidas en simulación. Esto se debe a que en todos los casos se han
alcanzado parámetros óptimos o sub-óptimos de los sistemas de control borrosos. A
pesar de su similitud, el desempeño en general del sistema de control optimizado
mediante el método de entropía cruzada, es ligeramente superior al resto de técnicas
utilizadas, además de ofrecer una muy buena relación tiempo de cómputo y total de
parámetros de ajuste del método requeridos.
El algoritmo de entropía cruzada ofrece un tiempo de cómputo menor que el método
de temple simulado y menor que los algoritmos genéticos, y por otra parte, tiene menos
parámetros de ajuste que el método de algoritmos genéticos. Sin embargo, ha de
destacarse que la comparativa basada en el tiempo de cómputo puede resultar un tanto
engañosa, porque no se ha tenido en cuenta en la comparación, por ejemplo, el tiempo total
empleado, durante todo el procedimiento de ajuste mediante cada estrategia de optimización,
para obtener el mejor conjunto sub-óptimo de los parámetros del controlador (factores de
escala).
Además, la validación de las estrategias mediante su implementación en tiempo real,
también ha dado la posibilidad de realizar estudios comparativos entre las estrategias basadas
en técnicas de soft-computing, las estrategias lineales y el proceso de taladrado a lazo de
control abierto. Los estudios comparativos se han basado en la cuantificación del
cumplimiento de los objetivos de control, a partir de cifras de méritos que caracterizan el
comportamiento dinámico de sistemas de control, como el máximo sobrepaso de la fuerza de
corte (variable controlada del sistema de control) y los valores medios de su error a estado
estacionario respecto a su valor deseado (ej., índices de desempeño ITAE, IAE, ITSE, entre
otros).

205
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

Las cifras de mérito han corroborado que de las estrategias diseñadas, las basadas en
técnicas del soft-computing, presentan un desempeño superior a las estrategias lineales,
al menos controlando operaciones de taladrado de alto rendimiento a lazo cerrado en
fase de simulación y en tiempo real. Esto hace que las estrategias de control no lineales,
basadas en técnicas de Inteligencia Artificial, puedan ser consideradas más efectivas
para hacer frente a la complejidad intrínseca de procesos físicos, como es el caso de los
procesos de fabricación estudiados en esta Tesis Doctoral, y conducen, por tanto, a una
mejoría sustancial de su funcionamiento y eficiencia.
Las estrategias computacionales diseñadas e implementadas, tanto basadas en
técnicas de control lineal como en técnicas de soft-computing, aplicadas a la optimización
del proceso de taladrado de alto rendimiento, constituyen, desde el punto de vista
científico y técnico, otras de las aportaciones de este trabajo. De forma resumida, las
contribuciones científico-técnicas realizadas en esta Tesis Doctoral han sido:
1. El diseño e implementación, en un lenguaje de alto rendimiento, de un modelo
computacional que emula el comportamiento de variables representativas en
procesos de fabricación. Análisis del caso particular de las fuerzas de corte en el
proceso de fresado de alta velocidad.
2. El diseño e implementación de un modelo dinámico computacionalmente eficiente de
un proceso de fabricación complejo. Aplicación al proceso de taladrado de alto
rendimiento.
3. El diseño e implementación de un modelo dinámico múltiple entrada-simple salida,
computacionalmente eficiente, de un proceso de fabricación complejo. Aplicación al
caso particular del proceso de fresado de alta velocidad.
4. El diseño e implementación de una estrategia de control lineal para la optimización
en tiempo real de un proceso de fabricación. Aplicación al caso particular del
proceso de taladrado de alto rendimiento.
5. El diseño e implementación de una estrategia de control por modelo interno, basada
en modelos híbridos neuro-borrosos, para la optimización en tiempo real de un
proceso de fabricación complejo. Aplicación al proceso de taladrado de alto
rendimiento.
6. El diseño e implementación de estrategias de control basadas en la hibridación entre
los sistemas de inferencia borrosa y métodos metaheurísticos, con vistas a optimizar
un proceso electromecánico complejo. En específico métodos de inspiración biológica
como los algoritmos genéticos, métodos basados en la simulación de procesos físicos
como el algoritmo de temple simulado y el algoritmo de entropía cruzada y métodos
de búsqueda directa como el algoritmo de Nelder-Mead. Aplicación de estas

206 Conclusiones
 Raúl M. del Toro

estrategias al caso particular del control en tiempo real del proceso de taladrado de
alto rendimiento.
7. El desarrollo de un estudio comparativo entre técnicas de soft-computing y
estrategias lineales para el control en tiempo real de un proceso de fabricación
complejo.
8. El desarrollo de un estudio comparativo de los resultados obtenidos de la aplicación
de las técnicas de optimización al ajuste de un sistema de inferencia borrosa aplicado
al control de un proceso de fabricación complejo.

Lista de publicaciones
Algunas de las contribuciones científicas y técnicas realizadas durante toda la etapa de
investigación de esta Tesis Doctoral, han sido puestas a consideración por la comunidad
científica en diferentes publicaciones realizadas, ya sea en artículos de revistas indexadas
(SCI, Science Citation Index), actas de congresos científicos o en patentes solicitadas, las
cuales se relacionan a continuación.
Artículos en revistas SCI:

R. E. Haber, A. Gajate, S. Y. Liang, R. Haber-Haber, and R. M. del Toro, "An Optimal
Fuzzy Controller for a High-Performance Drilling Process Implemented over an
Industrial Network," International Journal of Innovative Computing, Information and
Control, vol. 7, March 2011 (In Press).

A. Gajate, R. Haber, R. del Toro, P. Vega, and A. Bustillo, "Tool wear monitoring
using neuro-fuzzy techniques: a comparative study in a turning process," Journal of
Intelligent Manufacturing, pp. 1-14, 2010.

R. E. Haber, R. M. del Toro, and A. Gajate, "Optimal fuzzy control system using the
cross-entropy method. A case study of a drilling process," Information Sciences, vol.
180, pp. 2777-2792, 2010.

A. Gajate, R. E. Haber, and R. M. del Toro, "Neurofuzzy Drilling Force-Based Control
in an Ethernet-Based Application," International Journal of Innovative Computing,
Information and Control, vol. 6, pp. 373–386, January 2010.

R. M. del Toro-Matamoros, R. E. Haber, J. Pamies, and A. Bustillo, "Modelling and
simulation of the high-speed milling process based on MATLAB-SIMULINK," Revista
de Metalurgia, vol. 44, pp. 176-188, 2008.

207
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

R. Haber-Haber, R. Haber, M. Schmittdiel, and R. M. del Toro, "A classic solution for
the control of a high-performance drilling process," International Journal of Machine
Tools and Manufacture, vol. 47, pp. 2290-2297, 2007.

Artículos en actas de congresos:

R. E. Haber, R. Haber-Haber, R. M. del Toro, and J. R. Alique, "Using simulated
annealing for optimal tuning of a PID controller for time-delay systems. An application
to a high-performance drilling process," in Lecture Notes in Computer Science
(including sub series Lecture Notes in Artificial Intelligence and Lecture Notes in
Bioinformatics). vol. 4507 LNCS San Sebastian, 2007, pp. 1155-1162.

R. del Toro, M. Schmittdiel, R. Haber-Guerra and R. Haber-Haber, "System
identification of the high performance drilling process for network-based control," in
Proc. of ASME IDETC 2007: 21st. Biennial Conference on Mechanical Vibration and
Noise (VIB) Las Vegas, NV, USA, 2007.

Patentes solicitadas:

R. E. Haber Guerra, F. Martínez Puente, R. M. del Toro, and B. Caballero Retamosa,
"Fuzzy logic-based control methods for drilling". Consejo Superior de Investigaciones
Científicas, Spain. PCT/ES2008/070039, 2008 (Pendiente).

R. E. Haber Guerra, F. Martínez Puente, R. M. del Toro, M. C. Schmittdiel, and D.
Martín Andrés. "Modelling method and system for drilling processes". Consejo Superior
de Investigaciones Científicas, Spain. PCT/ES2008/070038, 2008 (Pendiente).

