P. 1
Control Difuso

Control Difuso

4.6

|Views: 10.656|Likes:
Publicado porEric Mosvel
Control difuso
Control difuso

More info:

Published by: Eric Mosvel on Jun 02, 2008
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

08/02/2013

pdf

text

original

Introducción al Control Difuso

Introducción
Para la mayoría de sistemas en ingeniería, hay dos fuentes importantes de información: los sensores que proveen medidas numéricas de variables, y los expertos humanos que proveen instrucciones y descripciones lingüísticas acerca del sistema. La información numérica que la proveen los sensores, es la fuente única de información en las aproximaciones convencionales a problemas de ingeniería, mientras que difícilmente incorporamos la información lingüística. Debido a que hay gran cantidad de conocimiento almacenado en términos lingüísticos, es muy importante incorporarlo dentro de los problemas de ingeniería de manera sistemática y eficiente, máxime cuando corresponde a una forma muy cercana de describir el conocimiento humano. Una aproximación a la forma como manejamos la información y la procesamos los humanos, fue presentada por Lofti Zadeh por medio de su Lógica Difusa, la cual permite incluir el razonamiento impreciso y el manejo de la incertidumbre, desde su misma concepción, bajo una connotación de procesamiento de datos aproximado y con palabras. ¿Por qué la información lingüística puede ser representada usando Lógica Difusa?

Conjuntos Difusos

En 1964 Zadeh propone por primera vez la noción de conjuntos difusos en un memorando interno de investigación. En 1965, la revista "Information and Control" publica el memorando anterior, como el artículo "Fuzzy Sets".

Controladores Difusos
En 1974, el Británico Ebrahim Mandani, demuestra la aplicabilidad de la lógica difusa en el campo del control. desarrolla el primer sistema de Control Difuso práctico: La Regulación de un Motor de Vapor.

Modelado Difuso

El modelado difuso fue propuesto con el sistema Takagi Sugeno y a través de él podemos intentar acercar los paradigmas matemáticos y lingüísticos para describir un problema o un sistema.

Fuzzy Boom
Los japoneses empiezan a explotar la lógica difusa de forma masiva, mientras que los occidentales asumen una actitud reacia, frente a estos nuevos desarrollos. Aparece toda una serie de investigadores japoneses en el campo de la lógica difusa tales como Sugeno, Togai, Bart Kosko. En 1986, Yamakawa, "Fuzzy Controller hardware system". Desarrolla controladores fuzzy en circuitos integrados. En 1987, en el Japón se inaugura el tren subterráneo de Sendai, lo que representa un gran hito en la historia de los sistemas difusos, pues el tren es controlado y guiado por us sistema difuso, siendo famosa su suavidad para los pasajeros, sobretodo en el frenado. En 1987, aparece el concepto de “Fuzzy Boom", ya que se comercializa una multitud de productos basados en la lógica difusa, sobretodo en el Japón, pero ya para son bien conocidos productos como las cámaras de fotografía y video con ajuste de imagen difusos, entre otros.

Modelado Neuro-Difuso

El modelado difuso fue propuesto con el sistema Takagi Sugeno y en él se integran las potencialidades de los sistemas difusos y las redes neuronales artificiales. El primero aporta la claridad en cuanto a la descripción del modelo y las segundas su capacidad de adaptación gracias al aprendizaje.

Lógica Difusa Tipo 2
Aunque esta nueva forma de modelar el conocimiento impreciso fue propuesta en 1975 por Zadeh, solo a partir del año 2000 se ha empezado a formular una serie de aplicaciones en el ámbito del control de procesos, procesamiento digital de señales y robótica. En este nuevo paradigma la imprecisión se intenta modelar de una manera más ajustada a la realidad recurriendo a generación de niveles de pertenencia también imprecisos.

Conceptos de Lógica Difusa

Conjunto Binario vs. Conjunto Difuso

1

1

0.8

0.8

0.6

0.6

0.4

0.4

0.2

0.2

0 150

155

160

165

170 175 180 Altura (cm)

185

190

195

200

0 150

155

160

165

170

175

180

185

190

195

200

Conjunto Binario

Conjunto Difuso

¿Cómo podemos representar matemáticamente un conjunto difuso?

Conjuntos Difusos con Universos Discretos
Ciudad deseable para vivir x Cali Medellín San Vicente µA 0.9 0.9 0.3 Número aceptable de hijos x 0 1 2 3 4 5 6 µA 0.1 0.5 1.0 0.7 0.3 0.2 0.1

A = ({Cali,0.9}{Medellin,0.9}{San Vicente,0.3} ) , , ...

