3.

Control de procesos con lgica difusa (CLD)

3.1. Presentacin

El Control por Lgica Difusa (CLD) es un tipo de control, usualmente de
tipo realimentado, que est basado en reglas. Se orienta al mejoramiento de las
caractersticas del control "clsico", por ejemplo, incorporando conocimiento que
no puede ser descrito en el modelo analtico en que se basa el diseo del
algoritmo de control, y que usualmente, en control "clsico", se deja para modos
manuales de operacin u otros mecanismos de lmites o de seguridad.

Las aplicaciones de CLD pueden dividirse en dos clases:

1) Aquellas en que el CLD es un control supervisor, es decir, complementa al
control realimentado convencional, y

2) aquellas en que el CLD reemplaza al control convencional.

A pesar de que la trascendencia del CLD en el contexto terico general del
control de procesos es an objeto de discusin, el mejor argumento para
consagrar su lugar en la ingeniera de control es que se trata de una tecnologa
til desde un punto de vista industrial y comercial [Driankov, 1993].

Se argumenta que otra ventaja del CLD frente al control tradicional es la
reduccin del tiempo de desarrollo y mantencin [Driankov 1993], lo que est
mostrado con diferentes ejemplos, sin embargo, parece ms prudente sealar
que puede resultar as, pero que depende de la aplicacin que se trate. Por
ejemplo, si una planta est bien modelada, y existen ya algoritmos de control
funcionales (o para problemas similares), optimizar el control podr significar un
esfuerzo menor que disear un sistema de CLD completamente nuevo.

Un diseo de un controlador PID convencional parte por modelar el
sistema o proceso usando ecuaciones diferenciales, en cambio, en el CLD las
reglas se orientan a modelar el comportamiento del operador humano. En las
figuras 3.1 y 3.2 se muestran los diagramas de bloques generales para un CLD y
para un sistema de control clsico.


Figura 3.1. Diagrama de bloques CLD


Figura 3.2. Diagrama de bloques control clsico

El CLD funciona bsicamente de la forma explicada en el captulo 2, es
decir, aplicando un conjunto de reglas que se combina usando lgica difusa. Una
regla se activa ("dispara") si se cumplen las condiciones descritas en las premisas
de la regla. La evaluacin de aquellas condiciones se efecta en forma difusa,
tomando en cuenta la incerteza inherente al conocimiento disponible. Las
variables de entrada (en ingls, inputs) se interpretan como variables lingsticas.
No es inusual que ms de una regla sea gatillada para una misma combinacin
de variables de entrada, en este caso, la mquina de inferencia en un CLD acta
como un procesador paralelo, es decir, todas las reglas que tienen algn grado
de verdad en sus premisas son gatilladas y contribuyen al conjunto difuso de
salida.

Aplicando la inferencia de Mamdani, el resultado que arroja cada una de
las reglas se combina para dar el resultado del conjunto, que es la unin de las
salidas de cada una de las reglas gatilladas. Los consecuentes de todas las
reglas gatilladas se relacionan en el rango [-1,1], combinndose localmente por
un OR lgico. Un OR lgico es una conorma T (norma S), por ejemplo la funcin
max (mximo puntual). Es importante mencionar que se podra usar cualquier
conorma T para ello, la funcin max es la ms usada en aplicaciones de tiempo
real. La expresin para el conjunto difuso de la variable de salida dada por la
inferencia de Mamdani es entonces:

b U
B
: u
B(CR)
(b) = max
k
{ min (u
A(k)
(a), u
B(k)
(b)) }.

Existen variados mtodos para construir la interfaz de des-difusin de un
CLD, como por ejemplo:

- centro de gravedad (o centro de rea) (en ingls: center of gravity);
- promedio de los supremos (en ingls: mean of maxima);
- alturas (en ingls: heights).

El mtodo de centro de gravedad es el ms utilizado, consiste en obtener
la abscisa del centro del rea que se forma bajo la funcin que representa al
conjunto difuso combinado de salida.

Como su nombre lo indica, el promedio de los supremos se obtiene
considerando nicamente los trazos con valor de pertenencia mximo dentro de
todo el conjunto.

El mtodo de alturas considera el valor de la altura (equivalente al grado
de certeza) obtenido por cada una de las reglas individuales gatilladas. El centro
de gravedad de cada consecuente de esas reglas, que es conocido previamente,
(tpicamente trapezoides o tringulos) se pondera por el valor de la altura en cada
caso, y se obtiene un promedio ponderado de todos los consecuentes
representados en el conjunto de salida.

El promedio de los supremos y el de alturas son mtodos
computacionalmente ms rpidos en comparacin con el mtodo de centro de
gravedad.

La Figura 3.3 grafica el proceso recin descrito para dos reglas arbitrarias,
utilizando el mtodo de centro de gravedad como interfaz de des-difusin.


Figura 3.3. Un ejemplo sencillo de inferencia difusa.

Algunos han descrito a un CLD como un sistema experto en tiempo real, la
aceptacin de esta afirmacin depende de la acepcin que se tenga de lo que es
un sistema experto, algunas de las caractersticas importantes para un sistema
experto que el CLD no posee, son la capacidad de explicar las decisiones
tomadas y presentar una interfaz amistosa que muchas veces interacta con el
usuario.

El CLD no es una panacea cuya aplicacin sea obviamente superior en
cualquier aplicacin, se ha visto que puede ser ventajoso aplicar CLD cuando una
o ms de las variables controladas son continuas, y/o si el modelo de la planta (o
proceso) no est bien definido, es muy complejo o no se conoce. Tpicamente se
aplica cuando el manejo de planta ms adecuado ha sido hecho por operadores
humanos con experiencia (basado en heurstica). Tambin ha mostrado ventajas
en los casos en que es importante usar sensores de baja precisin y/o bajo costo.