Trabajo futuro
El desarrollo de esta Tesis Doctoral ha sido fruto de trabajos de investigación enfocados,
principalmente, en el campo de los sistemas de control inteligente y su aplicación a la
optimización de procesos complejos, basándose fundamentalmente en el desarrollo de
estrategias de hibridación de técnicas del soft-computing.
A pesar de los resultados alcanzados y las contribuciones realizadas, esta disertación sólo
constituye una etapa dentro de una línea de investigación más amplia, cuyo objetivo principal
apunta hacia el desarrollo de un método para el diseño de un sistema de control cognitivo
artificial, basado en modelos internos, para procesos de mecanizado de alto rendimiento.
Desde el punto de vista científico, el objetivo es evolucionar los controladores inteligentes a

208 Conclusiones
 Raúl M. del Toro

partir de la imitación de la evolución de la mente biológica, incorporando estrategias de

competición como aspecto clave en los sistemas cognitivos. En específico, se pretende dotar a
estos sistemas de capacidades self-* (auto-optimización, auto-adaptación, auto-configuración
y auto-aprendizaje) más eficientes.
Como paso siguiente las estrategias de optimización de mayor eficiencia computacional,
serán integradas en sistemas intermediarios con especificaciones de tiempo real. Esto
permitirá el desarrollo de unidades neuro-borrosas auto-optimizadas dotadas de
razonamiento inductivo y transductivo.
El desarrollo de estas unidades puede estar basado en el diseño de estrategias de control
borrosas que aprovechen las capacidades, tanto de las redes neuronales artificiales, como de
las técnicas metaheurísticas. Como se ha comentado en la literatura con anterioridad y se ha
demostrado en el desarrollo de este trabajo, el empleo de técnicas metaheurísticas para ajustar
los parámetros (ej., factores de escala) y la utilización de las redes neuronales adaptativas para
ajustar las funciones de pertenencia, causando efectos “macroscópicos” y “mesoscópicos” en
la base de reglas, puede contribuir a una mejora de la eficiencia en la representación del
conocimiento, debido a que podría lograrse un mayor refinamiento en el ajuste de la base de
conocimientos de los sistemas de inferencia borrosa.

209
 BIBLIOGRAFÍA

[1] E. Commission, "MANUFUTURE: A vision for 2020, Assuring the future of

manufacturing in Europe," Office for Official Publications of the EC, p. 20 2004.
[2] "Sistema de control cognitivo en red para procesos de mecanizado de alto rendimiento
(COGNETCON)," Ministerio de Ciencia e Innovación. DPI2008-01978, 2009 - 2011.
[3] R. E. Haber, C. R. Peres, A. Alique, S. Ros, C. González, and J. R. Alique, "Toward
intelligent machining: Hierarchical fuzzy control for the end milling process," IEEE
Transactions on Control Systems Technology, vol. 6, pp. 188-199, 1998.
[4] L. A. Zadeh, "Soft computing and fuzzy logic," IEEE Software, vol. 11, pp. 48-56,
1994.
[5] J. L. Verdegay, "De los conjuntos fuzzy a la Soft Computing," Ágora, Papeles de
Filosofía, vol. 24, pp. 29-48, 2005.
[6] L. A. Zadeh, "Some reflections on soft computing, granular computing and their roles
in the conception, design and utilization of information/intelligent systems," Soft
Computing - A Fusion of Foundations, Methodologies and Applications, vol. 2, pp.
23-25, 1998.
[7] P. P. Bonissone, Y. U. T. O. Chen, K. Goebel, and P. S. Khedkar, "Hybrid soft
computing systems: Industrial and commercial applications," Proceedings of the
IEEE, vol. 87, pp. 1641-1667, 1999.
[8] J. L. Verdegay, R. R. Yager, and P. P. Bonissone, "On heuristics as a fundamental
constituent of soft computing," Fuzzy Sets and Systems, vol. 159, pp. 846-855, Apr
2008.
[9] F. Glover, "Future paths for integer programming and links to artificial intelligence,"
Computers and Operations Research, vol. 13, pp. 533-549, 1986.
[10] I. H. Osman and G. Laporte, "Metaheuristics: A bibliography," Annals of Operations
Research, vol. 63, pp. 513-623, 1996.

211
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

[11] M. Dorigo and M. Birattari, "Swarm intelligence," Scholarpedia, vol. 2(9), 2007.
[12] E. Bonabeau, M. Dorigo, and G. Theraulaz, Swarm Intelligence: From Natural to
Artificial System. New York: Oxford University Press, 1999.
[13] M. Dorigo, V. Maniezzo, and A. Colorni, "Ant system: Optimization by a colony of
cooperating agents," IEEE Transactions on Systems, Man, and Cybernetics, Part B:
Cybernetics, vol. 26, pp. 29-41, 1996.
[14] J. Kennedy and R. Eberhart, "Particle swarm optimization," in IEEE International
Conference on Neural Networks - Conference Proceedings, Perth, Aust, 1995, pp.
1942-1948.
[15] T. Weise, "Global Optimization Algorithms. Theory and Application," http://www.it-
weise.de, 2009.
[16] S. J. Russell and P. Norvig, Artificial Intelligence: A Modern Approach., 2nd ed.:
Prentice Hall, 2002.
[17] V. Černý, "Thermodynamical approach to the traveling salesman problem: An
efficient simulation algorithm," Journal of Optimization Theory and Applications, vol.
45, pp. 41-51, 1985.
[18] S. Kirkpatrick, C. D. Gelatt Jr, and M. P. Vecchi, "Optimization by Simulated
Annealing," Science, vol. 220, pp. 671-680, 1983.
[19] F. Glover, "Future paths for integer programming and links to artificial intelligence,"
Computers & Operations Research, vol. 13, pp. 533-549, 1986.
[20] R. Y. Rubinstein, "Optimization of computer simulation models with rare events,"
European Journal of Operational Research, vol. 99, pp. 89-112, 1997.
[21] J. Nelder and R. Mead, "A simplex method for function minimization," Computer
Journal, vol. 7, pp. 308-313, 1965.
[22] P. P. Bonissone, "Hybrid Soft Computing Systems: Where Are We Going?," in
Proceedings of the 14th European Conference on Artificial Intelligence (ECAI 2000),
Berlin, Germany, 2000, pp. 739-746.
[23] E. H. Mamdani and S. Assilian, "EXPERIMENT IN LINGUISTIC SYNTHESIS
WITH A FUZZY LOGIC CONTROLLER," International Journal of Man-Machine
Studies, vol. 7, pp. 1-13, 1975.
[24] T. Takagi and M. Sugeno, "Fuzzy identification of systems and its applications to
modeling and control," IEEE Transactions on Systems, Man and Cybernetics, vol. 15,
pp. 116-132, 1985.
[25] M. Sugeno and G. T. Kang, "Structure identification of fuzzy model," Fuzzy Sets and
Systems, vol. 28, pp. 15-33, 1988.
[26] J. Moody and C. J. Darken, "Fast Learning in Networks of Locally-Tuned Processing
Units," Neural Computation, vol. 1, pp. 281-294, 1989.
[27] W. T. Miller Iii, F. H. Glanz, and L. G. Kraft Iii, "CMAC: An associative neural
network alternative to backpropagation," Proceedings of the IEEE, vol. 78, pp. 1561-
1567, 1990.

