You are on page 1of 64

LIBRO

LOGICA DIFUSA















PARTE I




Breve Curso de Lgica Difusa
y Control Difuso























Breve curso de Lgica difusa y control difuso

ndice
- Introduccin.
- Qu es un conjunto difuso?
- Operaciones con conjuntos difusos.
- El control difuso.
- Aplicaciones de la lgica difusa.
- Conclusin.
- Definiciones.

Introduccin
La lgica difusa (Fuzzy Logic) ha surgido como una herramienta lucrativa para el
control de subsistemas y procesos industriales complejos, as como tambin para
la electrnica de entretenimiento y hogar, sistemas de diagnstico y otros sistemas
expertos. Aunque la lgica difusa se invent en Estados Unidos el crecimiento
rpido de esta tecnologa ha comenzado desde Japn y ahora nuevamente ha
alcanzado USA y tambin Europa. La lgica difusa es todava un boom en Japn,
el nmero de cartas patentando aplicaciones aumenta exponencialmente.
Principalmente se trata de aplicaciones ms bien simples de lgica difusa.
Lo difuso ha llegado a ser una palabra clave para vender. Los artculos
electrnicos sin componentes difusos se estn quedando gradualmente
desfasados. Como una mordaza, que muestra la popularidad de la lgica difusa,
cada vez es ms frecuente un sello con "fuzzy logic" impreso sobre el producto.
En Japn la investigacin sobre lgica difusa es apoyada ampliamente con un
presupuesto enorme. En Europa y USA se estn realizando esfuerzos para
alcanzar al tremendo xito japons. Por ejemplo, la NASA emplea lgica difusa
para el complejo proceso de maniobras de acoplamiento.
La lgica difusa es bsicamente una lgica multievaluada que permite valores
intermedios para poder definir evaluaciones convencionales como s/no,
verdadero/falso, negro/blanco, etc. Las nociones como "ms bien caliente" o "poco
fro" pueden formularse matemticamente y ser procesados por computadoras. De
esta forma se ha realizado un intento de aplicar una forma ms humana de pensar
en la programacin de computadoras. La lgica difusa se inici en 1965 por Lotfi
A. Zadeh, profesor de ciencia de computadoras en la Universidad de California en
Berkeley.


Qu es un conjunto difuso?
La nocin ms bsica de sistemas difusos es un (sub)conjunto difuso.
Veamos un ejemplo:
En primer lugar consideramos un conjunto X con todos los nmeros reales entre 0
y 10 que nosotros llamado el universo de discurso. Ahora, definimos un
subconjunto A de X con todos nmeros reales en el rango entre 5 y 8.
A = [5,8]
Ahora mostramos el conjunto A por su funcin caracterstica, es decir esta funcin
asigna un nmero 1 o 0 al elemento en X, dependiendo de si el elemento est en
el subconjunto A o no. Esto conlleva a la figura siguiente:


Nosotros podemos interpretar los elementos que han asignado el nmero 1 como
los elementos que estn en el conjunto A y los elementos que han asignado el
nmero 0 como los elementos que no estn en el conjunto A.
Este concepto es suficiente para muchas reas de aplicacin. Pero nosotros
podemos encontrar fcilmente situaciones donde carece de flexibilidad. Para
comprender este concepto veamos un ejemplo:
Queremos describir el conjunto de gente joven. Ms formalmente nosotros
podemos denotar
B = {conjunto de gente joven}
Como - en general - la edad comienza en 0, el rango ms inferior de este conjunto
est claro. El rango superior, por otra parte, es ms bien complicado de definir.
Como un primer intento colocamos el rango superiora en, digamos, 20 aos. Por
lo tanto nosotros definimos B como un intervalo denominado:
B = [0,20]
Ahora la pregunta es: por qu alguien es en su 20 cumpleaos joven y al da
siguiente no? Obviamente, este es un problema estructural, porque si movemos el
lmite superior del rango desde 20 a un punto arbitrario podemos plantear la
misma pregunta.
Una manera ms natural de construir el conjunto B estara en suavizar la
separacin estricta entre el joven y el no joven. Nosotros haremos esto para
permitir no solamente la (crispada) decisin "l/ella SI est en el conjunto de gente
joven" o "l/ella NO est en el conjunto de gente joven", sino tambin las frases
ms flexibles como "l/ella SI pertenece un poquito ms al conjunto de gente
joven" o "l/ella NO pertenece aproximadamente al conjunto de gente joven".
Pasamos a continuacin a mostrar como un conjunto difuso nos permite definir
una nocin como "l/ella es un poco joven".
Tal y como constatamos en la introduccin podemos usar conjuntos difusos para
hacer computadoras ms sabias, y ahora tenemos que codificar la idea ms
formalmente. En nuestro ejemplo primero codificamos todos los elementos del
Universo de Discurso con 0 o 1. Una manera de generalizar este concepto est en
permitir ms valores entre 0 y 1. De hecho, nosotros permitimos infinitas
alternativas entre 0 y 1, denominando el intervalo de unidad Yo = [0, 1].
La interpretacin de los nmeros ahora asignados a todos los elementos del
Universo de Discurso es algo ms difcil. Por supuesto, el nmero 1 asignado a un
elemento significa que el elemento est en el conjunto B y 0 significa que el
elemento no est definitivamente en el conjunto el B. El resto de valores significan
una pertenencia gradual al conjunto B.
Para ser ms concretos mostramos ahora grficamente el conjunto de gente joven
de forma similar a nuestro primer ejemplo por su funcin caracterstica.


De esta forma unos 25 aos de edad todava sera joven al grado de 50 por ciento.
Ahora sabemos qu es un conjunto difuso. Pero qu se puede hacer con l?
Operaciones con conjuntos difusos
Ahora que tenemos una idea de lo que son conjuntos difusos, podemos introducir
las operaciones bsicas sobre conjuntos difusos. Parecido a las operaciones
sobre conjuntos booleanos nosotros tambin podemos interseccionar, unificar y
negar conjuntos difusos. En su primersimo artculo sobre conjuntos difusos, L. A.
Zadeh sugiri el operador mnimo para la interseccin y el operador mximo para
la unin de dos conjuntos difusos. Es fcil ver que estos operadores coinciden con
la unificacin booleana, e interseccin si nosotros nicamente consideramos los
grados miembros 0 y 1.
A fin de aclarar esto, mostraremos varios ejemplos. Sea A un intervalo difuso entre
5 y 8, y B un nmero difuso en torno a 4. Las figuras correspondientes se
muestran a continuacin:


La figura siguiente muestra la operacin AND (Y) del conjunto difuso A y el
nmero difuso B (el resultado es la lnea azul).


La operacin OR (O) del conjunto difuso A con el nmero difuso B se muestra en
la prxima figura (nuevamente, es la lnea azul).


Esta figura da un ejemplo para una negacin. La lnea azul es la NEGACION del
conjunto difuso A.


El control difuso
Los controladores difusos son las aplicaciones ms importantes de la teora difusa.
Ellos trabajan de una forma bastante diferente a los controladores convencionales;
el conocimiento experto se usa en vez de ecuaciones diferenciales para describir
un sistema. Este conocimiento puede expresarse de una manera muy natural,
empleando las variables lingsticas que son descritas mediante conjuntos difusos.
Ejemplo: El pndulo invertido
El problema est en equilibrar una prtiga sobre una plataforma mvil que puede
moverse en dos nicas direcciones, a la izquierda o a la derecha. Ante todo,
nosotros tenemos que definir (subjetivamente) cual es la velocidad del andn: alta,
baja, etc. Esto se hace para especificar las funciones pertenecientes al conjunto
difuso:
- negativo alto (celeste)
- negativo bajo (verde)
- cero (rojo)
- positivo bajo (azul)
- positivo alto (morado)


Lo mismo se hace para el ngulo entre la plataforma y la prtiga, adems de para
la velocidad angular de este ngulo:


Aprciese que, para hacerlo ms fcil, suponemos que al principio la prtiga est
en una posicin cercana a la central para que un ngulo mayor de, digamos, 45
grados en cualquier direccin no pueda - por definicin - ocurrir.
Ahora daremos varias reglas que dicen qu hacer en situaciones concretas:
Considere por ejemplo que la prtiga est en la posicin central (el ngulo es cero)
y no se mueve (la velocidad angular es cero). Obviamente esta es la situacin
deseada, y por lo tanto no tenemos que hacer nada (la velocidad es cero).
Consideremos otro caso: el polo est en la posicin central como antes, pero est
en movimiento a baja velocidad en la direccin positiva. Naturalmente nosotros
tendramos que compensar el movimiento de la prtiga moviendo la plataforma en
la misma direccin a baja velocidad.
De esta forma hemos constituido dos reglas que pueden ponerse en una forma
ms formalizada como esta:
Si el ngulo es cero y la velocidad angular es cero entonces la velocidad ser
cero.
Si el ngulo es cero y la velocidad angular es positiva baja entonces la velocidad
ser positiva baja.
Podemos resumir todas las reglas aplicables en una tabla:

Velocidad
Angulo
NA NB C PB PA
v NA NA
- NB NB C
a C NA NB C PB PA
n PB C PB
g PA PA


donde NA es una (usual) abreviatura para negativa alta, NB para negativa baja,
etc.
A continuacin mostraremos como estas reglas pueden aplicarse con valores
concretos para el ngulo y velocidad angular. Para ello vamos a definir dos valores
explcitos para el ngulo y la velocidad angular para operar con ellos.
Consideremos la situacin siguiente:
Un valor actual para el ngulo:



Un valor actual para la velocidad angular:


Ahora mostraremos como aplicar nuestras reglas a esta situacin real. Veamos
cmo aplicar la regla
Si el ngulo es cero y la velocidad angular es cero entonces la velocidad ser
cero.
A los valores que hemos definido. Esta es la variable lingstica "ngulo" donde
nos centramos en el conjunto "cero" y el ngulo actual:


Nos damos cuenta que nuestro valor real pertenece al conjunto difuso "cero" en un
grado de 0.75:


Ahora mostramos la variable lingstica "velocidad angular" donde nos centramos
en el conjunto difuso "cero" y el valor actual de velocidad angular:


Nos damos cuenta que nuestro valor real pertenece al conjunto difuso "cero" en un
grado de 0.4:


Como las dos partes de la condicin de nuestra regla estn unidas por una Y
(operacin lgica AND) calculamos el mn(0.75,0.4)=0.4 y cortamos el conjunto
difuso "cero" de la variable "velocidad" a este nivel (segn nuestra regla):


Por su parte, el resultado de la regla. Si el ngulo es cero y la velocidad angular
es negativa baja entonces la velocidad ser negativa baja es:



El resultado de la regla Si el ngulo es cero y la velocidad angular es positiva baja
entonces la velocidad ser positiva baja es:


El resultado de la regla. Si el ngulo es positivo bajo y la velocidad angular es
negativa baja entonces la velocidad ser cero es:


Estas cuatro reglas solapadas desembocan en un resultado nico:


El resultado del controlador difuso es un conjunto difuso (de velocidad), as que
tenemos que escoger un valor representativo como salida final. Hay varios
mtodos heursticos (mtodos de claridad o defuzzification), uno de ellos es tomar
el centro de gravedad del conjunto difuso:


El procedimiento completo se denomina controlador de Mamdani.
Aplicaciones de la lgica difusa
Principalmente, miraremos la aptitud del control difuso en trminos generales.
El empleo del control difuso es recomendable:
- Para procesos muy complejos, cuando no hay un modelo matemtico
simple.
- Para procesos altamente no lineales.
- Si el procesamiento del (lingsticamente formulado) conocimiento experto
puede ser desempeado.
El empleo del control difuso no es una buena idea si:
- El control convencional tericamente rinde un resultado satisfactorio.
- Existe un modelo matemtico fcilmente soluble y adecuado.
- El problema no es soluble.
Conclusin
Esto concluye nuestro breve curso sobre lgica difuso y control difuso. Esperamos
que lo disfrute y que las explicaciones sean de alguna ayuda para usted.
Definiciones
Interseccin de Conjuntos
Nosotros llamamos un nuevo conjunto generado desde dos conjuntos
determinados A y B, interseccin de A y B, si el nuevo conjunto contiene
exactamente esos elementos que estn contenidos en A y en B.

Unificacin de Conjuntos
Nosotros llamamos un nuevo conjunto generado desde dos conjuntos
determinados A y B, unificacin de A y B, si el nuevo conjunto contiene todos los
elementos que se contienen en A o en B o en ambos.
Negacin de Conjuntos
Nosotros denominamos al nuevo conjunto que conteniendo todos los elementos
que estn en el universo de discurso pero no en el conjunto A la negacin de A.
Variables lingsticas
Un variable lingstica es un quntuple (X,T(X),U,G,M,), donde X es el nombre de
la variable, T(X) es el trmino conjunto (es decir, el conjunto de nombres de
valores lingsticos de X), U es el universo de discurso, G es la gramtica para
generar los nombres y M es un conjunto de reglas semnticas para asociar cada X
con su significado.












PARTE II




Conceptos de Lgica Difusa:
Teora Clsica de Conjuntos y Funciones























Difuso
La lgica difusa fue diseada para representar y razonar sobre una forma particular de
conocimiento, expresado de forma verbal.
Lo difuso de una propiedad subyace en la ausencia de lmites bien definidos del conjunto de
objetos a los cuales se aplica dicha propiedad.
Teora clsica de conjuntos
Un conjunto es una coleccin de objetos de cualquier tipo. Para cualquier elemento en el universo
de discurso, puede determinarse si este pertenece o no al conjunto.
Si A y B son dos conjuntos definidos en el universo, las siguientes operaciones entre ellos pueden
definirse:
Complemento de A:
Interseccin de A y B:
Unin de A y B:
Diferencia de A y B:
Diferencia Simtrica de A y B:
Funcin caracterstica del conjunto A

Complemento de A:
Interseccin de A y B:
Unin Ay B:
Conjuntos difusos
La funcin caracterstica se convierte en una funcin de pertenencia que asigna a cada elemento
del conjunto un valor en el intervalo.
Un conjunto difuso se nota de la siguiente manera:



Funciones de pertenencia

























Operaciones con conjuntos difusos
Dos conjuntos difusos son iguales (A=B) si y solo si:
A es subconjunto de B (A B) si y solo si:
Complemento de A:
Interseccin de A y B:
Unin de A y B:


































PARTE III




Tutorial de Lgica Difusa
y sus Aplicaciones en Control























CONTENIDO
PRESENTACION

INTRODUCCION.
LOGICA DIFUSA EN LA VIDA
DIARIA.
LOGICA CLASICA VS.
LOGICA DIFUSA.
SISTEMAS DIFUSOS.
APLICACIONES DE LA
LOGICA DIFUSA.


CONJUNTOS DIFUSOS Y
LOGICA DIFUSA:
LA BASE DEL CONTROL DIFUSO.
CONCEPTOS BASICOS.
FUNCION DE MEMBRESIA.
OPERACIONES CON CONJUNTOS.
CONJUNTOS DIFUSOS.
OPERACIONES CON CONJUNTOS
DIFUSOS.
COMPLEMENTO DE UN
CONJUNTO DIFUSO.
UNION DE DOS CONJUNTOS
DIFUSOS.
INTERSECCION DE DOS
CONJUNTOS DIFUSOS.
VARIABLES LINGISTICAS.

ARQUITECTUA BASICA DE
UN CONTROLADOR DIFUSO
CONCEPTOS BASICOS.
CODIFICANDO LAS
ENTRADAS:
DIFUSIFICACION.
LA BASE DE
CONOCIMIENTOS.
SOLUCION DEL CONFLICTO
PARA
LA TOMA DE DECISIONES.
DECODIFICANDO LAS
SALIDAS:
DESDIFUSIFICACION.
METODO DE TSUKAMOTO.
METODO COA.
METODO MOM.
METODO COM.
SALIDAS COMO FUNCION DE
ENTRADAS.
EJEMPLO.

METODO DE DISEO.
INTRODUCCION.
DEFINICION DE
CARACTERISTICAS DEL
MODELO.
DEFINICION DE CONJUNTOS
DIFUSOS.
DEFINICION DE REGLAS DE
CONTROL.
ORDEN DE LAS REGLAS.
NUMERO DE REGLAS.
DISEO DE UNA BASE DE
REGLAS.
ELECCION DEL METODO DE
DESDIFUSIFICACION.
SIMULACION Y AJUSTE DEL
SISTEMA.

EJEMPLO DE APLICACION.

INTRODUCCION.
DISEO DE UN
CONTROLADOR DIFUSO
APLICADO AL PROBLEMA DEL
PENDULO INVERTIDO.
EL PROBLEMA DEL PENDULO
INVERTIDO.
LOGICA DIFUSA COMO
ALTERNATIVA AL PROBLEMA.
CONOCIENDO EL SISTEMA.
GENERACION DEL MODELO
DIFUSO.
VARIABLES EMPLEADAS.
DEFINICION DE VARIABLE DE
ENTRADA.
DEFINICION DE VARIABLE DE
SALIDA.
DEFINICION DE REGLAS.
PRUEBAS Y RESULTADOS.