,1 , ,  {0,0.1}{ ,0.5}{2,1.0}{3,0.7},  A=  {4,0.3}{5,0.2}{6,0.1}   , ,  

Conjuntos Difusos con Universos Continuos

Edad alrededor de 30 años
1 0.8

X

µA

0.6

0.4

0.2

x≥0, x∈Rn

e-((x-30)/2)^2

0 20

22

24

26

28

30 Edad

32

34

36

38

40

Categorización de una variable con conjuntos difusos
Altura de una persona X = [140,200] cm Etiqueta Muy Baja (MB) Baja (B) Normal (N) Alta (A) Muy Alta (MA) Rango (cm) [140,160] [150,170] [160,180] [170,190] [180,200]

Conjuntos Difusos

Funciones de Pertenencia
Triangular 1.2 1.2 Trapezoidal 1 1

0.8 Nivel de Pertenencia Nivel de Pertenencia 0 10 20 30 40 50 60 70 80 90 100

0.8

0.6

0.6

0.4

0.4

0.2

0.2

0

0

-0.2

-0.2

0

10

20

30

40

50

60

70

80

90

100

(a)

(b)

(c)

(a)

(b)

(c)

(d)

  x−a c−x  trimf(x;a,b,c) = max min ,  ,0     b− a c −b   

  x−a d −x  trapmf(x;a,b,c,d) = max min ,1,  ,0    b−a d −c   

Triangular

Trapezoidal

Funciones de Pertenencia
Gaussiana Campana Generalizada 1 1

0.8 Nivel de Pertenencia Nivel de Pertenencia 0 10 20 30 40 50 60 70 80 90 100

0.8

0.6

0.6

0.4

0.4

0.2

0.2

0

0

-0.2

-0.2

0

10

20

30

40

50

60

70

80

90

100

gaussmf(x;c, σ) = e

1  x −c  −   2 σ 

2

gbellmf(x;b,c) =

1 x−c 1+ b
2b

Gaussiana

Campana Generalizada

Operaciones entre Conjuntos Difusos

Conjunto A

Conjunto B

Operaciones entre Conjuntos Difusos Intersección

C = A ∩ B = {x : x ∈ A ∧ x ∈ B, ∀x ∈ X }

A∩ B

= min{µ A ( x ), µ B (x )}

µ A∩ B = µ A ( x ) ⋅ µ B ( x )

Mínimo

Producto

Operaciones entre Conjuntos Difusos Unión

C = A ∪ B = {x : x ∈ A ∨ x ∈ B, ∀x ∈ X }

A∪ B

= max{µ A ( x ), µ B (x )}

µ A∪ B = µ A ( x ) + µ B ( x ) − µ A ( x ) ⋅ µ B ( x )

Máximo

Suma Algebraica

Operaciones entre Conjuntos Difusos: NOT o Complemento

C = A' = {x : x ∉ A, ∀x ∈ X }

µA = 1− µA

Razonamiento Difuso
El razonamiento difuso está basado en la regla de inferencia Modus Ponens Generalizado (del latín modo que afirma) es una regla de inferencia simple que esta definido como: Premisa 1: x es A’ Premisa 2: SI x es A, ENTONCES y es B Consecuente: y es B’ Donde A, A’ , B, B’ son conjuntos difusos, x, y son variables lingüísticas. El modus ponems generalizado es usado ya que permite realizar una inferencia cuando el antecedente es parcialmente conocido o cuando es similar pero no igual a A.

Sistemas de Lógica Difusa Puro
BASE DE REGLAS DIFUSAS

MECANISMO DE INFERENCIA DIFUSA ENTRADA DIFUSA EN U SALIDA DIFUSA EN V

Un sistema de lógica difusa puro, está compuesto por una base de reglas y un mecanismo de inferencia con los cuales se determina una transformación desde los conjuntos difusos en un universo de discurso de entrada U ∈ Rn, hacia los conjuntos difusos en un universo de discurso de salida V∈Rn. Tienen la desventaja de que sus entradas y salidas son conjuntos difusos, cuando la mayoría de problemas en ingeniería las entradas y salidas son valores numéricos reales. Sin embargo, son útiles para hacer uso sistemático de información lingüística.

Sistemas de Lógica Difusa Takagi Sugeno

En los sistemas de lógica difusa tipo Takagi Sugeno, la base de reglas de inferencia poseen consecuentes de tipo numérico. Podemos considerar que el antecedente de estas reglas es difuso, mientras que el consecuente es determinístico.

Sistemas de Lógica Difusa con Fuzzificador y Defuzzificador

BASE DE REGLAS DIFUSAS

FUZZIFICADOR

MECANISMO DE INFERENCIA DIFUSA ENTRADA DIFUSA EN U SALIDA DIFUSA EN V

DEFUZZIFICADOR

X EN U

Y EN V

Sistemas Difusos
Sistemas Difusos

Takagi-Sugeno-Kang

Mamdani

Lingüísticos

Aproximados

Inferencia Difusa

Nos han llamado para diseñar un sistema que prediga el número de posibles asistentes a una sala múltiple de cine ubicada en un centro comercial muy popular de nuestra ciudad. Cómo podríamos predecir el público que asistiría a una película en particular, con base en un sistema de inferencia difuso?

