Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Logica Difusa en La Vida Diaria
Logica Difusa en La Vida Diaria
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:
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 del siglo pasado, 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.
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 x A. La negacin de esta proposicin es decir "x no es un elemento
de A" se denotar por x A.
Por ejemplo, s A es el conjunto de los primeros tres nmeros naturales pares,
entonces 2 A, 4 A, 6 A, 24 A, 9 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.
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:
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, ] donde cada x es asignada a un nmero en el
rango comprendido entre [0, ] el cual indica que tanto del atributo A tiene x.
Cuando se normaliza la funcin de membresa ( =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:
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 U}
Para el caso de universos discretos U = {x1, x 2, , x n}, una notacin ms
conveniente es:
1 and 0
0 and 1
0 and 0
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(x1, x2, , xn). 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(x1, x2, , xn). 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 (x1) AND B (x2), evaluadas en x1= 2
para el complemento:
A (x1=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:
A (x) = 1 - A (x)
La figura 6 muestra las grficas de la funcin de membresa de dos conjuntos
difusos y sus conjuntos complementos.
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.
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:
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 x1 es
, x2 es
, , ENTONCES y =
(x0) y
(y0).
1=
(x0)
(y0)
2=
(x0)
(y0)
para la regla 2:
c (w) =
(w)
(w) = [
][
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:
y
de forma similar para la regla 2:
1 = Min (
(x0),
2 = Min (
(x0),
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 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:
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.
Aqu se selecciona uno de los varios mtodos para convertir un conjunto difuso
de salida en una variable solucin no difusa.
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
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.
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.
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.
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).
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.
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).
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.
BIBLIOGRAFIA DE LOGICA
DIFUSA
LIBROS Y ARTICULOS
Cox Earl. Fuzzy Fundamentals, Spectrum IEEE,
October 1992. P.58-61 . Descripcin de controles
difusos, metodologa de diseo, cuando emplearlos y
ejemplos.
Da Ruan (editor). Fuzzy Set Theory and Advanced
Mathematical Applications. Kluwer Academic
Publishers. Libro que contiene una coleccin de
artculos referentes al estudio de los conjuntos difusos.
Dubois Didier y Prade Henri. Fuzzy Sets and Systems:
Theory and Applications, Academic Press. Teora y
aplicaciones de lgica difusa.
Bart Kosko. Neural Networks and Fuzzy Systems. A
Dinamical Systems Approach to Machine Intelligence.
Prentice Hall.
Kaufman Arnold, Gupta Madan M., Introduction to
Fuzzy Artihmetic. Van Nostrand , New York, 1991.
Aritmtica de nmeros difusos y teora sobre
conjuntos difusos.
Lee, Chuen Chien, Fuzzy Logic in control systems:
fuzzy logic controller part I. IEEE Transactions on
Systems, Man and Cybernetics, Vol 20, No.2, p.404418, March/April 1990. Bases tericas sobre control