INTRODUCCION

LOGICA DIFUSA EN LA VIDA DIARIA.


Empecemos por plantearnos las siguientes preguntas: qu significa la teora
difusa?, Porqu utilizar el trmino difuso? :
El trmino fuzziness que en espaol entenderemos como difusificar, se encuentra en
nuestras decisiones, en nuestro pensamiento, esto es, en la forma de cmo procesamos
la informacin, pero particularmente en nuestro lenguaje, ya que en muchas ocasiones
no expresamos con claridad lo que queremos comunicar.
Frases como: "Nos vemos luego", "un poco ms", "no me siento muy bien", son
expresiones difusas, decimos que son difusas porque la difusificacin surge de las
diferentes interpretaciones que damos a "luego", "un poco ms", "muy bien". Por
ejemplo "luego", para el anlisis de fenmenos rpidos en ingeniera puede ser del
orden de nanosegundos, pero para paleontlogos del orden de miles de aos. Como se
puede observar la magnitud del orden es relativa, por lo tanto si se emplea una unidad
difusa (fuzzy), hay que tener bien claro el contexto donde se esta utilizando para as
encontrar un punto de referencia y una unidad de medida.
En ocasiones, enunciados difusos indican unidades relativas y subunidades ms no
unidades absolutas. Consideremos el siguiente ejemplo:

"El corredor A es rpido."
"El corredor B es ms rpido que el corredor A." y
"El corredor C es ms lento comparado con B."
Con base a lo anterior podemos hacer dos observaciones: la oracin difusa puede
establecer:
B es ms rpido que A y C es lento comparado con B.
de la misma manera podemos caer en una ambigedad de modo que no nos quede
claro si A es ms rpido que C o si C es ms rpido que A; por tanto no se tiene una
medida de la velocidad de A, B C.


Figura 1. Ejemplo de enunciados difusos.


Otro ejemplo donde no se hace referencia a medida alguna sera el enunciado
"Francisco es muy alto".
LOGICA CLASICA VS. LOGICA DIFUSA.

Probablemente ests familiarizado con algn tipo de lgica clsica (binaria,
trivalente, etc.), las cuales tienen bien definidos sus valores de umbral. Por ejemplo en
la lgica binaria o booleana, existen dos valores de verdad (o de umbral): verdadero
falso, 1 0, s no.



Figura 2. Valores de la Lgica binaria


La lgica trivalente es una lgica de tres respuestas definitivas:


Figura 3. Valores de la Lgica Trivalente

A diferencia de la lgica clsica, la lgica difusa no tiene bien definidos sus
umbrales de decisin. Por ejemplo, si tomamos la lgica trivalente y la difusificamos
(cambiamos los niveles de decisin), entonces podemos expresar los valores de umbral
como un rango de valores, esto es, 0, .5, 1 sern reemplazados por intervalos de: "0 a
.4", "0.2 a 0.8", "0.6 a 1", respectivamente.
Recordemos que "lgica es la ciencia que estudia las leyes, los modos y las formas
del razonamiento". De esta forma la "lgica difusa estudia las leyes, los modos y las
formas del razonamiento aproximado".
Lgica difusa proporciona un medio para enfrentar situaciones del mundo real,
situaciones complejas y dinmicas, que son ms fcilmente caracterizadas por palabras
que por matemticas.
Por ejemplo, la estatura:



SISTEMAS DIFUSOS.
La vida real est llena de situaciones que requieren del razonamiento aproximado
para manipular informacin cualitativa ms que cuantitativa.
Un sistema difuso puede resolver problemas tal como lo hara un experto humano,
problemas tales como controlar la presin y temperatura de una caldera en la
industria, procesar y reconocer imgenes o controlar una lavadora de ropa son
situaciones que tienen en comn el ser complejas y dinmicas y tambin que son ms
fcilmente caracterizadas por palabras que por expresiones matemticas.
Mientras que los sistemas de lgica clsica no pueden actuar en problemas de este
tipo:
- No hay ningn sistema para representar proposiciones en lenguaje natural
cuando el significado es impreciso.
- S el significado puede representarse, no hay un mecanismo para poder
evaluarlo y obtener una respuesta.
Hasta este momento ya tenemos una idea de lo que es la lgica difusa, pero de
donde surge el trmino fuzzy?, Quin lo introdujo?, veamos:
En la dcada de los aos veinte de este siglo, J. Lukasiewicz desarroll los principios
de la lgica multivaluada, cuyos enunciados pueden tener valores de verdad
comprendidos entre el 0 (falso) y el 1 (cierto) de la lgica binaria clsica. En 1965 Lofti
A. Zadeh, aplic la lgica multivaluada a la teora de conjuntos, estableciendo la
posibilidad de que los elementos pudieran tener diferentes grados de pertenencia a un
conjunto. Zadeh introdujo el trmino fuzzy (difuso) y desarrollo un lgebra completa
para los conjuntos difusos.
Desde sus inicios la teora de conjuntos difusos caus controversisas y debates, por lo
que sus primeras aplicaciones prcticas surgieron hasta mediados de los aos setenta.
APLICACIONES DE LA LOGICA DIFUSA.

Gracias a que la lgica difusa se enfrenta con xito a situaciones del mundo real, ha
encontrado aplicaciones en una gran variedad de campos, de las cuales las ms
trascendentales se han dado en el rea de control con el diseo e implementacin de
controladores difusos (Fuzzy Logic Control), iniciado por los trabajos de Mamdami y
Assilian en los aos setenta.
Ejemplos de sistemas de control y productos comerciales cuyo funcionamiento se
basa en un razonamiento aproximado (difuso), son:
- Control de un horno de cemento.
- Estabilizacin de imgenes en cmaras de video.
- Lavatrastes y lavadoras de ropa.
- Conduccin automtica de trenes metropolitanos.
- Control de aire acondicionado.

Pero Cundo utilizar lgica difusa?. Lgica difusa tiene la habilidad de
proporcionar un control inteligente en aplicaciones difciles, especialmente aquellas
que requieren de la optimizacin de muchas variables o el control de sistemas no
lineales difciles de modelar.

CONJUNTOS DIFUSOS Y LOGICA DIFUSA: LA
BASE DEL CONTROL DIFUSO

CONCEPTOS BASICOS.
Comenzaremos a hablar de conjuntos tratando de ponernos de acuerdo acerca de lo
que vamos a entender por conjunto. Esto no es nada simple ya que conjunto es un
concepto bastante primitivo, anlogo al concepto de punto o de recta. De ahora en
adelante, para nosotros un conjunto ser algo que puede o no tener elementos, pero
con la propiedad de que se puede decir si un objeto dado cualquiera es o no elemento
del conjunto en cuestin.
A los objetos (si los hay) que forman un conjunto, les llamamos "elementos" de
dicho conjunto. En la teora de conjuntos que estamos recordando, trabajaremos a
veces con varios conjuntos cuyos elementos son todos del mismo tipo, es decir,
pertenecen todos a un mismo conglomerado de cosas al que podremos llamar conjunto
universal.
Ahora bien, S A es un conjunto la proposicin "x es un elemento de A" se denotar
por xe A. La negacin de esta proposicin es decir "x no es un elemento de A" se
denotar por xe A.
Por ejemplo, s A es el conjunto de los primeros tres nmeros naturales pares,
entonces 2e A, 4e A, 6e A, 24e A, 9e A, son proposiciones verdaderas. Note que
"pertenencia" es una relacin que vincula cada elemento con un conjunto, no es una
relacin entre elementos de un conjunto.
S enumeramos todos los elementos de un conjunto, decimos que los hemos
representado por extensin mientras que si enunciamos una propiedad definitoria de
los elementos del conjunto, se dice que est representado por comprensin.
Por ejemplo s B es el conjunto cuyos elementos son: Oaxaca, Tlaxcala, Morelos,
Hidalgo, Estado de Mxico, Guerrero y Veracruz, se puede escribir:
B={Oaxaca, Tlaxcala, Morelos, Hidalgo, Estado de Mxico, Guerrero, Veracruz}

B={x | x es un estado que colinda con el estado de Puebla}




Funcin de membresa.

