Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ma Tes GSFJ
Ma Tes GSFJ
ESTUDIOS AVANZADOS
DEL INSTITUTO POLITÉCNICO NACIONAL
MAESTRO EN CIENCIAS
EN LA ESPECIALIDAD DE
CONTROL AUTOMÁTICO
DIRECTOR DE TESIS:
México, D.F.
Octubre del 2005
Dedicatoria
A toda mi familia , por haberme apoyado en todo momento para el logro de mis objetivos.
ii
Agradecimientos
1. Introducción 1
1.1. Motivación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2. Justificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3. Descripción de la tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2. Sistemas difusos 7
2.1. Estructura de los sistemas difusos . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.1. Fuzzificación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.1.2. Mecanismo de inferencia difusa . . . . . . . . . . . . . . . . . . . . . 9
2.1.3. Defuzzicación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2. Tipos de Sistemas difusos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.1. Mamdani . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.2.2. Takagi-Sugeno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.3. Conclusiones del capítulo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.1. (a) y (b) Representación para el sistema lógico difuso jerárquico; (c) repre-
sentación para el sistema lógico difuso convencional de una sola capa. . . . . 20
3.2. Sistema difuso jerárquico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3.3. Un sistema difuso jerárquico para identificación. . . . . . . . . . . . . . . . . 26
3.4. Entrenamiento en el caso general para la identificación de sistemas. . . . . . 29
3.5. Diagrama a bloques que representa el aprendizaje de tipo Off-Line. . . . . . . 30
3.6. Entrenamiento para sistemas de control usando sistemas difusos jerárquicos. 31
3.7. Estructura jerárquica difusa para identificar el sistema no lineal definido por
( 3.11). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.8. Identificación para una sistema difuso jerárquico con 2+2+2=6 reglas difusas. 34
3.9. Salida de la planta y(x) y el modelo identificado ŷ(x) para el ejemplo de cinco
dimensiones cuando 0<t<55. . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.10. Identificación para un sistema difuso convencional con 12 reglas difusas. . . . 35
3.11. Salida de la planta y(x) y el modelo identificado ŷ(x) para el ejemplo de cinco
dimensiones cuando 0<t<55. . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.12. Comparación del desempeño entre los métodos convencional y jerárquico para
el ejemplo de cinco dimensiones. . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.13. Estructura jerárquica difusa para identificar la serie de tiempo Mackey-Glass. 37
x ÍNDICE DE FIGURAS
3.14. Identificación para un sistema difuso jerárquico con 2+2+2=6 reglas difusas. 38
3.15. Salida de la planta y(x) y el modelo identificado ŷ(x) para el ejemplo de predic-
ción en una serie de tiempo tipo Mackey-Glass cuando 0<t<55. . . . . . . . 38
3.16. Identificación para un sistema difuso convencional con 12 reglas difusas. . . . 39
3.17. Salida de la planta y(x) y el modelo identificado ŷ(x) para el ejemplo de predic-
ción en una serie de tiempo tipo Mackey-Glass cuando 0<t<55. . . . . . . . 39
3.18. Comparación del desempeño entre los métodos convencional y jerárquico para
la predicción de una serie de tiempo tipo Mackey-Glass . . . . . . . . . . . . 40
Introducción
Desde que el control difuso fue propuesto por E. H. Mamdani en 1974, diferentes estu-
dios aplicados a la teoría del control difuso han mostrado que el aprendizaje difuso y/o los
algoritmos de control difuso son de las áreas más activas y fructíferas de la investigación en
los últimos años dentro del campo de la lógica difusa. A partir de la década de los ochentas,
la lógica difusa ha desempeñado una función vital en el avance de soluciones prácticas y sen-
cillas para una gran diversidad de aplicaciones en la ingeniería y la ciencia. Debido a su gran
importancia en los sistemas de navegación de vehículos espaciales, control de vuelo, control
satelital de altitud, control de velocidad en mísiles y similares, el área de la lógica difusa se
ha vuelto una parte importante e integral de los procesos industriales y de manufactura.
Desde el punto de vista conceptual, el diseño de sistemas difusos a partir de los pares
de entrada-salida, han sido clasificados en dos tipos. El primer tipo de clasificación sugiere
que las reglas del tipo Si − entonces sean generadas a través de los pares de entrada-salida
y la estructura del sistema difuso sea construida a partir de estas reglas, del mecanismo
de inferencia difusa, del fuzzificador y del defuzzificador. En la segunda clasificación, la
estructura del sistema difuso se especifica primeramente por lo que algunos parámetros en la
estructura difusa son libres de cambio y estos se determinan de acuerdo a los pares de entrada-
salida. Aunque regularmente algunas aplicaciones del control difusos a procesos industriales
han producido resultados superiores a sus equivalentes obtenidos por el control clásico [25],
2 Introducción
1.1. Motivación
Debido al efecto tecnológico causado por el uso de las computadoras a partir de la década
de los 80´s y 90´s, el uso de controladores automáticos asistidos por microcomputadoras
ha crecido considerablemente en muchas de las aplicaciones industriales y militares de la
actualidad. En la gran mayoría de los casos, un control computarizado genera una acción
rápida y precisa de control para sistemas de control basados en la experiencia, sin embargo
1
Esta expresión no es única de los sistema difusos y establece lo siguiente:
“La complejidad de un problema incrementa exponencialmente con el número de variables relacionadas”.
1.1 Motivación 3
estas acciones se realizan generalmente con una baja calidad en el control comparadas con
la habilidad mostrada por un operador humano experto. Para resolver este problema, los
métodos del control difuso hicieron posible que los ingenieros tuvieran herramientas para
diseñar sistemas de control de excelente calidad, sin embargo, conforme las plantas modernas
con múltiples entradas y salidas se han vuelto más y más complejas, la implementación de este
tipo de controladores se ha tornado más difícil debido a la maldición de la dimensionalidad.
Las limitaciones causadas por la maldición de la dimensionalidad, sugirieron una nueva
metodología para el diseño de sistema difusos a través del uso de una estructura jerárquica.