212 Bibliografía
 Raúl M. del Toro

[28] R. R. Selmic and F. L. Lewis, "Neural-network approximation of piecewise

continuous functions: Application to friction compensation," IEEE Transactions on
Neural Networks, vol. 13, pp. 745-751, 2002.
[29] R. Griñó, G. Cembrano, and C. Torras, "Nonlinear system identification using additive
dynamic neural networks - two on-line approaches," IEEE Transactions on Circuits
and Systems I: Fundamental Theory and Applications, vol. 47, pp. 150-165, 2000.
[30] B. Kosko, Neural Networks and Fuzzy Systems: A Dynamical Systems Approach to
Machine Intelligence: Prentice Hall, 1991.
[31] T. Kohonen, "Self-organized formation of topologically correct feature maps,"
Biological Cybernetics, vol. 43, pp. 59-69, 1982.
[32] J. J. Hopfield, "Neural networks and physical systems with emergent collective
computational abilities," Proceedings of the National Academy of Sciences of the
United States of America, vol. 79, pp. 2554-2558, 1982.
[33] G. A. Carpenter and S. Grossberg, "A massively parallel architecture for a self-
organizing neural pattern recognition machine," Computer Vision, Graphics and
Image Processing, vol. 37, pp. 54-115, 1987.
[34] S. Hochreiter and J. Schmidhuber, "Long Short-Term Memory," Neural Computation,
vol. 9, pp. 1735-1780, 1997.
[35] J. Zhao and J. Shawe-Taylor, "Stochastic connection neural networks," in Artificial
Neural Networks, 1995., Fourth International Conference on, 1995, pp. 35-39.
[36] D. E. Goldberg, Genetic Algorithms in Search, Optimization & Machine Learning:
Addison-Wesley Publishing Co., 1989.
[37] J. R. Koza, Genetic programming: on the programming of computers by means of
natural selection, 4th ed.: The MIT press, 1992.
[38] L. J. Fogel, "On the organization of intellect," Los Angeles, California, USA: UCLA
University of California, 1964.
[39] I. Rechenberg, Cybernetic Solution Path of an Experimental Problem: Royal Aircraft
Establishment. Translation No. 1122, 1965.
[40] L. A. Zadeh, "Probability measures of Fuzzy events," Journal of Mathematical
Analysis and Applications, vol. 23, pp. 421-427, 1968.
[41] P. Smets, "The degree of belief in a fuzzy event," Information Sciences, vol. 25, pp. 1-
19, 1981.
[42] D. J. Montana and L. Davis, "Training feedforward neural networks using genetic
algorithms ." in Proceedings of the 11th International Joint Conference on Artificial
Intelligence (IJCAI-89), San Francisco, CA, 1989, pp. 762-767.
[43] D. B. Fogel, L. J. Fogel, and V. W. Porto, "Evolutionary methods for training neural
networks," in IEEE Conference on Neural Networks for Ocean Engineering,
Washington, DC, USA, 1991, pp. 317-327.
[44] J. R. McDonnell and D. Waagen, "Evolving neural network connectivity," in IEEE
International Conference on Neural Networks (ICNN’93), San Francisco, CA, 1993,
pp. 863-868.

213
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

[45] V. Maniezzo, "Genetic evolution of the topology and weight distribution of neural
networks," IEEE Transactions on Neural Networks, vol. 5, pp. 39-53, 1994.
[46] R. A. Jacobs, "Increased rates of convergence through learning rate adaptation,"
Neural Networks, vol. 1, pp. 295-307, 1988.
[47] P. Arabshahi, J. J. Choi, R. J. Marks, and T. P. Caudell, "Fuzzy control of
backpropagation," in IEEE International Conference on Fuzzy Systems (FUZZ-
IEEE'92), San Diego, CA, USA, 1992, pp. 967-972.
[48] F. Herrera and M. Lozano, "Adaptive genetic algorithms based on fuzzy techniques,"
in Information Processing and Management of Uncertainly in Knowledge-Based
Systems (IPMU'96), Granada, Spain, 1996, pp. 775-780.
[49] R. Kruse, "Fuzzy neural network," Scholarpedia, vol. 3(11), 2008.
[50] D. Nauck, "A Fuzzy Perceptron as a Generic Model for Neuro-Fuzzy Approaches," in
Proceedings of Fuzzy-systeme'94, Second GI-workshop, Munich, 1994.
[51] D. Nauck and R. Kruse, "Neuro-Fuzzy Classification with NEFCLASS," in
Operations Research Proceedings 1995, Berlin, 1996, pp. 294-299.
[52] J.-S. R. Jang, "ANFIS: adaptive-network-based fuzzy inference system," IEEE
Transactions on Systems, Man and Cybernetics, vol. 23, pp. 665-685, 1993.
[53] J. S. R. Jang and C. T. Sun, "Functional equivalence between radial basis function
networks and fuzzy inference systems," Neural Networks, IEEE Transactions on, vol.
4, pp. 156-159, 1993.
[54] H. Bersini, G. Bontempi, and C. Decaestecker, "Comparing RBF and fuzzy inference
systems on theoretical and practical basis," Proc. Int. Conf. Artificial Neural
Networks. ICANN '95, vol. 1, pp. 169-174, 1995.
[55] O. Cordón, F. Herrera, and M. Lozano, "A Classified Review On The Combination
Fuzzy Logic-Genetic Algorithms Bibliography: 1989 -1995," Dept. of Computer
Science and A.I., University of Granada. Technical Report DECSAI-95129, December
1996.
[56] C. L. Karr, "Design of an adaptive fuzzy logic controller using genetic algorithms," in
Proc. Int. Conf. Genetic Algorithms (ICGA’91), San Diego, CA, 1991, pp. 450–456.
[57] M. A. Lee and H. Tagaki, "Dynamic control of genetic algorithm using fuzzy logic
techniques," in Proc. 5th Int. Conf. Genetic Algorithms., San Mateo, CA, 1992, pp.
76–83.
[58] P. P. Bonissone, P. S. Khedkar, and Y. Chen, "Genetic algorithms for automated
tuning of fuzzy controllers: a transportation application," in Proceedings of the Fifth
IEEE International Conference on Fuzzy Systems (FUZZ-IEEE’96), New Orleans,
LA, 1996, pp. 674-680.
[59] L. Zheng, "A practical guide to tune of proportional and integral (PI) like fuzzy
controllers," in IEEE International Conference on Fuzzy Systems, 1992, pp. 633-640.
[60] M. Correa, C. Bielza, M. D. J. Ramirez, and J. R. Alique, "A Bayesian network model
for surface roughness prediction in the machining process," International Journal of
Systems Science, vol. 39, pp. 1181-1192, 2008.

214 Bibliografía
 Raúl M. del Toro

[61] E. B. Flynn and M. D. Todd, "Bayesian probabilistic structural modeling for optimal
sensor placement in ultrasonic guided wave-based structural health monitoring," in
Proceedings of SPIE - The International Society for Optical Engineering, San Diego,
CA, 2010.
[62] P. Elliott and B. Williams, "DNNF-based belief state estimation," in Proceedings of
the National Conference on Artificial Intelligence, Boston, MA, 2006, pp. 36-41.
[63] C. Alippi and V. Piuri, "Experimental neural networks for prediction and
identification," IEEE Transactions on Instrumentation and Measurement, vol. 45, pp.
670-676, 1996.
[64] D. W. Coit, B. T. Jackson, and A. E. Smith, "Static neural network process models:
Considerations and case studies," International Journal of Production Research, vol.
36, pp. 2953-2967, 1998.
[65] C. Feng, X. Wang, and Z. Yu, "Neural networks modelling of honing surface
roughness parameter defined by ISO 13565," SIAM Journal of Manufacturing
Systems, vol. 21, pp. 1-35, 2002.
[66] C. Barnes, S. Brown, G. Flake, R. Jones, M. O. Rourke, and Y. C. Lee, "Applications
of neural networks to process control and modelling," Artificial Neural Networks,
Proceedings of 1991 Internal. Conf. Artif. Neur. Nets, vol. 1, pp. 321-326, 1991.
[67] K. J. Hunt, D. Sbarbaro, R. Zbikowski, and P. J. Gawthrop, "Neural networks for
control systems - A survey," Automatica, vol. 28, pp. 1083-1112, 1992.
[68] L. Jin, P. N. Nikiforuk, and M. M. Gupta, "Dynamic recurrent neural networks for
control of unknown nonlinear systems," Journal of Dynamic Systems, Measurement
and Control, Transactions of the ASME, vol. 116, pp. 567-576, 1994.
[69] K. S. Narendra and K. Parthasarathy, "Identification and control of dynamical systems
using neural networks," IEEE Transactions on Neural Networks, vol. 1, pp. 4-27,
1990.
[70] R. Babuska and H. B. Verbruggen, "An overview of fuzzy modeling for control,"
Control Engineering Practice, vol. 4, pp. 1593-1606, 1996.
[71] R. E. Haber, A. Alique, J. R. Alique, R. Haber-Haber, and S. Ros, "Current trends and
future developments of new control systems based on fuzzy logic and their application
to high speed machining," Revista de Metalurgia (Madrid), vol. 38, pp. 124-133,
2002.
[72] M. Santos, R. López, and J. M. De La Cruz, "A neuro-fuzzy approach to fast ferry
vertical motion modelling," Engineering Applications of Artificial Intelligence, vol.
19, pp. 313-321, 2006.
[73] M. A. Denaï, F. Palis, and A. Zeghbib, "Modeling and control of non-linear systems
using soft computing techniques," Applied Soft Computing Journal, vol. 7, pp. 728-
738, 2007.
[74] F. C. Sun, Z. Q. Sun, and H. X. Li, "Stable adaptive controller design of robotic
manipulators via neuro-fuzzy dynamic inversion," Journal of Robotic Systems, vol. 22,
pp. 809-819, 2005.