Como ya se mencion la pertenencia o membresa es una relacin que vincula a cada
elemento con un conjunto. En otra palabras, en un conjunto bien definido (lgica
clsica), la pertenencia o no pertenencia de un elemento x a un conjunto A se describe
mediante la funcin caracterstica
A
(x) donde:


Dicha funcin es llamada funcin de membresa funcin caracterstica de A y esta
definida para todos los elementos del universo. La funcin de membresa hace un
mapeo de todo el universo U a su conjunto de evaluacin de dos elementos {0,1}, esto se
escribe:

A
(x) : U { 0, 1}
Con una identificacin de {0,1} y {verdadero, falso}, esta funcin caracterstica
puede jugar un papel importante en la asignacin de valores de verdad a proposiciones
referentes al conjunto A.
Podemos construir conjuntos apartir de dos ms conjuntos dados, aplicando para
ello las operaciones bsicas que ya conocemos: complemento, unin e interseccin de
conjuntos. Es comn usar diagramas de Venn para representar al conjunto universal U
y a los conjuntos formados con elementos de U. Las siguiente figura ilustra las
operaciones mencionadas anteriormente utilizando diagramas de Venn.



CONJUNTOS DIFUSOS.

La lgica difusa trabaja con conjuntos a los cuales llamamos conjuntos difusos, estos
conjuntos estn definidos por sus funciones de pertenencia, la cual expresa la
distribucin de verdad de una variable.
Tericamente un conjunto difuso A de un universo de discurso X={x} se define como
un mapeo
A
(x) : X [0, o ] donde cada x es asignada a un nmero en el rango
comprendido entre [0, o ] el cual indica que tanto del atributo A tiene x.
Cuando se normaliza la funcin de membresa (o =1), se tiene
A
(x) : X [0, 1]. De
aqu en adelante consideraremos valores normalizados. Para los casos extremos, donde
la distribucin de verdad es "cero", la funcin de membresa se reduce a
singularidades, en otras palabras, la lgica difusa pasa a ser lgica clsica. Por
ejemplo, si las singularidades tienen dos posibilidades, entonces hablamos de lgica
binaria.
La normalizacin del conjunto difuso A se expresa:



Por ejemplo, obtengamos los valores normalizados de un conjunto de nmeros, para
ello lo que hay que hacer es dividir cada nmero entre el nmero de mayor valor, as la
divisin del nmero ms grande entre el mismo nos dar un valor de 1, que es lo que se
expresa en la relacin anterior. Sea el conjunto (30, 50, 80, 100, 70, 40), del cual
normalizando obtenemos (.3, .5, .8, 1, .7, .4).
Para un conjunto difuso el conjunto de evaluacin es un intervalo real:


A
(x) : U [0, 1]

La funcin caracterstica de un conjunto difuso permite una continuidad de opciones
posibles. El grado de membresa no es probabilidad. Bsicamente es una medida de la
compatibilidad de un objeto con el concepto representado por un conjunto difuso.

Un conjunto difuso D en un universo U puede ser definido como un conjunto de
pares ordenados; cada par formado por un elemento y su grado de membresa al
conjunto D:

D = {(x
D
(x) ) | x e U}

Para el caso de universos discretos U = {x
1
, x
2
, , x
n
}, una notacin ms conveniente
es:





La sumatoria anterior se transforma en una integral para un universo U
continuo:



Operaciones con conjuntos difusos.

En lgica booleana la funcin de los operadores booleanos (o compuertas) es bien
conocida, por ejemplo si aplicamos una operacin AND:
1 and 1 1
1 and 0 0
0 and 1 0
0 and 0 0

En lgica difusa los valores no estn definidos y su difusificacin exhibe una
distribucin descrita por su funcin de membresa. Si tratamos de aplicar las reglas de
la lgica binaria a dos variables difusas cul crees que sera el resultado?. Para poder
contestar esta pregunta, consideraremos una lgica de valores mximos y mnimos, en
otras palabras emplearemos operaciones definidas en lgica difusa.
Como ya se dijo, en lgica difusa se emplean conjuntos as que aqu tambin
contamos con operaciones de complemento, unin e interseccin. Cuando a dos
variables difusas se les aplica una operacin de "unin" (que en lgica binaria es
equivalente a una operacin OR), el resultado se obtiene tomando el valor ms grande
de entre las variables de entrada, max(x
1
, x
2
, , x
n
). Por ejemplo, s A=0.5, B=0.7 y
C=A OR B, entonces C = max(0.5, 0.7) = 0.7.

Para el caso de la "interseccin" (que equivale a la operacin AND) el valor
resultante de la operacin corresponde al mnimo valor de alguna de las entradas:
min(x
1
, x
2
, , x
n
). En este caso, s C=A AND B, entonces C= min(0.5, 0.7) = 0.5.

En la operacin "complemento" (equivale a una operacin NOT), se toma el valor
que complemente a 1, de esta forma:
x= 1-x

para nuestro ejemplo: s C= B, entonces C=1-0.7 =0.3.


Ejemplo: Sean las expresiones difusas
A
(x
1
) AND
B
(x
2
), evaluadas en x
1
= 2 y
x
2
= 2 con funciones de pertenencia:
A
(x
1
= 2)=.72 y
B
(x
2
= 4)=.45. As:

A
(x
1
) AND
B
(x
2
) = min(.72,.45) =.45

A
(x
1
) OR
B
(x
2
) = max(.72,.45) =.72
para el complemento:

A
(x
1
=2) = 1-.72 = .72
Ahora, asumamos que A y B son dos conjuntos difusos cuyas funciones de
membresa son
A
y
B
respectivamente, as, definimos las siguientes operaciones:
Complemento de un conjunto difuso.

Sea A un conjunto difuso en el universo U con una funcin de membresa
A
(x), el
complemento del conjunto A es el conjunto A' definido por:

A' = {(1 -
A
(x)) /x | x esta en U}

La funcin de membresa del conjunto A' es:


A'
(x) = 1 -
A
(x)

La figura 6 muestra las grficas de la funcin de membresa de dos conjuntos difusos
y sus conjuntos complementos.



Figura 6. Funcin de membresa y complemento de los conjuntos difusos A y B.

Interseccin de dos conjuntos difusos.
Sean A y B dos conjuntos difusos en el universo U con funciones de membresa
A
(x)
y
B
(x) respectivamente, la interseccin de los conjuntos A y B se define por:
A B = {min (
A
(x),
B
(x)) /x | x esta en U}

La funcin de membresa del conjunto interseccin de A y B es:

A B
(x) = min {
A
(x),
B
(x)}

donde la funcin min{} selecciona el valor mnimo de los grados de membresa que
tiene el mismo elemento x en los conjuntos A y B. En la figura 8 se muestra la grfica
de la funcin de membresa de la interseccin de dos conjuntos difusos.




Figura 8. Funcin de membresa y operacin de interseccin de los conjuntos
difusos A y B.

Variables lingsticas.

Una variable lingstica, como su nombre lo sugiere, es una variable cuyos valores
son palabras o sentencias en un lenguaje natural o sinttico. Por ejemplo, la velocidad
de un coche, "Velocidad" es una variable lingstica si sus valores son "alta", "no
alta", "baja", "no baja", "muy baja", y as sucesivamente.


Figura 9. Valores lingsticos de la variable difusa "Velocidad".

Cada valor de una variable lingstica representa un conjunto difuso en un
universo determinado como lo muestra la figura 10.


Figura 10. Conjuntos difusos de la variable lingstica "Velocidad".

Estrictamente, una variable lingstica esto formada por cinco partes (x, T(x), U, G,
M) donde:

x: nombre de la variable.
T(x): conjunto de valores lingsticos de x.
U: universo de discurso donde se define T(x).
G: regla sintctica para generar los nombres de los valores de x.
M: regla semntica para asociar cada valor a su significado.