Aunque los sistemas difusos jerárquicos denotan ser la mejor opción para evitar el crecimiento
del número de reglas difusas de forma exponencial, algunos de estos métodos usan estructuras
complejas y en algunos casos estos abarcan solamente algunos problemas específicos.
La finalidad del presente trabajo, es la de dar a conocer un nuevo algoritmo jerárquico
de aprendizaje tipo backpropagation para la identificación de sistemas no lineales sin utilizar
estructuras complejas de entrenamiento y la de ofrecer una metodología del nuevo enfoque
difuso jerárquico mediante el diseño un controlador difuso en tiempo real para el sistema
riel-esfera. Este sistema se utiliza para ejemplificar y justificar el desarrollo de esta tesis,
en particular, el prototipo esta ubicado en el Centro de Servicios Experimentales (CSE) del
Departamento de Control Automático (DCA) del CINVESTAV-IPN.
Finalmente mencionaremos los casos en los que es necesario utilizar sistemas difusos
jerárquicos:
5. En general, cuando se quieran representar y operar con una gran variedad de parámet-
ros que tengan cierto grado de imprecisión o incertidumbre.
4 Introducción
1.2. Justificación
Al leer algunos artículos y libros de texto referentes a la teoría del control difuso, el
lector crea una opinión acerca de como trabaja y se desempeña el control lógico difuso. En lo
particular, es fácil observar que la mayoría de la literatura no ofrece los suficientes conceptos
fundamentales sobre la teoría difusa y el control difuso. Sin embargo, cuando el lector localiza
cuales son estos conceptos, este comienza a adquirir una opinión diferente acerca de ¿cómo?
y cuando el control difuso trabaja, además de la habilidad para reconocer cuando este es más
práctico2 que el control convencional. De acuerdo con D. Abramovithc 1994 [1], es claro que
la lógica difusa puede ser mucho más útil de lo que sus opositores harían creer. Cualquier
aplicación candidata al control difuso es aquella que relacione una “interacción humana” y
una “regla de control” previamente establecida, i.e., estos son problemas donde la diferencia
entre el bien y el mal no es binaria. En la actualidad, el uso del control difuso convencional
satisface el objetivo de controlar cualquier proceso basado en la información cualitativa de
los procesos.
Aunque el creciente número de aplicaciones de los controladores difusos han sido re-
stringidos en gran medida a la falta de seguridad en su desempeño, en los últimos años el
mundo actual ha sido incitado en considerar y aplicar esta área para su uso en los sistemas de
control. En contraste con el controlador difuso convencional, el controlador difuso jerárquico
no sólo controla el sistema deseado de forma adecuada, sino que también reduce el efecto
causado por la maldición de la dimensionalidad, de tal forma que permite la implementación
del controlador difuso en forma práctica y sencilla. Por otra parte, la construcción de sis-
temas difusos en jerarquías, ofrecen la grandes recompensas de modelar no linealidades sin
la necesidad de emplear algoritmos complejos y por supuesto el de dar soporte a algunos
controladores convencionales en donde el margen de error es crítico.
Finalmente existen algunos problemas, en donde, los sistema de control han sido diseñado
específicamente para trabajar bajo el control de un operador humano. Mediante el uso de
sensores extras y tiempos de muestreo más rápidos que los ofrecidos por un operador humano,
2
En costo e implementación.
1.3 Descripción de la tesis 5
el control difuso fácilmente ofrece el mismo desempeño realizado por este último. Es por
tanto, que la contribución real que ofrecen los sistemas difusos jerárquicos a las áreas de la
ingeniería, ciencia, negocios, medicina, psicología y similares, es de suma importancia en la
actualidad.
Sistemas difusos
Controlador difuso
Base de reglas
ui yi
Fuzzificador Deffuzificador
Mecanismo
de
difuso inferencia difuso
La figura 2.1 ilustra el diagrama a bloques y los componentes básicos de un sistema difuso
en donde los conjuntos clásicos Ui y Yi son llamados el universo del discurso para ui y yi
respectivamente. En particular, ui ∈ Ui con i = 1, 2, 3, ..., n y yi ∈ Yi con i = 1, 2, ..., m
definen las entradas y salidas correspondientes del sistema difuso.
De acuerdo a la figura 2.1, es fácil observar que el sistema difuso utiliza conjuntos difusos,
definidos por la base de reglas difusa, para cuantificar la información en la base de reglas
y que el mecanismo de inferencia opera sobre estos conjuntos difusos para producir nuevos
conjuntos difusos, por tanto, es necesario especificar como el sistema convertirá las entradas
numéricas ui ∈ Ui en conjuntos difusos, un proceso llamado “fuzzificación”, tales que ellos
puedan ser utilizados por el sistema difuso. De igual forma, el proceso llamado defuzzificación
describe el mapeo de un espacio de acciones de control difuso en acciones de control no difuso.
La defuzzificación por tanto, genera una acción de control no difusa la cual denotamos
generalmente por yqcrisp y es la mejor representación de una salida difusa inferida.
2.1.1. Fuzzificación
El proceso de la fuzzificación consiste en una transformación de un dato o de un conjunto
clásico a su correspondiente conjunto difuso, por tanto, denotemos por Ui∗ , el conjunto de
todos lo posibles conjuntos difusos que pueden ser definidos por Ui y dado ui ∈ Ui , denotemos
la transformación difusa de ui a un conjunto difuso por Afi uz , el cual es definido en el universo
del discurso Ui .
La transformación de un conjunto clásico a un conjunto difuso se produce mediante el uso
del operador de fuzzifiación F, Passino [23], definido por F : Ui → Ui∗ en donde F(ui ) = Afi uz .