215
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

[75] A. M. Shahri, B. J. Evans, and F. Naghdy, "Neuro-fuzzy adaptive torque control of a

SCARA robot," in Proceedings of the Australian and New Zealand Conference on
Intelligent Information Systems, Adelaide, Aust, 1996, pp. 241-244.
[76] X. J. Liu, F. Lara-Rosano, and C. W. Chan, "Model-reference adaptive control based
on neurofuzzy networks," IEEE Transactions on Systems, Man and Cybernetics Part
C: Applications and Reviews, vol. 34, pp. 302-309, 2004.
[77] R. E. Haber, J. R. Alique, A. Alique, and R. H. Haber, "Controlling a complex
electromechanical process on the basis of a neurofuzzy approach," Future Generation
Computer Systems, vol. 21, pp. 1083-1095, 2005.
[78] W. A. Farag, V. H. Quintana, and G. Lambert-Torres, "A genetic-based neuro-fuzzy
approach for modeling and control of dynamical systems," IEEE Transactions on
Neural Networks, vol. 9, pp. 756-767, 1998.
[79] B. Carse, T. C. Fogarty, and A. Munro, "Evolving fuzzy rule based controllers using
genetic algorithms," Fuzzy Sets and Systems, vol. 80, pp. 273-293, 1996.
[80] A. C. Nearchou, "Adaptive navigation of autonomous vehicles using evolutionary
algorithms," Artificial Intelligence in Engineering, vol. 13, pp. 159-173, 1999.
[81] D. Martín, R. Del Toro, R. Haber, and J. Dorronsoro, "Optimal tuning of a networked
linear controller using a multi-objective genetic algorithm and its application to one
complex electromechanical process," International Journal of Innovative Computing,
Information and Control, vol. 5, pp. 3405-3414, 2009.
[82] S. Y. Liang, R. L. Hecker, and R. G. Landers, "Machining process monitoring and
control: The state-of-the-art," Journal of Manufacturing Science and Engineering,
Transactions of the ASME, vol. 126, pp. 297-310, 2004.
[83] R. Bueno, "Tendencias en los procesos de mecanizado," in I Congreso Internacional
de Diseño, Tecnologías e Ingeniería de Producto (Protodesign) Valencia, Spain:
http://www.interempresas.net, 2003.
[84] "Remoción de Material: Mecanizado no Tradicional," Facultad de Ingeniería.
Universidad Nacional de la Pampa.
http://www.ing.unlpam.edu.ar/~material/tecmecanica/material.
[85] E. P. DeGarmo, J. T. Black, and R. A. Kohser, Materiales y procesos de fabricación,
2nd ed. vol. 1. Barcelona: Reverte, S.A., 1994.
[86] L. N. López de Lacalle Marcaide, J. A. Sánchez Galíndez, and A. Lamikiz Menchaca,
Mecanizado de alto rendimiento. Procesos de arranque: Ediciones Técnicas Ízaro,
2004.
[87] G. Byrne, D. Dornfeld, and B. Denkena, "Advancing cutting technology," CIRP
Annals - Manufacturing Technology, vol. 52, pp. 483-507, 2003.
[88] K. L. Petri, R. E. Billo, and B. Bidanda, "A Neural Network Process Model for
Abrasive Flow Machining Operations," Journal of Manufacturing Systems, vol. 17,
pp. 52-64, 1998.
[89] H. C. Zhang and S. H. Huang, "Applications of neural networks in manufacturing: A
state-of-the-art survey," International Journal of Production Research, vol. 33, pp.
705-728, 1995.

216 Bibliografía
 Raúl M. del Toro

[90] Z. J. Viharos, L. Monostori, and S. Markos, "Selection of input and output variables of
ANN based modeling of cutting processes," Proceedings of the X. Workshop on
Supervising and Diagnostics of Machining Systems of CIRP, vol. 26, p. 121, 1999.
[91] G. Sathyanarayanan, I. J. Lin, and M.-K. Chen, "Neural network modelling and
multiobjective optimization of creep feed grinding of superalloys," International
Journal of Production Research, vol. 30, pp. 2421-2438, 1992.
[92] R. K. Jain, V. K. Jain, and P. K. Kalra, "Modelling of abrasive flow machining
process: A neural network approach," Wear, vol. 231, pp. 242-248, 1999.
[93] W. Grzesik and S. Brol, "Hybrid approach to surface roughness evaluation in
multistage machining processes," Journal of Materials Processing Technology, vol.
134, pp. 265-272, 2003.
[94] Y. C. Shin and P. Vishnupad, "Neuro-fuzzy control of complex manufacturing
processes," International Journal of Production Research, vol. 34, pp. 3291-3309,
1996.
[95] Y. T. Chen and S. R. T. Kumara, "Fuzzy logic and neural networks for design of
process parameters: A grinding process application," International Journal of
Production Research, vol. 36, pp. 395-415, 1998.
[96] R. J. Kuo and P. H. Cohen, "Manufacturing process control through integration of
neural networks and fuzzy model," Fuzzy Sets and Systems, vol. 98, pp. 15-31, 1998.
[97] M. K. Kamatala, E. T. Baumgartner, and K. S. Moon, "Turned surface finish
prediction based on fuzzy logic theory," Proceedings of the 20th International
Conference on Computer and Industrial Engineering, vol. 1, pp. 101-104, 1996.
[98] K. Hashmi, M. A. El Baradie, and M. Ryan, "Fuzzy logic based intelligent selection of
machining parameters," Computers and Industrial Engineering, vol. 35, pp. 571-574,
1998.
[99] M. Milfelner, J. Kopac, F. Cus, and U. Zuperl, "Genetic equation for the cutting force
in ball-end milling," Journal of Materials Processing Technology, vol. 164-165, pp.
1554-1560, 2005.
[100] T. M. A. Maksoud and M. R. Atia, "Review of intelligent grinding and dressing
operations," Machining Science and Technology, vol. 8, pp. 263-276, 2004.
[101] C. S. Rao and R. R. Srikant, "Tool wear monitoring - An intelligent approach,"
Proceedings of the Institution of Mechanical Engineers, Part B: Journal of
Engineering Manufacture, vol. 218, pp. 905-912, 2004.
[102] P. Fu and A. D. Hope, "An intelligent signal feature pattern recognition architecture
for condition monitoring of automatic machining processes," in Proceedings - 2004
International Conference on Intelligent Mechatronics and Automation, Chengdu,
2004, pp. 552-556.
[103] Y. M. Ali and L. C. Zhang, "A fuzzy model for predicting burns in surface grinding of
steel," International Journal of Machine Tools and Manufacture, vol. 44, pp. 563-571,
2004.