Por ejemplo, de la figura 10, "Velocidad" se puede considerar una variable
lingstica x. El conjunto de valores lingsticos (particin difusa de su universo) es:


T(Velocidad) = {muy veloz, veloz, no veloz, lento, muy lento}

Cada termino en T(Velocidad) est caracterizado por un conjunto difuso en el
universo de discurso U=[0,200] km/hr. La regla sintctica G determina el orden de las
palabras de los valores lingsticos de Velocidad: como en alta, no alta y muyalta,
donde no y muy son modificadores que preceden al trmino primario alta. La regla
semntico M asocia cada valor lingstico con su significado: {alta es mayor alrededor
de 180}, y {baja es menor alrededor de 30}, etc.
ARQUITECTUA BASICA DE UN CONTROLADOR
DIFUSO

CONCEPTOS BASICOS.
A la fecha se han desarrollado diferentes mtodos para el diseo de controladores
que emplean lgica difusa, para tal fin, es muy importante que se identifiquen bien los
parmetros de control as como determinar con mucho cuidado el conjunto de
trminos (variables lingsticas) que describirn el comportamiento correcto del
sistema.
En el control lgico difuso se emplean funciones de membresa para el diseo, los
cuatro tipos ms comunes son:



Figura 11. Funciones de membresa ms utilizadas. (a).Monotonica,
(b).Triangular,(c).Trapezoidal, (d).Forma de Campana


La arquitectura bsica de un control difuso se muestra a continuacin:



Figura 12. Arquitectura bsica de un controlador difuso

CODIFICANDO LAS ENTRADAS: DIFUSIFICACION.
Los valores de entrada provenientes de los sensores se codifican de tal forma que
quedan en trminos de las etiquetas lingsticas utilizadas en la generacin de las
reglas.
Si desde el sensor se lee una seal sin ruido, entonces la etapa de difusificacin
determina su correspondiente grado de pertenencia a una o varias de las entradas
lingsticas, como se muestra en la figura 13(a). Pero si la seal de entrada contiene
ruido, esta debe modelarse utilizando una funcin de membresa triangular, en donde
el vrtice del tringulo es la media obtenida del sensor, y la base su desviacin
estndar. As para estos casos, la difusificacin consiste en encontrar la interseccin
entre el grado de pertenencia y la distribucin del dato sensado.



Figura 13. Funcin de membresa proveniente del sensor.
(a).Funcin de membresa de una seal sin ruido. (b). Funcin de membresa de una
seal con ruido

El mtodo ms utilizado es aquel donde se analiza a una seal sin ruido.

CONSULTANDO LA BASE DE CONOCIMIENTOS.

Para el diseo de la base de conocimientos donde se encuentran las reglas de
control, hay que tomar en cuenta: primero,que el conjunto de variables lingsticas
seleccionadas debe escogerse de forma tal que describan muy bien a los parmetros de
control del proceso. Tanto los parmetros de entrada como los de salida deben
definirse en esta etapa empleando terminologa apropiada.
La seleccin del rango de valores para cada termino de las variables de
entrada/salida es muy importante para lograr la "suavidad" del control.
En segundo lugar la base de conocimientos se elabora tomando en cuenta la
descripcin lingstica de los parmetros, para ello se sugieren cuatro mtodos:
- Experiencia y conocimiento de un operador humano.
- Modelado de las acciones de control del operador.
- Modelado del proceso.
- Auto-sintonizacin
De los mtodos anteriores, el primero es el ms utilizado, cuando modelamos el
conocimiento del operador las reglas de control toman la forma:

IF [el error es pequeo y su cambio es pequeo] THEN [el esfuerzo es pequeo]
lo que es lo mismo:

SI [el error es pequeo y su cambio es pequeo] ENTONCES [el esfuerzo es pequeo]

Donde la primera parte de la regla se conoce como antecedente y la segunda
consecuente. Por ejemplo en la regla anterior, el antecedente es: [el error es pequeo y
su cambio es pequeo], mientras que el consecuente esta formado por: [el esfuerzo es
pequeo].
La efectividad del mtodo se basa en que el operador puede expresar los
conocimientos que utiliza en el control del procesos en trminos de reglas que tienen la
forma descrita anteriormente.
El segundo mtodo modela directamente la accin de control del operador.
El tercer mtodo trata con el modelo difuso del proceso, aqu se configura el
modelo de una planta como una aproximacin utilizando implicaciones que describen
los posibles estados del sistema. En este mtodo se desarrolla un modelo y se construye
un controlador difuso para controlar el modelo difuso, lo descrito anteriormente es
similar a lo que se hace en teora de control clsica. Aqu, por ende, se necesita
identificar la estructura y los parmetros del proceso. Por ejemplo:

SI x
1
es , x
2
es , , ENTONCES y =

Para i=1,, n donde n es el nmero correspondiente a la implicacin y la
consecuencia es una funcin lineal de m variables de entrada.
La idea principal del cuarto mtodo es el desarrollo de reglas que pueden
ajustarse aun y cuando el controlador este en uso para lograr mejorar su desempeo.

RESOLVIENDO EL CONFLICTO Y TOMANDO
DECISIONES.

Como ya se mencion, debido a que las reglas diseadas para los controladores
difusos tienen correspondencia parcial y por consecuencia los antecedentes pueden
traslaparse, usualmente ms de una regla de control puede llevarse a cabo. La
metodologa empleada para decidir cual regla de control va a aplicarse recibe el
nombre de proceso de solucin del conflicto. En el siguiente ejemplo asumimos que se
tienen dos reglas para ilustrar el proceso:

REGLA #1: si x es A
1
y y es B
1
ENTONCES Z es C
1

REGLA #2: si x es A
2
y y es B
2
ENTONCES Z es C
2

Ahora consideraremos que x
0
y y
0
son los sensores de las variables difusas x e y, y que
sus valores de verdad se representan por (x
0
) y
B1
(y
0
) para la regla 1,
respectivamente, donde (x
0
) representa la funcin de membresa para A
1
. De igual
forma para la regla 2, tenemos (x
0
) y (y
0
).
El valor para la regla 1 puede calcularse:

o
1
= (x
0
) . (y
0
)
donde . es el operador de conjuncin, que como ya se dijo es igual al valor del
operando mnimo. De igual forma para la regla 2:

o
2
= (x
0
) . (y
0
)


El valor de control para la regla 1 se calcula utilizando el valor obtenido en el paso
anterior y el valor del consecuente de la regla:


para la regla 2:


donde w corresponde al cambio de valores que puede tener el consecuente de la regla.
Lo anterior significa que como resultado del valor obtenido en los sensores x
0
y y
0
, la
regla 1 recomienda una accin de control que corresponde al valor de la funcin de
membresa , del mismo modo para la regla 2.
El proceso de solucin del conflicto produce:


c
(w) = (w) v (w) = [ ] v [ ]

donde
c
(w) es el mejor punto de la funcin de membresa para las dos conclusiones.
El resultado de esta operacin es una funcin de membresa la cual va a tener que
desdifusificarse.
DECODIFICANDO LA SALIDA:
DESDIFUSIFICACION.

En esta etapa se produce la accin de control no difusa, que es representada por la
funcin de membresa de la accin de control. Existen varios mtodos para llevar a
cabo estrategias de desdifusificacin, pero los ms utilizados son:

- Mtodo de desdifusificacin de TSUKAMOTO.
S empleamos una funcin de membresa monotnica , entonces la accin de control
puede calcularse mediante:



donde n es el nmero de reglas cuyo valor de la funcin de membresa es mayor que
cero(W
i
), y X
i
es la suma de la accin de control recomendada por la regla i.

- Mtodo del centro de rea (COA).
Este mtodo es sensible al resultado de todas las reglas al momento de hacer la
desdifusificacin, lo que produce una salida de control ms suave.
Asumimos que se produce una accin de control con una funcin de membresa dada
por
C
. El mtodo de centro del rea calcula el centro de gravedad de la distribucin
para la accin de control. Asumiendo un universo de discurso discreto:



donde q es el nmero de niveles de cuantizacin de salida, Z
j
es la suma de las salidas
de control en el nivel de cuantizacin j y
c
(Z
j
) representa los valores de la funcin de
membresa en c. En otras palabras, este mtodo asigna el centro del rea de la salida
difusa final al valor desdifusificado. El centro de rea tambin es llamado centro de
gravedad o centroide.


Figura 14. Mtodo de desdifusificacin de Centro de Area(COA).

Mtodo de la media del mximo (MOM).

Aqu el valor para llevar a cabo la accin de control se obtiene tomando el promedio
de los valores de membresa mximos, es decir, este mtodo genera como valor
desdifusificado la media de todos los valores que alcanzan el mismo mximo en la
salida difusa final.


Figura 15. Mtodo de desdifusificacin de Media del Mximo (MOM).


Para un universo discreto, se calcula:



donde l es el nmero de valores cuantizados z cuya funcin de membresa es mximo.

Mtodo del criterio del mximo.

Este mtodo considera nicamente la accin de control sugerida por la regla cuya
conclusin fue evaluada con el valor de verdad ms alto. El punto de desdifusificacin
encontrado por este mtodo es el que se encuentra donde la salida difusa final alcanza
su valor mximo por primera vez, en el sentido de los valores crecientes del eje
horizontal.


Figura 16. Mtodo de desdifusificacin de Criterio del Mximo.

Desdifusificacin para cuando las salidas estn en funcin de las entradas.