Regularmente el uso del fuzzificador tipo singlenton es el más utilizado para las aplica-
ciones en área del control automático y este es definido como un conjunto difuso Afi uz ∈ Ui∗
con función de membresía
(
1 si x = ui
µAf uz (x) = . (2.1)
i
0 en otro caso
Cualquier conjunto difuso con la forma (2.1) en su función de membresía es llamado “sin-
glenton1 ”, figura (2.2).
forma
Si x es A entonces y es B (2.2)
3. Implicación de Zadeht [28]: Aquí la regla difusa (2.2) es interpretada como una relación
difusa RZ en A × B con función de membresía
4. Implicación Mamdani [28]: La regla difusa (2.2) es interpretada como una relación RM
en A × B con función de membresía
2.1.3. Defuzzicación
La defuzzificación es definida como un mapeo de un conjunto difuso B 0 en V ⊂ R (que
es la salida de la inferencia difusa) a un elemento de un conjunto clásico yqcrisp = y ∗ ∈ V.
Conceptualmente, la tarea de defuzzificar es especificar un punto, elemento de V, que refleje
la mejor representación del conjunto difuso B 0 . A la fecha no existe un algoritmo óptimo para
la defuzzificación, sin embargo, algunos métodos de defuzzifiacación son prácticos. Como es
común, a continuación detallaremos dos de las técnicas más utilizadas para la defuzzificación.
3
Por simplicidad usaremos (j, k, ..., l; p, q)i = Ri para denotar la i − ésima regla difusa de una base de
reglas difusa tipo MISO.
12 Sistemas difusos
denota el área bajo µB̂qi (yq ). Note que el sistema difuso debe ser definido tal que
X
R Y
µB̂qi (yq )dyq 6= 0 (2.9)
i=1 yq
para toda ui , o la salida yqcrisp , no será definida apropiadamente. Este valor no debe
ser cero si existe una regla seleccionada para cada posible combinación de las entradas
del sistema difuso y si todo el conjunto difuso de la consecuencias tiene área distinta
de cero.
X
R n o
bqi sup µB̂qi (yq ) 6= 0 (2.11)
yq
i=1
n o
para toda ui , en donde el supyq µB̂qi (yq ) es regularmente fácil de calcular si µB̂qi (yq ) =
1 para al menos un yq , entonces para varias estrategias de inferencias podemos utilizar
los cálculos4 correspondientes para la i − ésima regla (j, k, ..., l; p, q)i por lo que el
conjunto difuso de implicaciones B̂qi es definido en su función de membresía como
y obtener
n o
sup µB̂qi (yq ) = µi (µ1 , µ2 , ..., µn ) (2.13)
yq
Por lo tanto, la ecuación para la defuzzificación centro promedio esta dada por
PR q
bi µi (u1 , u2 , ..., un )
yqcrisp = Pi=1
R
(2.14)
i=1 µi (u1 , u2 , ..., un )
PR
donde se debe asegurar que i=1 µi (u1 , u2 , ..., un ) 6= 0 para toda ui .
2.2.1. Mamdani
En esta subsección definiremos la construcción de un sistema difuso tipo Mamdani.
Primero, considérese una base de reglas difusas del tipo MISO descritas por (2.15)
en donde Aji , Ak2 ,..., Aln y Bjs para Rj , representan los valores lingüísticos correspondientes,
Passino [23].
14 Sistemas difusos
ui = x∗i (2.16)
se tiene que
¡ ¢
ui es Aji → µAj (x∗i ) (2.18)
i
Rj : Si x∗1 es Aj1 y x∗2 es Ak2 y,..., y x∗n es Aln entonces yj es Bjs (2.19)
El motor de inferencia difusa que utiliza esta base de reglas difusas es el mecanismo de
inferencia del producto o implicación de Mamdani, por lo que para la j − ésima regla se
tiene que:
Y
n
µAj (x∗i ) µB̃j (y) (2.21)
i
i
en donde el índice M representa el número de reglas para (2.15) y B̃js denota el valor lingüís-
tico correspondiente a la salida yj de la j − ésima regla difusa Rj , con j = l.
2.2 Tipos de Sistemas difusos 15
Y
n
¡ ¢
µAj (x∗i ) µBj y j (2.23)
i
i
y
¡ ¢
µB̃j y j = 1 (2.24)
Teorema 2.1 Sistemas difusos con base de reglas difusas, mecanismos de inferencia tipo
producto, fuzzificador singlenton y defuzzificador centro promedio poseen el siguiente mapeo
no lineal à n !
X
m Y
yj µAj (xi )
i
crisp j=1 i
y = m à n ! (2.25)
X Y
µAj (xi )
i
j=1 i
2.2.2. Takagi-Sugeno
El modelo difuso de Takagi-Sugeno (también conocido como modelo TKS) fue propuesto
por Takagi, Sugeno y Kang [9], en un esfuerzo para formalizar un método sistemático para
generar reglas difusas a partir de un conjunto de datos de entradas y salidas. Una típica
regla difusa en el modelo de Sugeno tiene la forma
Este método de defuzzification se llama el medio difuso “fuzzy mean”. El modelo difuso del
singleton pertenece a una clase general de las funciones aproximadoras, llamadas la extensión
de las funciones básicas (Friedman, 1991) tomando la forma:
X
K
y= φ(x)bi (2.29)
i=1
(c)
Figura 3.1: (a) y (b) Representación para el sistema lógico difuso jerárquico; (c) repre-
sentación para el sistema lógico difuso convencional de una sola capa.
Comentario 3.1 Los sistemas difusos jerárquicos consisten de un número de sistemas di-
3.2 Identificación de sistemas vía aprendizaje difuso jerárquico 21
fusos de baja dimensión conectados en un arreglo jerárquico, por tanto no existe restricción
alguna para aplicar el orden en las jerarquías, figura 3.1(a) y (b).
Debido al problema2 que enfrenta el diseño de los sistemas difusos convencionales con una
precisión establecida, el propósito fundamental de este capitulo, es el de introducir un método
tipo backpropagation para la identificación de sistema vía sistemas difusos jerárquicos. En
ciertos casos, el diseño de un sistema difuso también es limitado cuando no podemos decidir la
función de membresía de prioridad, por lo que generalmente, se recomienda el uso del dato
de entrada-salida para entrenar los parámetros de la función de membresía, por ejemplo
ANFIS [10] y el aprendizaje por el método del gradiente [28], sin embargo para evitar esta
limitación, en el presente trabajo se asume que ambas funciones de membresía, premisa y
consecuencia, son desconocidas.