217
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

[104] M. Liang, T. Yeap, and A. Hermansyah, "A fuzzy system for chatter suppression in
end milling," Proceedings of the Institution of Mechanical Engineers, Part B: Journal
of Engineering Manufacture, vol. 218, pp. 403-417, 2004.
[105] R. E. Haber and A. Alique, "Intelligent process supervision for predicting tool wear in
machining processes," Mechatronics, vol. 13, pp. 825-849, 2003.
[106] W. L. R. Ip, "A fuzzy basis material removal optimization strategy for sculptured
surface machining using ball-nosed cutters," International Journal of Production
Research, vol. 36, pp. 2553-2571, 1998.
[107] Y. H. Lee, B. H. Yang, and K. S. Moon, "An economic machining process model
using fuzzy non-linear programming and neural network," International Journal of
Production Research, vol. 37, pp. 835-847, 1999.
[108] H. Al-Wedyan, K. Demirli, and R. Bhat, "A technique for fuzzy logic modeling of
machining process," in Annual Conference of the North American Fuzzy Information
Processing Society - NAFIPS, Vancouver, BC, 2001, pp. 3021-3026.
[109] G. G. Wang and S. Q. Xie, "Optimal process planning for a combined punch-and-laser
cutting machine using ant colony optimization," International Journal of Production
Research, vol. 43, pp. 2195-2216, 2005.
[110] G. Skrabalak, M. Zybura-Skrabalak, and A. Ruszaj, "Building of rules base for fuzzy-
logic control of the ECDM process," Journal of Materials Processing Technology,
vol. 149, pp. 530-535, 2004.
[111] A. Behrens and J. Ginzel, "Neuro-fuzzy process control system for sinking EDM,"
Journal of Manufacturing Processes, vol. 5, pp. 33-39, 2003.
[112] X. Shi, P. Schillings, and D. Boyd, "Applying artificial neural networks and virtual
experimental design to quality improvement of two industrial processes,"
International Journal of Production Research, vol. 42, pp. 101-118, 2004.
[113] B. F. Yousef, G. K. Knopf, E. V. Bordatchev, and S. K. Nikumb, "Neural network
modeling and analysis of the material removal process during laser machining,"
International Journal of Advanced Manufacturing Technology, vol. 22, pp. 41-53,
2003.
[114] Z. C. Lin and C. Y. Liu, "Analysis and application of the adaptive neuro-fuzzy
inference system in prediction of CMP machining parameters," International Journal
of Computer Applications in Technology, vol. 17, pp. 80-89, 2003.
[115] N. Ding, L. Wang, G. Li, D. Chen, X. Li, and D. Zhang, "Human-machine intelligent
control system for grinding," Chinese Journal of Mechanical Engineering (English
Edition), vol. 17, pp. 26-29, 2004.
[116] J. Balic, "Neural-network-based numerical control for milling machine," Journal of
Intelligent and Robotic Systems: Theory and Applications, vol. 40, pp. 343-358, 2004.
[117] R. J. Lian, B. F. Lin, and J. H. Huang, "A grey prediction fuzzy controller for constant
cutting force in turning," International Journal of Machine Tools and Manufacture,
vol. 45, pp. 1047-1056, 2005.

218 Bibliografía
 Raúl M. del Toro

[118] "Sistema de control y supervisión en red basado en técnicas de Inteligencia Artificial

para optimizar procesos de mecanizado a alta velocidad (COREMAV)," Ministerio de
Educación y Ciencia. DPI2005-04298, 2006 - 2008.
[119] "Sistema de control y supervisión en red para optimizar procesos de fresado a alta
velocidad (COREFAV)," Ministerio de Educación y Ciencia. PROFIT. CIT-020400-
2005-6, 2005 - 2007.
[120] "Monitorización inteligente de los procesos de corte en la nano-escala en la
fabricación de componentes aeronáuticos especiales (NANOCUT-INT)," Ministerio
de Ciencia e Innovación.CIT420000-2008-13, 2008 - 2009.
[121] "Investigación Industrial sobre Monitorización Inteligente y en Red de Procesos de
Taladrado de Alto Rendimiento de Componentes Aeronáuticos Especiales
(MONINTDRILL)," FUAM 082100, 2009 - 2010.
[122] A. Isturiz, M. D. Riera, and J. M. Prado, "Experimental study of die filling in powder
metallurgy," Revista de Metalurgia, vol. SPEC. VOL., pp. 181-186, 2005.
[123] A. Ramírez, R. Morales, A. J. Morales, A. Ramos, and G. Solorio, "Development of
industry processes simulators. Part III (Continuous casting)," Revista de Metalurgia,
vol. 42, pp. 216-221, May-Jun 2006.
[124] A. Ramírez, R. Morales, A. Ramos, and G. Solorio, "Development of industry
processes simulators. Part I. (Continuous casting)," Revista de Metalurgia, vol. 42, pp.
203-208, May-Jun 2006.
[125] A. Ramírez, A. Mosqueda, V. Sauce, R. Morales, A. Ramos, and G. Solorio,
"Development of industry processes simulators. Part II (Continuous casting)," Revista
de Metalurgia, vol. 42, pp. 209-215, May-Jun 2006.
[126] M. A. Ramírez-Argaez, J. Tapia, J. Espinoza, and E. Alcantar, "Mathematical
modelling of mixing in gas stirred ladles," Revista de Metalurgia, vol. 42, pp. 56-75,
Jan-Feb 2006.
[127] L. Ljung, System identification: Theory for the user., 1st ed. New York: Prentice-Hall,
Englewood Cliffs, 1987.
[128] Y. Zhu, "Multivariable system identification for process control," Amsterdam:
Pergamon, 2001, p. 349.
[129] S. Chen, S. A. Billings, and W. Luo, "Orthogonal Least-Squares Methods and Their
Application to Non-Linear System-Identification," International Journal of Control,
vol. 50, pp. 1873-1896, Nov 1989.
[130] A. V. Oppenheim, R. W. Schafer, and J. R. Buck, Discrete-Time Signal Processing,
2nd ed. New Jersey: Prentice Hall, 1999.
[131] H. Kleines, J. Sarkadi, F. Suxdorf, and K. Zwoll, "Measurement of real-time aspects
of Simatic® PLC operation in the context of physics experiments," IEEE Transactions
on Nuclear Science, vol. 51, pp. 489-494, 2004.
[132] S. Vitturi, "Stochastic model of the profibus DP cycle time," Iee Proceedings-Science
Measurement and Technology, vol. 151, pp. 335-342, Sep 2004.

219
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

[133] M. Kupczyk and W. Misiak, "Tool life of the edges coated with the c-BN plus h-BN
coatings with different structures during hard machinable steel machining," Revista de
Metalurgia, vol. SPEC. VOL., pp. 483-487, 2005.
[134] J. M. Sánchez-Sola, M. A. Sebastián, M. S. Carrilero, J. M. González, and M. Marcos,
"Characterization of the built-up edge and the built-up layer in the machining process
of AA7050 alloy," Revista de Metalurgia, vol. SPEC. VOL., pp. 365-368, 2005.
[135] R. E. Haber, J. E. Jiménez, A. Jiménez, and J. López-Coronado, "Cutting force model
for high speed machining process," Revista de Metalurgia, vol. 40, pp. 247-258, Jul-
Aug 2004.
[136] J. L. Cantero, J. M. Sanchez-Sola, M. M. Tardio, M. A. Sebastian, M. S. Carrilero, M.
Marcos, and M. H. Miguelez, "Tool wear in the dry drilling of Ti-6Al-4V. A
SEM/EDS study," Revista de Metalurgia, vol. SPEC. VOL., pp. 355-360, 2005.
[137] M. Álvarez, M. S. Carrilero, J. E. Ares, J. M. González, and M. Marcos, "Influence of
the cutting speed-feed relation on the surface quality of drilled carbon fiber samples,"
Revista de Metalurgia, vol. SPEC. VOL., pp. 361-365, 2005.
[138] F. Cus, M. Milfelner, and J. Balic, "An intelligent system for monitoring and
optimization of ball-end milling process," Journal of Materials Processing
Technology, vol. 175, pp. 90-97, Jun 2006.
[139] B. M. Imani, M. H. Sadeghi, and M. A. Elbestawi, "An improved process simulation
system for ball-end milling of sculptured surfaces," International Journal of Machine
Tools & Manufacture, vol. 38, pp. 1089-1107, Sep 1998.
[140] S. Engin and Y. Altintas, "Mechanics and dynamics of general milling cutters. Part I:
helical end mills," International Journal of Machine Tools & Manufacture, vol. 41,
pp. 2195-2212, Dec 2001.
[141] M. H. Sadeghi, H. Haghighat, and M. A. Elbestawi, "A solid modeler based ball-end
milling process simulation," International Journal of Advanced Manufacturing
Technology, vol. 22, pp. 775-785, Dec 2003.
[142] E. E. M. Lim, H. Y. Feng, C. H. Menq, and Z. H. Lin, "The Prediction of Dimensional
Error for Sculptured Surface Productions Using the Ball-End Milling Process .1. Chip
Geometry Analysis and Cutting Force Prediction," International Journal of Machine
Tools & Manufacture, vol. 35, pp. 1149-1169, Aug 1995.
[143] Y. Altintas and P. Lee, "Mechanics and dynamics of ball end milling," Journal of
Manufacturing Science and Engineering, Transactions of the ASME, vol. 120, pp.
684-691, 1998.
[144] J. Tlusty and F. Ismail, "Special Aspects of Chatter in Milling," Journal of Vibration
Acoustics Stress and Reliability in Design-Transactions of the ASME, vol. 105, pp. 24-
32, 1983.
[145] Y. Altintas, Manufacturing Automation. Cambridge, United Kingdom: Cambridge
University Press, 2000.
[146] M. E. Martellotti, "An analysis of the milling process.," Transactions of the ASME,
vol. 63, pp. 677–700, 1941.