Como ya se mencion, las reglas de control difuso pueden escribirse en funcin de
sus entradas. Por ejemplo:

Regla 1: SI x es A
i
y y es B
i
ENTONCES z es f(x,y)

asumiendo que o
i
es el valor de la regla i:



donde n es el nmero de reglas empleadas.
EJEMPLO: Se tienen las siguientes dos reglas.


Regla 1: SI X es A
1
y Y es B
1
ENTONCES Z es C
1

Regla 2: SI X es A
2
y Y es B
2
ENTONCES Z es C
2

Supongamos que x
0
y y
0
son las lecturas obtenidas de los sensores para las variables
difusas X y Y, y las siguientes son sus funciones de membresa:





Adems supngase que se los valores obtenidos de las mediciones son x
0
= 4 y y
0
= 8.
En el presente ejemplo ilustraremos como calcular:

- La funcin de membresa para la accin de control recomendada por la
combinacin de las dos reglas.

- El valor de la accin de control utilizando dos mtodos: COA y MOM.

El primer paso es relacionar las lecturas de los sensores x
0 y
y
0
con los
correspondientes valores de los antecedentes A
1
y B
1
, lo cual produce:

y
de forma similar para la regla 2:

y
El valor para la regla 1 se obtiene de:


o
1
= Min ( (x
0
), (y
0
) = Min (2/3,1) = 2/3
o
2
= Min ( (x
0
), (y
0
) = Min (1/3,2/3) = 1/3

Aplicando o
1
a la conclusin de la regla 1 se obtiene el rea trapezoidal sombreada
de la figura 17 para C
1
, de forma similar para C
2
.


Figura 17. Desdifusificacin de la combinacin de las conclusiones de las
reglas.


Aplicando el mtodo de desdifusificacin del Centro del Area (COA), se obtiene:



mientras que si se utiliza la estrategia de desdifusificacin MOM (Mtodo del mximo
de la media), tenemos 3 valores cuantizados cuyas funciones de membresa
corresponden con el mximo valor (ejemplo: 3,4,5 con 2/3). As:





METODO DE DISEO

INTRODUCCION.

Los modelos difusos empleados en el control de procesos tienden a seguir la misma
metodologa empleada en el diseo de sistemas de control clsico, esto es: en primer
lugar el diseo conceptual es hecho en papel una vez que se ha entendido tanto la
mecnica del comportamiento del sistema como su dinmica en trminos de
entrada/salida; acto seguido se procede a un ciclo de modelado y simulacin, y as
sucesivamente hasta obtener el resultado deseado. Cabe aclarar que el proceso descrito
anteriormente puede apoyarse en herramientas de cmputo especializadas.
Para los sistemas difusos, el mtodo de diseo se efecta de acuerdo con el siguiente
ciclo:


Figura 18. Ciclo de la metodologa de diseo.


Ahora procederemos a explicar cada una de las etapas consideradas en el
diagrama anterior.

DEFINICION DE CARACTERISTICAS DEL MODELO.

En esta etapa se definen las caractersticas funcionales y operacionales del modelo,
aqu la tarea del diseador consiste en definir (aunque se carezca de un modelo
matemtico del sistema):

- Los datos de entrada al sistema.
- Las transformaciones bsicas que se aplicarn a los datos.
- Los datos de salida del sistema.

Tambin deben se debe definir donde exactamente embona el sistema difuso en la
arquitectura total del sistema, lo anterior con la finalidad de proporcionar una clara
visin de la forma en que los datos estarn fluyendo hacia y desde el sistema difuso,
adems de que se proporciona una gran ayuda al diseador para la estimacin de los
nmeros y rangos de las entradas y salidas difusas requeridas.
DEFINICION DE CONJUNTOS DIFUSOS.

Para el proceso de definicin de los conjuntos difusos en sistemas de control,
primero se identifican y nombran las variables de entrada y de salida y se establecen
sus rangos, por ejemplo:

Entrada: Temperatura [110, 330]C, Presin [100,2300] Pa
Salida: Accin de vlvula [-600, +600] mm/s


Como segundo punto, cada variable es descompuesta en un grupo de trminos
difusos. Cada trmino representa un conjunto difuso en el universo de discurso de la
variable.


Figura 19. Descomposicin de una variable en sus trminos difusos.

Citemos algunas recomendaciones para la definicin de los conjuntos difusos:
* El nmero de trminos difusos (conjuntos) asociados a cada variable debe ser,
generalmente un nmero impar entre 5 y 9.
* Para producir una accin de control suave, cada conjunto debe traslaparse un poco
sobre los conjuntos vecinos. El traslapamiento debe ser entre 10% y 50% del espacio
ocupado por el conjunto vecino. La suma de las membresas de los puntos verticales del
traslapamiento siempre debe ser igual o menor a 1:


Figura 20. Traslape de las particiones de los conjuntos difusos.(a). Particin difusa
traslapada correctamente. (b). Particin difusa traslapada incorrectamente.


*La densidad de los conjuntos difusos debe ser mayor alrededor del punto
ptimo de control del sistema y menor conforme aumenta la distancia a ese
punto.

De acuerdo con las recomendaciones anteriores un ejemplo de conjuntos de
entrada y salida es:




Figura 21. Ejemplo de conjuntos para entrada y salida


DEFINICION DE LAS REGLAS.

Las reglas de control engloban el conocimiento del sistema y los objetivos de control.
Cada regla tiene un estado del sistema en su premisa y una accin de control sugerida
en su conclusin.
Las reglas de control difusas conectan los valores de entrada con las propiedades de
la salida del modelo. Estn expresadas como proposiciones condicionales:

SI [ESTADO DEL PROCESO] ENTONCES [ACCION DE CONTROL]

Donde "Estado del proceso" y "Accin de control" es una proposicin (o un grupo
de proposiciones ligadas por un conectivo Y), de la forma:
v es T
con v una variable y T un trmino difuso. Como ejemplo de regla de control tenemos:

SI Temperatura Es Fra Y Presin Es Alta ENTONCES Accin de vlvula Es Positiva
Media.

Orden de las reglas.
Las reglas de control difusas son declarativas y no secuenciales, lo que significa que
el orden en que se expresan no es importante.
Como una medida preventiva para el mantenimiento del controlador es
recomendable agrupar las reglas de acuerdo a las variables de sus premisas:

SI Temperatura Es Fra Y Presin Es Alta ENTONCES Accin de vlvula Es
Positiva pequea.
SI Temperatura Es Fra Y Presin Es Media ENTONCES Accin de vlvula Es
Positiva normal.
SI Temperatura Es Fra Y Presin Es Baja ENTONCES Accin de vlvula Es
Positiva grande.
SI Temperatura Es Media Y Presin Es Alta ENTONCES Accin de vlvula Es
No operar.
SI Temperatura Es Media Y Presin Es Media ENTONCES Accin de vlvula
Es No operar.
SI Temperatura Es Media Y Presin Es Baja ENTONCES Accin de vlvula Es
Positiva.
Nmero de reglas.
El nmero de reglas que requiere un controlador difuso se halla multiplicando el
nmero de trminos difusos de las variables de entrada. De esta manera las reglas
cubrirn todas las posibles combinaciones provenientes de las distintas entrada.
Como ejemplo, para un sistema con dos variables de entrada cada una con 5
trminos difusos existen 5 * 5 = 25 combinaciones de entrada y por lo tanto 25 reglas de
control.
Diseo de una base de reglas.

Para disear una base de reglas se utiliza una matriz que cubre todas las posibles
combinaciones de las entradas.
Para un sistema con dos entradas se asigna una entrada a cada eje de la matriz y
existirn tantas divisiones en caja eje como trminos difusos tenga la variable que le
corresponde:
En cada celda de la matriz se escribe la accin de control que sugerira la regla que
tendra esa combinacin de entradas como premisa. De la matriz se pueden derivar
todas las reglas que formaran una base completa.
S el sistema cuenta con tres entradas se utiliza una matriz por cada trmino
lingstico de la tercera variable.


Figura 22. Ejemplo de diseo de una base de reglas.

En algunos casos es posible utilizar menos reglas pero no es recomendable hacerlo,
puesto que las reglas representan conocimiento, si alguna es eliminada, se remueve
conocimiento del sistema, conocimiento que puede volverse importante si el sistema es
modificado despus.
ELECCION DEL METODO DE
DESDIFUSIFICACION.

Aqu se selecciona uno de los varios mtodos para convertir un conjunto difuso de
salida en una variable solucin no difusa.

DECODIFICANDO LA SALIDA:
DESDIFUSIFICACION.