El nuevo algoritmo que se presenta a continuación es tan sencillo que podemos entrenar
exactamente los parámetros de cada sub-bloque independientemente con diferentes veloci-
dades en el aprendizaje. Adicionalmente, un par de ejemplos se incluyen para ilustrar la
efectividad del algoritmo sugerido.
2
Problema causado por la “maldición de la dimensionalidad”.
3.2 Identificación de sistemas vía aprendizaje difuso jerárquico 23
en donde 2 ≤ n1 < n y i = 1, 2, . . . , l1 .
El p − ésimo nivel (p > 1) es un sistema difuso con np variables de entrada y una sola
salida, por lo tanto, la base de reglas definidas para el sistema difuso de este nivel es
construido a través de
De acuerdo al diseño convencional de los sistemas difuso, existen varias estrategias para
representar la salida de estos, el presente trabajo considera el uso del mecanismo de inferencia
tipo producto, el uso del fuzzificador singlenton y del defuzzificador centro promedio por lo
que el mapeo no lineal
" #
P
l Q
n
wi µAij (xj )
i=1 j=1
yb = " #
P
l Q
n
µAij (xj )
i=1 j=1
representa la salida ŷ del sistema difuso definido a partir de la base de reglas difusas definidas
por (3.1), en donde µAij representa las funciones de membresía de los conjuntos difusos Aij y
wi es la moda de µB1i , es decir, µB1i = 1.
Adicionalmente, para el sistema difuso jerárquico de la figura 3.2, se tiene que la salida
3.2 Identificación de sistemas vía aprendizaje difuso jerárquico 25
en donde µAij representa las funciones de membresía de los conjuntos difusos Aij y wi es la
moda de µB1i , es decir, µB1i = 1
Similarmente, el p − ésimo nivel (p > 1) es dado por
lp
" np1 np2
#
X Y Y
wpi µAip,j (xp,j ) µDp,j
i (ŷp−1,j )
X
l X
l
i i
a := w z , b := zi
i=1 i=1
26 Sistemas difusos jerárquicos vía aprendizaje para identificación de sistemas
Planta
Fs1
Fs3
Fs2
Similarmente, como
¡ ¢ n " µ ¶2 # " ¡ ¢2 #
∂J ∂J ∂ ŷ ∂z i ∂ ab Y xj − cij xj − cij
= = (ŷ − y) exp − 2 ¡ ¢3
∂σ ij ∂ ŷ ∂z i ∂σ ij ∂z i j=1 σ ij σ ij
, σ ij es actualizado por
¡ ¢2
(wi − ŷ) xj − cij
σ ij (k + 1) = σ ij (k) − 2η(ŷ − y)z i
¡ ¢3 .
b σ ij
Si definimos el error de identificación como e = ŷ(k) − y(k). El método del gradiente descen-
diente puede escribirse en en términos del error
zi
wi (k + 1) = wi (k) − η e (3.5)
b ¡ ¢
i i i
(wi (k) − ŷ(k)) xj (k) − cij (k)
cj (k + 1) = cj (k) − 2ηz (k) ¡ ¢2 e
b(k) σ ij (k)
¡ ¢2
i i i
(wi (k) − ŷ(k)) xj (k) − cij (k)
σ j (k + 1) = σ j (k) − 2ηz (k) ¡ ¢3 e.
b(k) σ ij (k)
Las entradas y las salidas de cada subsistema están definidas como se muestra en la figura
(3.3), por lo que el índice de desempeño es modificado de tal forma que J = 1
2
(ŷ3 − y)2 .
Para el módulo F s3, el algoritmo de aprendizaje es el mismo descrito por la ecuación (3.5),
solamente que debemos agregar los subíndices correspondientes en cada una de las variable,
por ejemplo, wi (k +1) → w3i (k +1), cij (k +1) → ci3 (k +1), σ ij (k +1) → σi3 (k +1), x3,1 = ŷ1 (k),
x3,2 (k) = ŷ2 (k), e = ŷ3 (k) − y(k) = e3 y
l3
"n #
X Y3
µAi3,j (x3,j )
i=1 i=1
∂ ŷ3
de la figura (3.3), sabemos que ∂ ŷ2
corresponde a x3,2 (k), por lo que
∂J
= ŷ3 − y.
∂ ŷ3
∙ ¸ " #
∂ ŷ3 ∂ ŷ3 ∂z3i a3 w3i i ŷ2 − ci3,2
= i = 2 − z 2¡ ¢2 , (3.7)
∂ ŷ2 ∂z3 ∂ ŷ2 b3 b3 3 σ i3,2
a3 ȳi ŷ3 −ȳ3i
ya que b23
− b3
= b3
, y
p
q
donde eo (k) es el error de identificación, ŷo (k) es la salida del sistema difuso jerárquico
completa y y(k) es la salida de la planta. Entonces propagando el error hacia atrás se forma
la estructura del sistema difuso jerárquico. De acuerdo con la figura (3.4), podemos calcular
el error para el bloque p (definido como ep ) formado a través del bloque q (definido como eq ).
Recordando la discusión anterior de la regla de la cadena se tiene
yq − wqi i ŷp − ciq,p
ep = 2 zq ¡ ¢2 eq . (3.9)
bq σ iq,p
Bloque de control
Controlador
difuso Planta
HFS Σ
Bloque de identificación
p
q
Figura 3.6: Entrenamiento para sistemas de control usando sistemas difusos jerárquicos.
donde eo (k) es el error de control, ûo es la salida del controlador difuso jerárquico completo
y u(k) es la salida del controlador convencional. Entonces propagando el error hacia atrás
se forma la estructura del sistema difuso jerárquico. De acuerdo con la figura 3.6, podemos
calcular el error para el bloque p (definido como ep ) formado a través del bloque q (definido
como eq ). Recordando la discusión anterior de la regla de la cadena se tiene
¡ i ¢¡ i
¢
wp (k) − ûp (k) x p,j (k) − cp,j (k)
cip,j (k + 1) = cjp,i (k) − 2ηzpi (k) ¡ ¢2 ep ,
bp (k) σ ip.j (k)
¡ i ¢¡ ¢2
wp (k) − ûp (k) xp,j (k) − cip,j (k)
σ ip,j (k + 1) = σ ip,j (k) − 2ηzpi (k) ¡ ¢3 ep ,
bp (k) σ ip,j (k)
np
Y ∙ ³ ´¸ lp
Y
xp.j −cip,j 2
en donde zpi = exp − σi
y bp = zpi .
p,j
j=1 j=1
3.4. Simulaciones
El primer sistema, un ejemplo de cinco dimensiones, es usado para validar la importancia
del método difuso jerárquico y el método de análisis correspondiente a la subsección anterior.