Repasemos ahora algo de historia del CLD, y del estado del arte. En un
comienzo la lgica difusa estuvo limitada al terreno terico. La primera
demostracin prctica del uso del CLD la dieron Mamdani y Assilian (Queen Mary
College, Londres, 1975), controlando un pequeo modelo de mquina a vapor. La
primera aplicacin comercial importante ocurri tambin en Europa, para un
controlador de temperatura de un horno de cemento desarrollado por Smidth y
Ca. en Dinamarca [Holmblad, 1982]. El primer microprocesador de inferencia
difusa fue desarrollado en los laboratorios AT&T Bell durante los primeros aos
de la dcada de los 80.

Sin embargo, los grandes propulsores de la masificacin en aplicaciones
de CLD en operacin estn en Japn. Los fabricantes japoneses han sido lderes
en esta rea, con aplicaciones como:
a) robots;
b) ferrocarril subterrneo: permitiendo detener suavemente los trenes;
c) mquinas lavarropas: usan sensores pticos o electro-pticos para
determinar la suciedad de la ropa y determinar la cantidad ptima
de detergente, agua y ciclos de lavado necesarios;
d) refrigeradores: sistema de auto-descongelado;
e) cmaras: para compensar en situaciones de luz complicadas (entre
otras aplicaciones);
f) frenos anti-bloqueo (ABS).

Tambin existen aplicaciones de lgica difusa en que sta se utiliza como
herramienta en la modelacin de procesos complejos o pobremente definidos,
construyendo modelos difusos (sin embargo, las aplicaciones prcticas actuales
son generalmente controladores difusos).

Tal como en los controladores convencionales, en variadas situaciones es
ventajoso utilizar controladores difusos adaptivos. La mayor complejidad de incluir
adaptacin en el controlador es que agrega un elemento de potencial
inestabilidad, por lo que no es siempre aconsejable. Existen varias formas de
incorporar adaptabilidad en un controlador difuso. Por ejemplo, la definicin del
recorrido universal de cada variable de entrada, y en consecuencia, en como se
efecta la normalizacin, puede ser adaptiva. La seleccin inicial de los factores
de escala respectivos podr ser modificada (por ejemplo, utilizando reglas de
adaptacin) de acuerdo a la variacin dinmica de la planta.


3.2. Principios de diseo de un CLD

La seleccin de los factores de escala para normalizar los recorridos
universales de cada variable son un compromiso entre la sensibilidad durante el
tiempo de subida (en ingls: rise time) y la precisin requerida en rgimen
permanente (en ingls: steady-state precision).

Las variables de entrada en un CLD pueden ser escogidas de muchas
formas, sin embargo, lo tpico es que sean las siguientes, habiendo tambin
variaciones en el tema:

a) variables de error: la diferencia entre el valor actual de cada una de
las variables controladas y el valor deseado (e).

b) variables de tasa de variacin del error: suponiendo que las
mediciones de las variables controladas son series discretas en el
tiempo con tasa de muestreo constante, la tasa de variacin del
error () en el instante k se construye como:

(k) = e(k) - e(k-1).


As tambin es usual que cada variable de salida (en ingls: output) del
controlador est dada por:

u(k) = u(k-1) + du(k)

, en que el cambio incremental du(k) est determinado por e y .

La representacin del conjunto de reglas que forman la base de
conocimiento del controlador difuso puede hacerse usando tablas difusas de
decisin, o mapas de reglas difusas. Un mapa de reglas difusas muestra las
reglas de la base de conocimiento que sern gatilladas ante los diferentes valores
difusos que tomen dos variables de entrada. La Figura 3.4 muestra un mapa de
regla difusa de una regla especfica.


E2
ng np ce pp pg
ng
np
E1 ce
pp pp
pg
Figura 3.4. Esquema de un mapa de regla difusa.

Un mapa de regla difusa como el mostrado en la Figura 3.4 indica que se
activar la consecuencia pp si la entrada E1 pertenece a pp o pg y E2
pertenece a np.

En control difuso hay tpicamente 3 tipos de conjuntos difusos que se usan
habitualmente, incrementos, disminuciones y aproximaciones. Por su
simpleza son muy utilizados aquellos que se definen usando lneas rectas

- Incrementos o Funcin Gamma :

:U[0,1]

a) Funcin de 2 parmetros (trazos rectos):

0;
( ; , ) ;
1;
u
u
u u
u

<

= < <

>

Una variante de es la funcin S.

b) Funcin S:
2
; 1
; 2 1
; 2
; 0
) , , ; (
2
2

+
=

>
<
|
|

\
|

<
|
|

\
|

=
u
u
u
u
u
u
u S


S es una funcin de dos parmetros. Se usa ms en lgica difusa y no
tanto en control difuso.


- Decrementos o Funcin L:

L:U[0,1], (funcin de dos parmetros).

>
<

u
u
u
u
u L
; 0
;
; 1
) , ; (

- Aproximaciones o Funcin :

:U[0,1], (funcin de 4 parmetros)

<

<
<

<
=

u
u
u
u
u
u
u
u
; 0
;
; 1
;
; 0
) , , , ; (

Esta funcin puede ser simplificada a una funcin (lambda) de tres
parmetros, es decir, triangular.

Por otra parte, extendiendo de la definicin de la funcin S, puede definirse
una funcin Campana - , de la siguiente forma:

>

=



u u S
u u S
u
); 2 / , ; ( 1
); 2 / , ; (
) , ; (