En esta etapa se produce la accin de control no difusa, que es representada por la
funcin de membresa de la accin de control. Existen varios mtodos para llevar a
cabo estrategias de desdifusificacin, pero los ms utilizados son:

- Mtodo de desdifusificacin de TSUKAMOTO.
S empleamos una funcin de membresa monotnica , entonces la accin de control
puede calcularse mediante:



donde n es el nmero de reglas cuyo valor de la funcin de membresa es mayor que
cero(W
i
), y X
i
es la suma de la accin de control recomendada por la regla i.
SIMULACION Y AJUSTE DEL SISTEMA.

Cuando el modelo difuso ha sido construido, el proceso de simulacin y desarrollo
del prototipo comienza. En lo que se refiere a la simulacin, est puede realizarse en
varios paquetes computacionales disponibles en el mercado. Generalmente estos
paquetes incluyen herramientas para evaluar el modelo difuso y aislar problemas en
los conjuntos difusos o en la base de reglas.
Cuando los resultados de la simulacin o las pruebas no son satisfactorios se realizan
ajustes en las descripciones de los conjuntos difusos o en las acciones de control
sugeridas por las reglas, hasta afinar el desempeo del control.
El modelo es comparado con casos similares conocidos para validar los resultados y
terminar el desarrollo del control.



EJEMPLO DE APLICACIN

INTRODUCCION

En este parte se presenta una aplicacin de diseo de un controlador difuso,
aplicado al problema del pndulo invertido, el cual se tomo de una tesis de licenciatura
realizada en la Universidad de las Amricas Puebla, por el alumno Ignacio Alfonso
Quijano Arellano siendo dirigida por el Dr. Rubn Alejos Palomares en 1995.
Nos limitaremos a presentar slo la parte del trabajo desarrollado que nos
interesa y que es el diseo del controlador difuso.
El PROBLEMA DEL PENDULO INVERTIDO.

Modelos del operador humano han sido investigados por muchos aos. Existen
muchas razones del porque encontrar estos modelos ya que pueden ser la base para
entrenar a otros sistemas o bien montar el conocimiento en una mquina que pueda
reemplazar al operador humano ya que existen operaciones dentro de la industria que
pueden ser muy peligrosas tales como exploraciones bajo el mar, aplicaciones en el
espacio, o dentro de una planta nuclear. Estamos interesados en el desarrollo de
modelos que capturen una respuesta muy parecida al operador humano a la hora de
balancear manualmente un sistema robtico es el caso del pndulo invertido.
Dentro del estudio de los robots de piernas o extremidades, lo ms importante ha
sido el balanceo de estos, pues es la parte esencial para que no caiga el cuerpo del
robot.
Las primeras mquinas que se balanceaban activamente fueron automticamente
controladas por pndulos invertidos. Es sabido por cada uno de nosotros que un
humano puede balancear una escoba en su mano o en un dedo con relativa facilidad.
Por qu no utilizar control automtico para construir una escoba (pndulo invertido)
que se balance por si misma? Claude Shannon fue probablemente el primero en
hacerlo. En 1951 us las partes de un juego erector para construir una mquina que
balanceara un pndulo invertido que estaba arriba de un pequeo carrito de poder. El
manejador del carro iba en direcciones atrs y adelante, en respuesta a los tipos de
movimiento del pndulo, ste era sensado por un par de interruptores en su base. Para
lograr moverlo de un lugar a otro, el carro primero tena que manejarse fuera del
destino para poder desbalancear al pndulo, para proceder en direccin del destino.
Para balancear nuevamente hacia el destino, el carro se mova pasando el destino hasta
que el pndulo se encontrar otra vez completamente perpendicular a la horizontal sin
velocidad hacia delante, entonces se mova en sentido inverso del destino y as lo
lograba balancear.
La importancia del balance activo en extremidades para la locomocin no es un
problema nuevo, pero el progreso en la construccin de sistemas con extremidades
fsicas que ocuparan estos principios fue retardado por la evidente dificultad del
trabajo. No fue sino a finales de los aos setenta que los experimentos en balance
comenzaron a salir adelante.
Otra de las principales aplicaciones que podemos encontrar para el pndulo
invertido adems de los robots, es el posicionamiento de un satlite con respecto a la
tierra, en este caso el satlite esta en movimiento y las antenas que se encuentran en la
tierra no pueden dejar que se mueva demasiado, ya que sino se saldra del rango de
comunicacin entre ellos. Es as como podramos decir que estn sujetos estos dos
cuerpos (satlite y antena) por un vector virtual el cul en la parte de la tierra se
encuentra fijo y la parte en movimiento en el espacio, haciendo as la funcin del
pndulo invertido.
Existen ms aplicaciones para el pndulo invertido como lo es la estabilidad en
gras, edificios, aplicaciones didcticas, etc.
LOGICA DIFUSA COMO ALTERNATIVA AL
PROBLEMA DEL PENDULO INVERTIDO.
COMPARACION CLASICA DIFUSA.

El control clsico proporcional integral derivativo (PID) es ampliamente empleado
para controlar sistemas dinmicos. La idea bsica es que la seal de control es
calculada en base a la diferencia entre un valor deseado de salida y un valor actual de
salida como una funcin del tiempo. El controlador PID tiene atributos de una
respuesta muy rpida reduciendo oscilaciones etc. Sin embargo controladores
proporcionales y derivativos son muy sensibles a seales con ruido y es necesario un
ajuste muy preciso para hacerlos funcionar adecuadamente. Tambin, la accin
proporcional tiene una posibilidad de introducir oscilaciones cuando existe un
compromiso con el tiempo y esto hace que se retrase la respuesta en tiempo de la
misma.
El PID es un controlador lineal, esto es, las ecuaciones del PID asumen valores
lineales. Sin embargo cuando la dinmica del proceso no es lineal, hay que tener
especial cuidado para compensar la no linealidad del sistema, y el controlador PID por
si mismo no es suficiente para logar esta compensacin. Este "cuidado especial" no
puede ser siempre explcito ni describirse en forma de ecuaciones, pero es frecuente
tener un operador humano que lo controle de modo emprico, como se dice "la regla
del dedazo". La escencia del control difuso es explotada en este tipo de hechos
conocidos.
Los sistemas de control difuso usan las mismas entradas que un PID (ej. error y su
derivada), pero procesan la no linealidad del sistema. De aqu que el controlador difuso
puede ser usado como un controlador PID no lineal.
En un ejemplo se tiene un controlador de temperatura y aqu se presenta la
respuesta que tienen los sistemas tanto un controlador difuso como un PID y se puede
apreciar perfectamente que el controlador difuso es ms rpido y se estabiliza tambin
ms rpido que un PID.



Figura 23. Comparacin entre un control clsico PID y un control difuso.
CONOCIENDO EL SISTEMA.
En la figura 24 podemos ver el sistema balanceando el pndulo el cul es libre en
movimiento en una dimensin de direccin y podemos notar tambin sus diferentes
variables fsicas.


Figura 24. Sistema del pndulo invertido.


Las ecuaciones del movimiento del carro junto con el pndulo no son conocidas
para el controlador, el cual hace que el sistema se vea como una caja negra. Lo que es
conocido es un vector que describe el sistema paso a paso. S el pndulo cae este recibe
una seal de fracaso. Despus de que una seal de fracaso ha sido recibida, el sistema
se inicializa a su estado inicial y un nuevo evento es realizado. En la masa se evala la
retroalimentacin, el controlador puede realizar su propio control y trata de poder
balancear el pndulo lo mejor posible. Esto no es pocible y no se logra balancear ya que
el carro tiene nicamente dos acciones de control y siempre se mueve a la misma
velocidad as es que posiblemente slo le cambie de direccin al pndulo pero con
suficiente fuerza para que este vuelva a caer hacia el lado contrario haciendo as
moverse al carro con una misma velocidad pero en sentido contrario para dar por
finalizado el evento.
GENERACION DEL MODELO DIFUSO.
Para la creacin del modelo difuso es necesario primeramente conocer el
funcionamiento de la planta y es recomendable para un entendimiento mucho ms fcil
"jugar" por unos cinco minutos con una escoba y tratar de balancearla y al mismo
tiempo tratar de formular y describir con palabras lo que esta pasando, es decir, si se
va despacio hacia la izquierda decir que se movi un poco la mano a la izquierda; si cae
fuertemente a la derecha decir que se movi la mano fuertemente hacia la derecha; hay
que tratar de hacer el sistema en 180 de libertad y procurando que el movimiento sea
nicamente con un grado de libertad. Esta prctica ayudar bastante al entendimiento
de la generacin del modelo difuso de la planta.
Aunque la tarea anterior pareciera un poco "tonta" es importante tratar de
realizarla ya que se est interesado en desarrollar un modelo el cual capture decisiones
de respuesta del operador humano por medio de un control manual a la hora de
balancear el sistema, es as como trabaja la lgica difusa basada en hechos reales y
semejndose mucho al pensamiento del ser humano. El primer estmulo para el
operador humano es la informacin visual que este pueda captar en una simulacin en
tiempo real.
VARIABLES INVOLUCRADAS, ESPACIOS DE CADA
VARIBLE Y RELACION ENTRE ELLAS.