Por otra parte, el segundo ejemplo, la predicción de una serie de tiempo tipo Mackey-Glass,
es empleado para ilustrar el buen comportamiento en el aprendizaje y demostrar la excelente
habilidad en la generalización del método tipo backpropagation.
x(k) = [x1 , x2 , x3 , x4 , x5 ].
3.4 Simulaciones 33
Planta
Fs1
Fs3
Fs2
Figura 3.7: Estructura jerárquica difusa para identificar el sistema no lineal definido por (
3.11).
Para la identificación del sistema no lineal definido por (3.11), se utilizó el modelo de la
estructura jerárquica difusa definido en la figura 3.7. La identificación se realizó por com-
putadora con la ayuda de Matlab usando dos reglas difusas para cada bloque difuso jerárquico
l1 = l2 = l3 = 2 y definiendo el número total de entradas para cada bloque como n1 = 3,
n2 = 2 y n3 = 2. Observe que el número de entradas y de reglas difusas definidas en cada
bloque difuso pueden ser definidas arbitrariamente por ejemplo l1 = l2 = l3 = 3 y n1 = 2,
n2 = 2 y n3 = 3 , sin embargo, para mostrar la efectividad del algoritmo en la reducción de
las reglas difusas se utiliza el formato propuesto. La simulación utiliza 200 datos de entre-
namiento para el ejemplo, en donde la señal de entrada para el entrenamiento es aleatoria
en el rango de [0, 1].
Las figuras 3.8, 3.9, 3.10 y 3.11 muestran los resultados de la simulación numérica para
el sistema descrito por la ecuación (3.11) a través del uso de sistemas difusos jerárquicos y
el método convencional de identificación propuesto por Brown [2], Jang [10] y Lin [16]. En
las figuras 3.8 y 3.9, se presentan la salida de la planta y el modelo identificado a través del
uso de los sitemas jerárquicos difusos. Como se puede observar en la figura 3.9, este modelo
identificado representa una mejor aproximación de la planta no lineal con respecto a los
resultados mostrados por el método convencional difuso, figuras 3.10 y 3.11 respectivamente.
34 Sistemas difusos jerárquicos vía aprendizaje para identificación de sistemas
25
20
15
10
0
0 20 40 60 80 100 120 140 160 180 200
Tiempo
Figura 3.8: Identificación para una sistema difuso jerárquico con 2+2+2=6 reglas difusas.
S alida de la planta
Modelo identificado
25
20
15
10
5 10 15 20 25 30 35 40 45 50 55
Tiempo
Figura 3.9: Salida de la planta y(x) y el modelo identificado ŷ(x) para el ejemplo de cinco
dimensiones cuando 0<t<55.
3.4 Simulaciones 35
25
20
15
10
-5
0 20 40 60 80 100 120 140 160 180 200
Tiempo
Figura 3.10: Identificación para un sistema difuso convencional con 12 reglas difusas.
S alida de la planta
Modelo identificado
25
20
15
10
-5
5 10 15 20 25 30 35 40 45 50 55
Tiempo
Figura 3.11: Salida de la planta y(x) y el modelo identificado ŷ(x) para el ejemplo de cinco
dimensiones cuando 0<t<55.
36 Sistemas difusos jerárquicos vía aprendizaje para identificación de sistemas
50
40
E rror cuadrático medio
30
20
10
0
0 20 40 60 80 100 120 140 160 180 200
Tiempo
Figura 3.12: Comparación del desempeño entre los métodos convencional y jerárquico para
el ejemplo de cinco dimensiones.
Planta
Fs1
Fs3
Fs2
Figura 3.13: Estructura jerárquica difusa para identificar la serie de tiempo Mackey-Glass.
0,2x(t − τ )
ẋ(t) = .
1 + x10 (t − τ )
De acuerdo con ejemplo propuesto por Chung [6], en nuestra simulación se establece que
τ = 30, m = 6, ∆t = 6, ls = 6 y un total de 1200 datos se recolectaron con el siguiente
formato
[x(t − 30), x(t − 24), x(t − 18), x(t − 12), x(t − 6), x(t); x(t + 6)] (3.12)
1.2
0.8
0.6
0.4
0.2
0
0 200 400 600 800 1000 1200
Tiempo
Figura 3.14: Identificación para un sistema difuso jerárquico con 2+2+2=6 reglas difusas.
1.2
1.1
0.9
0.8
450 460 470 480 490 500 510 520 530 540 550
Tiempo
Figura 3.15: Salida de la planta y(x) y el modelo identificado ŷ(x) para el ejemplo de predicción
en una serie de tiempo tipo Mackey-Glass cuando 0<t<55.
3.4 Simulaciones 39
0.5
0
200 400 600 800 1000 1200
Tiempo
Figura 3.16: Identificación para un sistema difuso convencional con 12 reglas difusas.
S alida de la planta
Modelo identificado
1.3
1.25
1.2
1.15
1.1
1.05
0.95
0.9
0.85
0.8
580 590 600 610 620 630 640 650 660 670 680
Tiempo
Figura 3.17: Salida de la planta y(x) y el modelo identificado ŷ(x) para el ejemplo de predicción
en una serie de tiempo tipo Mackey-Glass cuando 0<t<55.