Inferencia Mamdani
REGLAS DE INFERENCIA Si x1 es A11 AND x2 es A12 ENTONCES y es B1 Si x1 es A21 AND x2 es A22 ENTONCES y es B2

A11

A12

A12(X2)

B1

A11(X1)

x1

X1

x2

X2 A22

M I N B2

AGREGACIÓN

A21

A21(X1) A22(X2) COG x1 X1 x2 X2

Inferencia Sugeno
REGLAS DE INFERENCIA Si x1 es A11 AND x2 es A12 ENTONCES y1=F(x1,x2) Si x1 es A21 AND x2 es A22 ENTONCES y2=F(x1,x2)

A11

A12

A12(X2)

A11(X1)

W1

Y1=F(X1,X2)

x1

X1

x2

X2 A22

P R O D

AGREGACIÓN

Y=

W1Y1 + W2Y2 W1 + W2

A21

A21(X1) A22(X2)

W2

Y2=F(X1,X2)

x1

X1

x2

X2

Control Difuso
El control difuso es una estrategia que pertenece al Control Inteligente cuyas decisiones las toma utilizando un sistema de inferencia basado en lógica difusa. Un controlador Difuso es por naturaleza no lineal y existen diversos tipos, en general se define un conjunto de estructuras básicas cuyo comportamiento se aproxima a los controladores clásicos del tipo Proporcional (P), Integral (I) o Derivativo (D). Donde estas denominaciones dependen del procesamiento que se realice sobre la señal de error antes de entrar al sistema de inferencia difuso. En este curso estudiaremos los siguientes esquemas:
Controlador P difuso Controlador PD difuso con Acción de Control Incremental Controlador PD difuso con derivada de la salida Controlador PI difuso Controlador PID difuso

Control P Difuso

+ ENTRADA e(k)

SISTEMA DE LÓGICA DIFUSA

u(k)

PLANTA

SALIDA

y(k)

Control PD Difuso

+ ENTRADA de/dt e(k) SISTEMA DE LÓGICA DIFUSA
u(k)

PLANTA

SALIDA

y(k)

Controlador PD Difuso con Acción de Control Incremental

Controlador PD Difuso con Acción de Control Incremental

Acción de Control luego de la integración

Salida incremental del sistema difuso

Controlador PD Difuso con derivada de la salida

+ ENTRADA dy/dt e(k) SISTEMA DE LÓGICA DIFUSA
u(k)

PLANTA

SALIDA

y(k)

Controlador PI Difuso

+ ENTRADA 1/s e(k) SISTEMA DE LÓGICA DIFUSA
u(k)

PLANTA

SALIDA

y(k)

Controlador PID Difuso

+ ENTRADA -

e(k) 1/s de/dt SISTEMA DE LÓGICA DIFUSA
u(k)

PLANTA

SALIDA

y(k)

Control de Nivel Definición del Problema
Como ejemplo vamos a controlar el nivel de un liquido en un tanque usando un controlador difuso, en donde las variables de entrada del controlador corresponden al error en el nivel y a la derivada del nivel. Como variable de salida consideraremos la acción incremental sobre la apertura de la válvula.

Control de Nivel Conjuntos Difusos

Error

Acción Incremental

Derivada del Nivel

Control de Nivel Base de Reglas
DERIVADA DEL NIVEL REGLAS MN MN E R R O R N C P MP CM C AM AM AM N CM C A A AM C CM C Q A AM P CM C C A AM MP CM CM CM A AM
ctrl 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 1 0.5 0 -0.5 derivada -1 -1 -0.5 error 0.5 0 1

Control de Nivel Simulación del Controlador

r To Workspace 1.5 Step Subtract du/dt Derivative Gain1 10 Gain Clock MATLAB Function MATLAB Fcn 1.1 Gain2 1 s Integrator 1.5 10s+1 Transfer Fcn

u To Workspace2

y To Workspace1 t tiempo

Control de Nivel Análisis de Desempeño

0.25 Referencia y Salida 0.2 0.15 0.1 0.05 0 0 10 20 30 40 50 60 70 80 90 100 Referencia y Salida

0.4 0.3 0.2 0.1 0

0

50

100

150

200

250

300

350

400

0.5 Acción de Control 0.4 0.3 0.2 0.1 0 0 10 20 30 40 50 tiempo 60 70 80 90 100 Acción de Control

0.5

0

-0.5

0

50

100

150

200 tiempo

250

300

350

400

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->