220 Bibliografía
 Raúl M. del Toro

[147] M. E. Martellotti, "An analysis of the milling process. Part II: down milling.,"
Transactions of the ASME, vol. 67, pp. 233–251, 1945.
[148] F. Abrari, M. A. Elbestawi, and A. D. Spence, "On the dynamics of ball end milling:
Modeling of cutting forces and stability analysis," International Journal of Machine
Tools & Manufacture, vol. 38, pp. 215-237, Mar 1998.
[149] X. W. Liu, K. Cheng, A. P. Longstaff, M. H. Widiyarto, and D. Ford, "Improved
dynamic cutting force model in ball-end milling. Part I: theoretical modelling and
experimental calibration," International Journal of Advanced Manufacturing
Technology, vol. 26, pp. 457-465, Sep 2005.
[150] R. F. Hamade and F. Ismail, "A case for aggressive drilling of aluminum," Journal of
Materials Processing Technology, vol. 166, pp. 86-97, Jul 2005.
[151] L. H. Wang, P. Orban, A. Cunningham, and S. Lang, "Remote real-time CNC
machining for web-based manufacturing," Robotics and Computer-Integrated
Manufacturing, vol. 20, pp. 563-571, Dec 2004.
[152] F. R. Biglari and X. D. Fang, "Real-Time Fuzzy-Logic Control for Maximizing the
Tool Life of Small-Diameter Drills," Fuzzy Sets and Systems, vol. 72, pp. 91-101, May
1995.
[153] M. Nouari, G. List, F. Girot, and D. Coupard, "Experimental analysis and optimisation
of tool wear in dry machining of aluminium alloys," Wear, vol. 255, pp. 1359-1368,
Aug-Sep 2003.
[154] R. G. Landers, A. G. Ulsoy, and Y. H. Ma, "A comparison of model-based machining
force control approaches," International Journal of Machine Tools & Manufacture,
vol. 44, pp. 733-748, Jun 2004.
[155] J. B. Kim, S. J. Lee, and Y. P. Park, "Stable and Efficient Drilling Process by Active
Control of the Thrust Force," Mechanical Systems and Signal Processing, vol. 8, pp.
585-595, Sep 1994.
[156] M. Elhachimi, S. Torbaty, and P. Joyot, "Mechanical modelling of high speed drilling.
1. Predicting torque and thrust," International Journal of Machine Tools &
Manufacture, vol. 39, pp. 553-568, Apr 1999.
[157] M. Elhachimi, S. Torbaty, and P. Joyot, "Mechanical modelling of high speed drilling.
2: Predicted and experimental results," International Journal of Machine Tools &
Manufacture, vol. 39, pp. 569-581, Apr 1999.
[158] Y. Sheng and M. Tomizuka, "Intelligent modeling of thrust force in drilling process,"
Journal of Dynamic Systems Measurement and Control-Transactions of the Asme, vol.
128, pp. 846-855, Dec 2006.
[159] R. E. Haber and J. R. Alique, "Nonlinear internal model control using neural
networks: an application for machining processes," Neural Computing & Applications,
vol. 13, pp. 47-55, Apr 2004.
[160] Y. M. Zhang, X. L. Lin, X. D. Wang, and G. Q. Cai, "The study on the dynamic
characteristic of high speed machine tool and experiment validate," in Advances in
Materials Manufacturing Science and Technology. vol. 471-472 Zurich-Uetikon:
Trans Tech Publications Ltd, 2004, pp. 765-769.

221
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

[161] Y. T. Oh, W. T. Kwon, and C. N. Chu, "Drilling torque control using spindle motor
current and its effect on tool wear," International Journal of Advanced Manufacturing
Technology, vol. 24, pp. 327-334, 2004.
[162] R. J. Furness, T. C. Tsao, J. S. Rankin, M. J. Muth, and K. W. Manes, "Torque control
for a form tool drilling operation," Ieee Transactions on Control Systems Technology,
vol. 7, pp. 22-30, Jan 1999.
[163] Y. T. Oh, G. D. Kim, and C. N. Chu, "Design of a drilling torque controller for a
machining center," International Journal of Advanced Manufacturing Technology,
vol. 22, pp. 329-335, Oct 2003.
[164] M. Pirtini and I. Lazoglu, "Forces and hole quality in drilling," International Journal
of Machine Tools & Manufacture, vol. 45, pp. 1271-1281, Sep 2005.
[165] J. Nilsson, B. Bernhardsson, and B. Wittenmark, "Stochastic analysis and control of
real-time systems with random time delays," Automatica, vol. 34, pp. 1154-1154, Sep
1998.
[166] L. A. Montestruque and P. Antsaklis, "Stability of model-based networked control
systems with time-varying transmission times," Ieee Transactions on Automatic
Control, vol. 49, pp. 1562-1572, Sep 2004.
[167] J. R. Dormand and P. J. Prince, "A family of embedded Runge-Kutta formulae,"
Journal of Computational and Applied Mathematics, vol. 6, pp. 19-26, 1980.
[168] R. M. Del Toro-Matamoros, R. E. Haber, J. Pamies, and A. Bustillo, "Modelling and
simulation of the high-speed milling process based on MATLAB-SIMULINK,"
Revista de Metalurgia, vol. 44, pp. 176-188, 2008.
[169] R. M. Del Toro, M. C. Schmittdiel, R. E. Haber-Guerra, and R. Haber-Haber, "System
identification of the high performance drilling process for network-based control," in
2007 Proceedings of the ASME International Design Engineering Technical
Conferences and Computers and Information in Engineering Conference, DETC2007,
Las Vegas, NV, 2008, pp. 827-834.
[170] K. J. Äström and T. Hagglund, PID controllers : theory, design, and tuning: Research
Triangle Park, NC : Instrument Society of America, 1995.
[171] A. Visioli, "Optimal tuning of PID controllers for integral and unstable processes,"
IEE Proceedings: Control Theory and Applications, vol. 148, pp. 180-184, 2001.
[172] B. Russell, "Vagueness," Australasian Journal of Philosophy and Psychology, vol. 1,
pp. 84-92, 1923.
[173] L. A. Zadeh, "OUTLINE OF A NEW APPROACH TO THE ANALYSIS OF
COMPLEX SYSTEMS AND DECISION PROCESSES," IEEE Transactions on
Systems, Man and Cybernetics, vol. SMC-3, pp. 28-44, 1973.
[174] L. A. Zadeh, "Fuzzy sets," Information and Control, vol. 8, pp. 338-353, 1965.
[175] R. M. Tong, "A control engineering review of fuzzy systems," Automatica, vol. 13,
pp. 559-569, 1977.
[176] M. Braae and D. A. Rutherford, "Theoretical and linguistic aspects of the fuzzy logic
controller," Automatica, vol. 15, pp. 553-577, 1979.