40 Sistemas difusos jerárquicos vía aprendizaje para identificación de sistemas
Error medio cuadrático para la predicción de una serie de tiempo tipo Mackey-Glass
0.025
S istema difuso jerárquico
S istema difuso convencional
0.02
E rror medio cuadrático
0.015
0.01
0.005
0
0 200 400 600 800 1000 1200
Tiempo
Figura 3.18: Comparación del desempeño entre los métodos convencional y jerárquico para
la predicción de una serie de tiempo tipo Mackey-Glass .
Controlador
difuso Planta
M1
Controlador
M3
difuso
M2
cen de significado físico y llegan a ser tan prominentes como el gran crecimiento desmesurado
de capas en un (HFS), Brown [3] y Wang [29]. Para tratar este problema y el de su imple-
mentación, Joo (1999) [12] define que el diseño de los sistema difuso jerárquicos se debe
relacionar como un sistema de lógica difusa de estructura jerárquica (S-HFS2 ) tal y como se
muestra en la figura 4.3.
En la primera capa del S-HFS, todas las variables de entrada pueden ser usadas como
variables lingüísticas de antecedentes, siempre y cuando las variables del sistema sean uti-
2
Structure-hierarchical fuzzy system
46 Sistemas difusos jerárquicos vía mapeo de variables para control difuso
lizadas normalmente como variables de entrada en esta capa. En la segunda capa, las salidas
de la primer capa no deben ser utilizadas como variables lingüísticas de antecedentes ya que
estas tienen poco significado físico. En vez de esto, éstas son usadas en las partes entonces
de las reglas difusas de esta capa, conclusiones. Las variables lingüísticas de antecedentes de
la capa siguiente, por ejemplo, pueden ser seleccionadas de los representantes elegidos de las
variables de entrada de la capa anterior. Consecuentemente, sólo las variables con significado
físico se utilizan en los antecedentes de las reglas difusas y las reglas difusas que resultan
llegan a ser fáciles de diseñar. Finalmente, el uso de este esquema facilita el diseño de las
reglas difusas implicadas en las capas medias de la estructura jerárquica sin la necesidad de
reajustar o rediseñar las reglas correspondientes a cada unidad lógica difusa (FLU).
F1
F2
ejemplo, definamos cada variable de entrada con tres términos lingüísticos : N es negativo,
C es cero y P es positivo. De esta manera, podemos obtener 27 (3×3×3=27) reglas difusas.
La reglas difusas de la figura 4.5 son las siguientes:
si θ es P , y θ̇ es P y x es P , entonces u es P ,
si θ es P , y θ̇ es C y x es P , entonces u es N,
.. .
.
si θ es N, y θ̇ es N y x es N, entonces u es N.
Primero,
³ ´de acuerdo a la figura 4.4, las variables de entrada definidas para el módulo F1
son θ, θ̇ . De acuerdo a la figura 4.5, uno fija los valores θ y θ̇ para escoger cada columna
vertical y comenzar el proceso de reducción como lo muestra la figura 4.6.
Intuitivamente, existen cinco tipos diferentes de renglones, por tanto, solamente necesita-
mos de cinco variables de mapeo para la salida intermedia uθ . Definiendo las cinco variables
de mapeo como Av , Bv , Cv , Dv y Ev , respectivamente (la figura 4.7 denota la relación de es-
tas variables). A continuación, seleccionemos el primer renglón de la figura 4.7 para explicar
que θ es P y que θ̇ es también P y a su vez, este es mapeado a la variable A. Obviamente,
de la figura 4.7, el FLU de F1 mostrado en la figura 4.8 puede ser construido a través de las
48 Sistemas difusos jerárquicos vía mapeo de variables para control difuso
4
3
4 3
P C P Av
N N P
C P C Bv
N N P
P P C Dv Cv
N N N
N N N Ev
C P C
N N N
si θ es P y θ̇ es P entonces u0 es Av ,
si θ es P y θ̇ es C entonces u0 es Bv ,
.. .
.
si θ es N y θ̇ es N entonces u0 es Ev .
De acuerdo con la figura 4.7, la relación que existen entre u0 y x es equivalente a la relación
entre las variables de mapeo (Av , Bv , Cv , Dv y Ev ) y a x. Por tanto, la tabla de la figura
4.9 puede ser construida como sigue:
si u0 es Av y x es P entonces u es P ,
si u0 es Av y x es C entonces u es Z,
.. .
.
si u0 es Ev y x es N entonces u es N.
Las reglas de la tabla de la figura 4.8 y 4.9 son lo que deseábamos para F1 y F2 respectiva-
mente.
50 Sistemas difusos jerárquicos vía mapeo de variables para control difuso
Comentario 4.1 Para comprobar que se puede conseguir el mismo modelo de entrada-salida
antes y después de aplicar el método L-HFS, supóngase que tenemos un sistema con tres
variables de entrada y una base de reglas difusas definidas por la tabla de la figura 4.5.
Mediante el método convencional de la lógica difusa de una sola capa, la salida de u puede
ser expresada como sigue:
si θ es P y θ̇ es P y x es P entonces u es P.
Sin embargo, usando método L-HFS, podemos conseguir la misma salida u mediante el uso
de la tablas de las figuras 4.8, 4.9 y 4.4 respectivamente. Por lo que la descripción es la
siguiente:
si θ es P y θ̇ es P entonces u0 es Av .
si u0 es Av y x es P entonces u es P ,
son únicamente 24. Claramente, se ve de las tablas de la figura 4.8, 4.9 y 4.4. Eso significa
que hay 9 reglas para conseguir la salida de u0 y 15 reglas para conseguir la salida de u.
En cuanto a un sistema de n variables de entrada, el mismo modelo de la entrada-salida se
puede obtener antes y después la descomposición L-HFS y el número de reglas totales será
reducido considerablemente.
1i
12 22 n2
11 21 31 41 n1
Paso 3: De la figura 4.10, fije las variables de entrada x1 ,x2 ,x3 ,x4 y utilice el proceso
de reducción para obtener el mapeo de las variables de salida FLU (12 ). De la misma man-
era utilice el procedimiento para ejecutar el mapeo de las variables de salida para obtener
22 ,32 ,. . .,n2 .
