Este documento propone un enfoque híbrido de aprendizaje por refuerzo Zeigler-Nichols (Z-N) para la ajuste en línea de los parámetros del Control Proporcional Integral Derivativo (PID) para controlar la velocidad de un motor de corriente continua. Los valores de los parámetros PID se establecen mediante el método Z-N y luego se adaptan en línea a través del agente de aprendizaje Q-Learning difuso. El agente de aprendizaje Q-Learning difuso se utiliza en lugar del Q-Learning convencional para manejar el espacio continuo de estados y acciones. El agente de aprendizaje Q-Learning difuso define su estado según el valor del error. La señal de salida del agente consta de tres variables de salida, en las que cada una define el cambio porcentual de cada parámetro. Cada parámetro puede aumentarse o disminuirse del 0% al 50% de su valor inicial. A través de este método, los parámetros del controlador se ajustan en línea mediante la interacción con el entorno. El conocimiento del experto no es una necesidad durante el proceso de configuración. Los resultados de la simulación resaltan el rendimiento de la estrategia de control propuesta. Después de la fase de exploración, el tiempo de establecimiento se reduce en los estados estables. En los estados transitorios, la respuesta tiene menos oscilaciones de amplitud y alcanza el punto de equilibrio más rápido que el controlador PID convencional.