222 Bibliografía
 Raúl M. del Toro

[177] C. C. Lee, "Fuzzy logic in control systems: Fuzzy logic controller - Part I," IEEE
Transactions on Systems, Man and Cybernetics, vol. 20, pp. 404-418, 1990.
[178] C. Elkan, "Paradoxical success of fuzzy logic," in Proceedings of the National
Conference on Artificial Intelligence, Washington, DC, USA, 1993, pp. 698-703.
[179] P. Bernhard, "Fuzzy Control: Facts, Japan and Europe," TECNews, pp. 4-5, June 1992.
[180] A. Kaufmann, "Introduction to the Theory of Fuzzy Subsets.," New York: Academic
Press, 1975.
[181] H. Zimmermann, "Fuzzy Sets Theory and Its Applications," Kluwer Academic Pub.,
1985.
[182] D. Dubois and H. Prade, "Fuzzy sets, probability and measurement," European
Journal of Operational Research, vol. 40, pp. 135-154, 1989.
[183] C. C. Lee, "Fuzzy logic in control systems: Fuzzy logic controller - Part II," IEEE
Transactions on Systems, Man and Cybernetics, vol. 20, pp. 419-435, 1990.
[184] L. A. Zadeh, "Similarity relations and fuzzy orderings," Information Sciences, vol. 3,
pp. 177-200, 1971.
[185] L. A. Zadeh, "The concept of a linguistic variable and its application to approximate
reasoning-I," Information Sciences, vol. 8, pp. 199-249, 1975.
[186] R. E. Haber Guerra, "Control Jerárquico Inteligente. Aplicación al Proceso de
Fresado," in Dpto. de Automática, Ingeniería Electrónica e Informática Industrial.
vol. Ph D. Madrid: Universidad Politécnica de Madrid, E. T. S. de Ingenieros
Industriales, 1998.
[187] F. Matía and A. Jiménez, "On optimal implementation of fuzzy controllers," Int J
Intell Contr Syst, vol. 1, pp. 407-415, 1996.
[188] R. M. Tong, "The construction and evaluation of fuzzy models," Advances in Fuzzy
Set Theory and Applications, pp. 559-576, 1979.
[189] C. A. Cabezas and R. Haber, "Objetivación de los algoritmos de control borrosos," in
IV Congreso Latinoamericano de Control Automático Puebla, México, 1990.
[190] C. Rodríguez, R. Haber, and J. R. Alique, "Modeling of Machine-Tool Cutting
Process Applying Fuzzy Logic and Clustering Analysis," in II European Congress on
Intelligent Techniques and Soft Computing, EUFIT'94. vol. II Aachen, Germany,
1994, pp. 1071-1075.
[191] T. Takagi and M. Sugeno, "DERIVATION OF FUZZY CONTROL RULES FROM
HUMAN OPERATOR'S CONTROL ACTIONS," in IFAC Proceedings Series,
Marseille, Fr, 1984, pp. 55-60.
[192] W. Pedrycz, Fuzzy Control and Fuzzy Systems. New York: John Wiley & Sons, Inc.,
1989.
[193] P. J. King and E. H. Mamdani, "The application of fuzzy control systems to industrial
processes," Automatica, vol. 13, pp. 235-242, 1977.
[194] M. Braae and D. A. Rutherford, "Selection of parameters for a fuzzy logic controller,"
Fuzzy Sets and Systems, vol. 2, pp. 185-199, 1979.

223
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

[195] R. M. Tong, "FUZZY CONTROL SYSTEMS: A RETROSPECTIVE," in

Proceedings of the American Control Conference, San Francisco, CA, USA, 1983, pp.
1224-1229.
[196] M. Mizumoto and H. J. Zimmermann, "Comparison of fuzzy reasoning methods,"
Fuzzy Sets and Systems, vol. 8, pp. 253-283, 1982.
[197] L. I. Larkin, "A fuzzy logic controller for aircraft flight control," in Industrial
Applications of Fuzzy Control, 1985, pp. 87-104.
[198] J. M. Keller and D. J. Hunt, "INCORPORATING FUZZY MEMBERSHIP
FUNCTIONS INTO THE PERCEPTRON ALGORITHM," IEEE Transactions on
Pattern Analysis and Machine Intelligence, vol. PAMI-7, pp. 693-699, 1985.
[199] S. Mitra and S. K. Pal, "Fuzzy multi-layer perceptron, inferencing and rule
generation," IEEE Transactions on Neural Networks, vol. 6, pp. 51-63, 1995.
[200] J. Kim and N. Kasabov, "HyFIS: Adaptive neuro-fuzzy inference systems and their
application to nonlinear dynamical systems," Neural Networks, vol. 12, pp. 1301-
1319, 1999.
[201] D. Nauck, F. Klawonn, and R. Kruse, Foundations of Neuro-Fuzzy Systems: John
Wiley & Sons, Inc., 1997.
[202] L. X. Wang, A course in fuzzy systems and control: Prentice-Hall, Inc., 1997.
[203] N. K. Kasabov, J. Kim, M. J. Watts, and A. R. Gray, "FuNN/2 - A fuzzy neural
network architecture for adaptive learning and knowledge acquisition," Information
Sciences, vol. 101, pp. 155-175, 1997.
[204] N. K. Kasabov, "Learning fuzzy rules and approximate reasoning in fuzzy neural
networks and hybrid systems," Fuzzy Sets and Systems, vol. 82, pp. 135-149, 1996.
[205] N. K. Kasabov and Q. Song, "DENFIS: Dynamic evolving neural-fuzzy inference
system and its application for time-series prediction," IEEE Transactions on Fuzzy
Systems, vol. 10, pp. 144-154, 2002.
[206] Q. Song and N. Kasabov, "TWNFI - a transductive neuro-fuzzy inference system with
weighted data normalization for personalized modeling," Neural Networks, vol. 19,
pp. 1591-1596, 2006.
[207] R. Babuška and H. B. Verbruggen, "An overview of fuzzy modeling for control,"
Control Engineering Practice, vol. 4, pp. 1593-1606, 1996.
[208] J. S. R. Jang, C. T. Sun, and E. Mizutani, Neuro-Fuzzy and Soft Computing. New
Jersey, USA: Prentice-Hall, Inc., 1997.
[209] P. K. Dash, S. K. Panda, T. H. Lee, J. X. Xu, and A. Routray, "Fuzzy and neural
controllers for dynamic systems: An overview," in Proceedings of the International
Conference on Power Electronics and Drive Systems, Singapore, 1997, pp. 810-816.
[210] S. S. Rodil and M. J. Fuente, "Fault-tolerant nonlinear IMC control," Control IMC no
lineal tolerante a fallos, vol. 4, 2007.
[211] J. Vieira, F. M. Dias, and A. Mota, "Artificial neural networks and neuro-fuzzy
systems for modelling and controlling real systems: A comparative study,"
Engineering Applications of Artificial Intelligence, vol. 17, pp. 265-273, 2004.