El primer paso a seguir, es escoger una forma de representacin de la relacin
entrada-salida a ser modelada, para ello necesitamos tres elementos: variables,
relacin entre las variables y parmetros que las relacionan. Debemos procurar
seleccionar a las variables de forma que los valores relacionados con el fenmeno
puedan ser medidos.
Definamos la variable de entrada, la cual lgicamente es la entregada por la
posicin del pndulo con respecto a la horizontal y la llamaremos error, debido a que
cuando el pndulo esta totalmente perpendicular el error es cero y as cuando se ha
desplazado con algn ngulo ya exite un error ya que nuestra finalidad es que exista
siempre un error igual a cero. Cabe aclarar que el nombre puede cambiar no es
obligatorio ya que nicamente es una variable lingstica y el diseador la puede
definir como mejor le parezca. La variable de salida se ha definido con el nombre de
accin de control, o fuerza (que se le aplicar al carro). Una vez definidas las variables
de entrada y salida se define para cada variable su "universo difuso", es decir, se crea
para cada variable los conjuntos difusos que esta representa y a continuacin se
relacionan entre ellos por medio de reglas.
VARIABLE DE ENTRADA.

* Variable de entrada llamada error. Describe el margen de error que hay en el
pndulo con respecto a la horizontal. Es importante saber cuales son los rangos donde
opera el pndulo ya que existen rangos en los cuales ser imposible levantar el pndulo
tal y como sucedi a la hora de jugar con la escoba. Estos rangos fueron caracterizados
con un margen de error (en trminos de la variable) de 30 [18].
Es necesario expresar esta variable con palabras (grande, pequeo, medio) en
nuestro universo difuso, se crearon 7 conjuntos difusos para esta variable, las cuales
van desde error grande negativo (EGN) pasando por error cero (EC), hasta error
grande positivo (EGP).


Figura 25. Particin del universo de la varible lingstica error.

El universo de discurso ser entronces un conjunto convencional que abarca la
gama completa de valores que en dado caso puede asumir el error, as tenemos:
U=[-90 error, +90 error]
interpretando como error grande negativo (EGN) por debajo de -25 de error y por
error grande positivo (EGP) por arriba de +25 de error.
En este punto conviene aclarar que el procesado de los datos se hizo mediante un
microcontrolador. La particin del universo de la variable error est dado en ngulos
pero como realmente lo que ve el microcontrolador son valores de voltaje entonces se
muestra la particin con valores de voltaje (digitales). En este caso se cuenta con un
convertidor analgico digital de 8 bits entonces codificamos con una gama de valores
de 0 a 255, lo cual para el error del ngulo se tiene: (0)
2
-90 de error, en (128)
2
0 de
error y en (255)
2
+90 de error. As la particin para el espacio de la variable, en
trminos del voltaje analogo se muestra en la figura 26.


Figura 26. Variable lingstica error descrita en valores de voltaje.

El universo de discurso entonces:
U= [0 volts, 5 volts]
en trminos de voltaje analgico, para los valores de voltaje digital:
U= [0, 255]
interpretando como error grande negativo (EGP) por debajo de 100 y por error
grande positivo (EGP) por arriba de 145.
Este conjunto forma la base de conocimientos del controlador lgico difuso,
tambin dentro de la base de conocimientos tenemos la particin para la variable de
salida.
VARIABLE DE SALIDA.
* Variable de salida llamada accin de control. Esta variable es la accin de
control que se le entregar al carro para ver que tan fuerte se mover este y por lo
tanto har que logre levantar o equilibrar al pndulo, el rango de la seal es de 0 a 5
volts. De forma que podemos decir que la variable accin de control tiene un universo
U = [0, 5] y sus particiones en trminos de valores de voltajes digitales se muestran en
la figura 27.



Figura 27. Particin del universo de la variable lingstica accin de control.


Se define para rangos menores de 0.7 volts accin de control grande negativa (GN)
y para acciones de control por arriba de 4.3 volts como accin de control grande
positiva (GP) junto con sus valores intermedios accin de control mediana (MN o MP),
pequea y cero (CR).
DEFINICION DE LAS REGLAS.

A continuacin se describen la relacin entre las variables y las reglas de inferencia
para los conjuntos difusos creados.
Las variables tanto de entrada como de salida tienen que estar ntimamente
relacionadas ya que para un error (variable de entrada) tiene que existir una accin de
control (variable de salida), dicho en otras palabras, si el pndulo cae un poco entonces
el carro se mover poco y si cae mucho entonces el carro se mover ms fuerte.
Partiendo de estas propiedades se crea la relacin entre las variables y por lo tanto
la manera de relacionarlas es por medio de las reglas de inferencia las cuales son 7:

REGLA #1: Si error ES grande negativo ENTONCES fuerza ES grande negativa
REGLA #2: Si error ES mediano negativo ENTONCES fuerza ES mediana negativa
REGLA #3: Si error ES pequeo negativo ENTONCES fuerza ES pequea negativa
REGLA #4: Si error ES cero ENTONCES fuerza ES cero
REGLA #5: Si error ES pequeo positivo ENTONCES fuerza ES pequea positiva
REGLA #6: Si error ES mediano positivo ENTONCES fuerza ES mediana positiva
REGLA #7: Si error ES grande positivo ENTONCES fuerza ES grande positiva

De esta manera ya tenemos relacionadas las dos variables, y as para una entrada
tendremos una salida, a bloques tenemos:



Figura 28.Diagrama a bloques del lazo de control difuso.


El proceso de desdifusificacin se lleva a cabo mediante el mtodo de centro de
rea (COA).
Para llevar a la prctica el diseo se empleo un microprocesador el cual puede
manipular informacin para sistemas difusos, de la marca Togai Infralogic FC110.
Para guardar la informacin de la base de conocimientos se utilizan memorias
EEPROM.
PRUEBAS Y RESULTADOS.

Las pruebas realizadas primeramente fueron a lazo abierto para apreciar con que
fuerza se movera el carro, para que fuera posible levanta el pndulo cuando este
callera, de esta manera se empezaron a involucrar las variables tanto de entrada como
de salida.
Todas las pruebas que se realizaron constan de una variable de entrada (error) y
de una variable de salida (accin de control) cada una descrita por siete conjuntos. De
alguna manera se modificaron para dar un ajuste de sintona cada vez ms preciso
para un mejor funcionamiento del controlador.
Una vez realizadas varias pruebas se lleg a un ajuste de conjuntos "preciso", los
cuales son los que se muestran en las figuras 29 y 30.
Las reglas de inferencia no se modificaron en ningn momento para el ajuste ya
que es lgico que a cada conjunto de la variable de entrada le corresponda un conjunto
de la variable de salida.
Algunas herramientas importantes en el anlisis de control difuso son las grficas
en tercera dimensin donde se pueden apreciar las variables en cuestin.
La siguiente grfica muestra claramente que para la variable de entrada error,
cuyo valor va de 90 a +90 su correspondiente accin de control esta descrita en
valores digitales de voltaje de 0 a 255.



Figura 29. Grfica en tercera dimensin de las variables en estudio.

Otro anlisis importante es la grfica de profile o mejor conocido como perfil.
Esta grfica (Figura 6.8) muestra el perfil de la grfica en tercera dimensin de la
figura 6.7. Ntese que para errores cercanos a cero la accin de control es
aproximadamente en valor digital a 128, es decir, 2.5 volts que es cuando el motor (que
mueve al carro) estar parado ya que se ha cumplido el objetivo del proyecto. Se tiene
una linea de "subida" que es nuestro "rango controlable" y en la parte que va de 30
a 90 que forma el miembro de error grande negativo la accin de control es de 0v
(grande negativo) y la parte que va de +30 a +90 es la parte que conforma el error
grande positivo que esta en el orden de 5v.


Figura 30. Grfica del profile con las variables involucradas.


idg87

You might also like