Paso 4: Repita el procedimiento del paso anterior hasta agotar todas las combinaciones
y hasta que la segunda capa se alcance.
Paso 5: En la capa final, podemos tabular las reglas finales FLU de las salidas lingüísticas
relacionadas a las variables de mapeo de la capa anterior.
Paso 6: Si al aplicar el proceso de mapeo de reducción para la i-ésima capa FLU (1i ), no
se observa reducción alguna para el mapeo de las variables de salida, redefiniremos el módulo
o los módulos correspondiente mediante el uso del operador mínimo5 , aplicado a cada una de
las premisas de las reglas difusas del o de los módulos correspondientes, de tal manera que
esta operación redefina la nueva consecuencia de la regla difusa correspondiente.
Paso 7: Por último las nuevas reglas difusas se comparan mediante el uso de un índice
de aproximación, el cual, de manera simple nos lleva a un proceso de reducción sencillo para
los módulos correspondientes.
1 µ A(x)
0.5
Definición 4.1 Sean las reglas mostradas en las ecuaciones 4.1 y 4.2, la i-ésima y j-ésima
regla difusa correspondientes a una base de reglas difusa de tipo MISO.
X
3
|αi − β i | < φ (4.4)
i=1
i j
en donde 4.3 denota el área bajo la curva de las funciones de membresía µR R
α (x) y µβ (x).
Note que para el índice de la ecuación (4.4), αi y β i representan los valores
n correspondiente o
i
a las tripleta definidas por las funciones de membresía µR α = mı́n µ j , µAk , ..., µAl
A1 y
n o 2 n
j
µR
β = mı́n µAj , µAk2 , ..., µAln respectivamente, figura 4.11.
1
A continuación para validar el desempeño de los sistemas difusos jerárquicos en los sistema
de control difuso se desarrolla un ejemplo para mostrar la efectividad del método en el sistema
riel-esfera propuesto por Ortiz [22].
54 Sistemas difusos jerárquicos vía mapeo de variables para control difuso
F1
F3
F2
⎧
⎪
⎪ 0 si x ≤ 0
⎪
⎪
⎨ x si 0 ≤ x ≤ 1
µP (x) = (x, 0, 1, 2) = ,
⎪
⎪ 2 − x si 1 ≤ x ≤ 2
⎪
⎪
⎩
0 si x ≥ 2
⎧
⎪
⎪ 0 si x ≤ −2
⎪
⎪
⎨ x + 2 si − 2 ≤ x ≤ −1
µN (x) = (x, −2, −1, 0) = ,
⎪
⎪ −x si − 1 ≤ x ≤ 0
⎪
⎪
⎩
0 si x ≥ 0
y
⎧
⎪
⎪ 0 si x ≤ −1
⎪
⎪
⎨ x + 1 si − 1 ≤ x ≤ 0
µC (x) = (x, −1, 0, 1) =
⎪
⎪ 1 − x si 0 ≤ x ≤ 1
⎪
⎪
⎩
0 si x ≥ 1
como se muestra en la figura 4.15.
Paso 1: La estructura para el diseño del HFS del sistema riel-esfera se muestra en la
figura 4.13 y la figura 4.14 muestra la tabla correspondiente a la base de reglas del controlador
difuso para un sistema convencional de lógica difusa de una sola capa, construido a través
de las siguientes reglas difusas del tipo si-entonces
si r es N y ṙ es C y θ es N y θ̇ es C entonces u es P ,
si r es N y ṙ es NC y θ es N y θ̇ es C entonces u es P ,
si r es N y ṙ es N C y θ es N y θ̇ es C entonces u es P G, (4.5)
..
.
si r es P y ṙ es NC y θ es P y θ̇ es NC entonces u es N.
1
N C P
0.8
membresía
0.6
0.4
0.2
0
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2
x
(b) Funciones de salida
1
NG N P PG
0.8
membresía
0.6
0.4
0.2
0
-3 -2 -1 0 1 2 3
x
Las base de reglas difusas del tipo si-entonces para el módulo Fr son
si r es N y ṙ es C entonces ur es RA (4.6)
si r es N y ṙ es NC entonces ur es RB
si r es P y ṙ es C entonces ur es RC
si r es P y ṙ es NC entonces ur es RD .
Paso 3: De manera similar fije θ y θ̇, use nuevamente el método de mapeo L-HFS para
obtener el mapeo de variables RE , RF , RG y RH . Construya las reglas para el módulo F2
como muestra la figura 4.16.
Las base de reglas difusas del tipo Si-entonces para el módulo Fθ son
si θ es N y θ̇ es C entonces ur es RE (4.7)
si θ es N y θ̇ es NC entonces ur es RF
si θ es P y θ̇ es C entonces ur es RG
si θ es P y θ̇ es NC entonces ur es RH .
58 Sistemas difusos jerárquicos vía mapeo de variables para control difuso
Reglas para F1 o Fr
Reglas para F3 o Fu
Reglas para F2 o Fθ
si ur es RA y uθ es RE entonces u es P
..
.
si ur es RB y uθ es RH entonces u es N (4.8)
..
.
si ur es RD y uθ es RH entonces u es N.
Obsérvese en este punto que continuar con el proceso resultaría inútil, dado que el número
de reglas se ha incrementado considerablemente y supera en número a las definidas previa-
mente en el ejemplo, véase la figura 4.16.
si r es N y ṙ es C entonces ur es RA
Seleccionado el operador mínimo para la operación difusa descrita en (4.9), se obtiene que
Por último, defínase µRA como la nueva variable de salida a partir de (4.10), es decir,
explícitamente
⎧
⎪
⎪ 0 si x ≤ −1
⎪
⎪
⎨ x + 1 si − 1 ≤ x ≤ −0,5
µRA = mı́n(µN (x), µC (x)) =
⎪
⎪ −x si − 0,5 ≤ x ≤ 0
⎪
⎪
⎩
0 si x ≥ 0
Figura 4.17: Funciones de membresía tipo triangular para µr (x) y µṙ (x) y función de mem-
bresía resultante para µr∧ṙ (x) = mı́n(µr (x), µṙ (x)).