224 Bibliografía
 Raúl M. del Toro

[212] S. Altug, M. Y. Chow, and H. Joel Trussell, "Fuzzy inference systems implemented on
neural architectures for motor fault detection and diagnosis," IEEE Transactions on
Industrial Electronics, vol. 46, pp. 1069-1079, 1999.
[213] L. C. Chang and F. J. Chang, "Intelligent control for modelling or real-time reservoir
operation," Hydrological Processes, vol. 15, pp. 1621-1634, 2001.
[214] S. Singer and J. Nelder, "Nelder-Mead algorithm," Scholarpedia, vol. 4(7), 2009.
[215] S. Kirkpatrick, C. D. Gelatt, and M. P. Vecchi, "Optimization by Simulated
Annealing," Science, vol. 220, pp. 671-680, 1983.
[216] J. H. Holland, Adaptation in natural and artificial system: an introduction with
application to biology, control and artificial intelligence: Ann Arbor, University of
Michigan Press, 1975.
[217] J. J. Grefenstette, " Genetic Algorithms and Their Applications," in Second
International Conference on Genetic Algorithms, Cambridge, MA, 1987.
[218] P. T. De Boer, D. P. Kroese, S. Mannor, and R. Y. Rubinstein, "A tutorial on the
cross-entropy method," Annals of Operations Research, vol. 134, pp. 19-67, 2005.
[219] R. Rubinstein and D. Kroese, The Cross-Entropy Method: A Unified Approach to
Combinatorial Optimization, Monte-Carlo Simulation and Machine Learning. Berlin,
Heidelberg, New York: Springer, 2004.
[220] T. G. Kolda, R. M. Lewis, and V. Torczon, "Optimization by direct search: New
perspectives on some classical and modern methods," SIAM Review, vol. 45, pp. 385-
482, 2003.
[221] J. C. Lagarias, J. A. Reeds, M. H. Wright, and P. E. Wright, "Convergence properties
of the Nelder-Mead simplex method in low dimensions," SIAM Journal on
Optimization, vol. 9, pp. 112-147, 1999.
[222] N. Metropolis, A. W. Rosenbluth, M. N. Rosenbluth, A. H. Teller, and E. Teller,
"Equation of state calculations by fast computing machines," The Journal of Chemical
Physics, vol. 21, pp. 1087-1092, 1953.
[223] W. K. Hastings, "Monte carlo sampling methods using Markov chains and their
applications," Biometrika, vol. 57, pp. 97-109, 1970.
[224] L. Ingber, "Adaptive simulated annealing (ASA): Lessons learned," in Polish Journal
Control and Cybernetics, 1995.
[225] J. d. D. Sanz Bobi, "Control de procesos basado en eventos mediante bases de
conocimiento borrosas y algoritmos genéticos," in Automática, Ingeniería Electrónica
e Informática Industrial Madrid: Universidad Politécnica de Madrid, 2001.
[226] R. C. Fernández, J. M. Luque, M. L. Gallego, A. T. González, and T. G. Nuñez,
"Algoritmos genéticos para la resolución de problemas de Programación por Metas
Entera. Aplicación a la Economía de la Educación.," in X JORNADAS MADRID 2002.
vol. Actas_10: Rect@: Revista Electrónica de Comunicaciones y Trabajos de
ASEPUMA, 2002, p. 42.
[227] D. E. Goldberg, "A comparison of selection schemes used in genetic algorithm," in
Foundations of Genetic Algorithms, G. E. Rawlins, Ed.: Morgan Kaufmann
Publishers, 1991, pp. 69-93.

225
Métodos clásicos y de soft-computing en la optimización de procesos complejos.

[228] J. H. Holland, K. J. Holyoak, R. E. Nisbett, and P. R. Thagard, Induction: Processes of

inference, learning, and discovery.: Cambridge, MA: MIT Press, 1986.
[229] J. J. Grefenstette, " Genetic Algorithms and Their Applications," in First International
Conference on Genetic Algorithms, Pittsburgh, PA, 1985.
[230] R. Rubinstein, "A stochastic minimum cross-entropy method for combinatorial
optimization and rare-event estimation," Methodology and Computing in Applied
Probability, vol. 7, pp. 5-50, 2005.
[231] D. P. Kroese, R. Y. Rubinstein, and T. Taimre, "Application of the cross-entropy
method to clustering and vector quantization," Journal of Global Optimization, vol.
37, pp. 137-157, 2007.
[232] R. Haber-Haber, R. Haber, M. Schmittdiel, and R. M. del Toro, "A classic solution for
the control of a high-performance drilling process," International Journal of Machine
Tools and Manufacture, vol. 47, pp. 2290-2297, 2007.
[233] K. J. Åström and T. Hägglund, "PID controllers: theory, design, and tuning," 3th ed:
International Society for Measurement and Control, 1998.
[234] A. Gajate, R. E. Haber, and R. M. del Toro, "Neurofuzzy Drilling Force-Based
Control in an Ethernet-Based Application," International Journal of Innovative
Computing, Information and Control, vol. 6, pp. 373–386, January 2010.
[235] R. Carotenuto, "An iterative system inversion technique," International Journal of
Adaptive Control and Signal Processing, vol. 15, pp. 85-91, 2001.
[236] R. E. Haber-Guerra, R. Haber-Haber, D. M. Andrés, and A. A. Palomar, "Networked
fuzzy control system for a high-performance drilling process," Journal of
Manufacturing Science and Engineering, Transactions of the ASME, vol. 130, pp.
0310091-0310096, 2008.
[237] F. L. Lewis and V. L. Syrmos, Optimal control. New York: Wiley-Interscience, 1995.
[238] R. Middleton and G. Goodwin, "Digital Control and Estimation: A unified approach,"
New York, 1990.
[239] R. R. Yager and D. Filev, "Essentials of Fuzzy Modeling and Control," John
Wiley&Sons Inc., 1994.
[240] E. H. Mamdani and S. Assilian, "An experiment in linguistic synthesis with a fuzzy
controller," International Journal of Man-Machine Studies, vol. 7, pp. 1-13, 1975.
[241] P. J. MacVicar-Whelan, "Fuzzy sets for a man-machine interactions," International
Journal of Man-Machine Studies, vol. 8, pp. 687-697, 1977.
[242] K. C. Lee, S. Lee, and M. H. Lee, "Remote fuzzy logic control of networked control
system via profibus-DP," IEEE Transactions on Industrial Electronics, vol. 50, pp.
784-792, 2003.
[243] O. Cordón, F. Herrera, and A. Peregrín, "Applicability of the fuzzy operators in the
design of fuzzy logic controllers," Fuzzy Sets and Systems, vol. 86, pp. 15-41, 1997.
[244] S. Roychowdhury and W. Pedrycz, "A survey of defuzzification strategies," Int.
Journal of Intelligent Systems, vol. 16, pp. 679-695, 2001.

226 Bibliografía
 Raúl M. del Toro

[245] T. C. Yang, "Networked control system: a brief survey," IEE Proceedings-Control

Theory and Applications, vol. 153, pp. 403-412, Jul 2006.
[246] A. Sala, T. M. Guerra, and R. Babuška, "Perspectives of fuzzy systems and control,"
Fuzzy Sets and Systems, vol. 156, pp. 432-444, 2005.
[247] J. M. A. Márquez, A. J. B. Piña, and M. E. G. Arias, "A general and formal
methodology to design stable nonlinear fuzzy control systems," IEEE Transactions on
Fuzzy Systems, vol. 17, pp. 1081-1091, 2009.
[248] R. E. Precup, S. Doboli, and S. Preitl, "Stability analysis and development of a class of
fuzzy control systems," Engineering Applications of Artificial Intelligence, vol. 13, pp.
237-247, 2000.
[249] D. Wang and C. B. Soh, "On regularizing singular systems by decentralized output
feedback," IEEE Transactions on Automatic Control, vol. 44, pp. 148-152, 1999.
[250] Y. Zhao and E. G. Collins Jr, "Fuzzy PI control design for an industrial weigh belt
feeder," IEEE Transactions on Fuzzy Systems, vol. 11, pp. 311-319, 2003.
[251] B. M. Mohan and A. Sinha, "Analytical structure and stability analysis of a fuzzy PID
controller," Applied Soft Computing Journal, vol. 8, pp. 749-758, 2008.
[252] R. E. Haber, G. Schmitt-Braess, R. H. Haber, A. Alique, and J. R. Alique, "Using
circle criteria for verifying asymptotic stability in Pl-like fuzzy control systems:
application to the milling process," IEE Proceedings-Control Theory and
Applications, vol. 150, pp. 619-627, Nov 2003.
[253] D. Y. Sun and P. M. Lin, "The solution of time optimal control problems by simulated
annealing," Journal of Chemical Engineering of Japan, vol. 39, pp. 753-766, 2006.
[254] R. E. Haber, R. M. del Toro, and A. Gajate, "Optimal fuzzy control system using the
cross-entropy method. A case study of a drilling process," Information Sciences, 2010.

227