Módulo F1
Primer regla:
si r es N y ṙ es C entonces ur es RA (4.11)
Segunda regla:
si r es N y ṙ es NC entonces ur es RB (4.13)
si r es N y ṙ es N entonces ur es RB (4.14)
o
si r es N y ṙ es P entonces ur es RB (4.15)
4.3 Aplicación del L-HFS al sistema riel-esfera 61
Por lo tanto, para la regla difusa (4.14) se determina que la variable de salida es
⎧
⎪
⎪ 0 si l ≤ −2
⎪
⎪
⎨ l + 2 si − 2 ≤ l ≤ −1
µr∧ṙ (l) = µRB (l) = (l, −2, −1, 0) = con l = (r, ṙ) (4.16)
⎪
⎪ −l si − 1 ≤ l ≤ 0
⎪
⎪
⎩
0 si l ≥ 0
µr∧ṙ (l) = 0
Tercer regla:
si r es P y ṙ es C entonces ur es RC (4.17)
se concluye que ⎧
⎪
⎪ 0 si l ≤ 0
⎪
⎪
⎨ l si 0 ≤ l ≤ 0,5
r∧ṙ (l) = µRC (l, 0, 0,5, 1) = (4.18)
⎪
⎪ 1 − l si 0,5 ≤ l ≤ 1
⎪
⎪
⎩
0 si l ≥ 1
Cuarta regla:
si r es P y ṙ es NC entonces ur es RD (4.19)
si r es P y ṙ es P entonces ur es RD (4.20)
ó
si r es P y ṙ es N entonces ur es RD (4.21)
Un proceso similar se efectúa para determinar las nuevas variables de salida correspon-
dientes al modulo F2 descrito en el ejemplo.
Paso 7 (El índice de aproximación φ):. Obsérvese que las funciones de membresía
definidas por (4.12) y (4.18), para el módulo Fr , satisfacen la condición (4.3). Es fácil observar
que (4.24) representa la ecuación (4.4) en términos de las tripletas correspondientes para
(4.12) y (4.18).
3 ¯
X ¯
¯ ¯
¯µ(RA )i − µ(Rc )i ¯ = |−1 − 0| + |−0,5 − 0,5| + |1 − 1| (4.24)
i=1
= 3<φ
Similarmente, para el módulo Fθ se tiene que (4.25) representa la ecuación (4.4) en términos
de las tripletas correspondientes
3 ¯
X ¯
¯ ¯
¯ (RE )i
µ − µ(RG )i ¯ = |−1 − 0| + |−0,5 − 0,5| + |1 − 1| (4.25)
i=1
= 3 < φ.
Ahora bien, definiendo φ = 4 como el índice de aproximación entre reglas difusas y re-
definiendo las variables de mapeo, figura 4.18, el conjunto de reglas difusas para el módulo
Fr , ecuación (4.6), se rescribe como
si r es N y ṙ es C entonces ur es RA (4.26)
si r es N y ṙ es NC entonces ur es RB
si r es P y ṙ es C entonces ur es RA
si r es P y ṙ es NC entonces ur es RC
4.3 Aplicación del L-HFS al sistema riel-esfera 63
si θ es N y θ̇ es C entonces ur es RD (4.27)
si θ es N y θ̇ es NC entonces ur es RE
si θ es P y θ̇ es C entonces ur es RD
si θ es P y θ̇ es NC entonces ur es RF
y por último el módulo Fu descrito por (4.8) se redefine por (4.28), figura 4.19.
Si ur es RA y uθ es RD entonces u es P ∨ P G,
..
.
Si ur es RB y uθ es RE entonces u es P, (4.28)
..
.
Si ur es RC y uθ es RF entonces u es N.
La figura 4.19 muestra las nuevas reglas difusas para los módulos Fr , Fθ y Fu respectivamente.
Por otra parte, la figura 4.20 muestra las funciones de membresía para las variables de salida
64 Sistemas difusos jerárquicos vía mapeo de variables para control difuso
Reglas para F1 o Fr
Reglas para F3 o Fu
Reglas para F2 o Fθ
NG N P PG
1 1 1
0 0 0
-4 -2 0 2 4 -4 -2 0 2 4 -4 -2 0 2 4
1 1 1
0 0 0
-4 -2 0 2 4 -4 -2 0 2 4 -4 -2 0 2 4
Figura 4.20: Funciones de membresía para las variables de salida; (a) Funciones de salidas
(b) Gráfica de la operación ( P OR PG ); (c) Gráfica de la operación ( P OR NG ); (d)
Gráfica de la operación ( PG OR N ); (e) Gráfica de la operación ( PG OR PG ) y (f) (b)
Gráfica de la operación ( NG OR NG ).
4.4 Aplicación en tiempo real 65
del módulo Fu , las cuales, son el resultado de aplicar el operador mínimo y el índice de
aproximación φ al nuevo proceso de reducción, figura 4.18 y 4.19.
Del ejemplo anterior, note que el número de reglas difusas reales descritas por la figura
4.14 para el diseño convencional difuso consiste en realidad de 36 reglas difusas. Sin embargo,
mediante la aplicación del método L-HFS, el número total de reglas difusas han sido reducidas
a un total de 21 reglas. Obsérvese también, que el modelo entrada-salida del sistema barra-
esfera antes y después de la descomposición L-HFS es similar uno con respecto al otro tal y
como se muestra a continuación.
cambiar la posición de la barra con respecto al eje horizontal a fin de enviar la esfera al
lugar deseado, figura 4.21. De acuerdo a Ortiz [22], el sistema riel-esfera es caracterizado por
cuatro variables de estado: r1 (posición de la esfera), ṙ2 (velocidad de la esfera), θ (posición
angular de la barra con respecto al eje horizontal) y θ̇ (velocidad angular de la barra) por
lo que en particular en esta aplicación definiremos el dominio de interés como el hipercubo
[−1,5, 1,5] × [−1,5, 1,5] × [−0,2, 0,2] × [−0,4, 0,4] en el espacio de estado cuatro-dimensional
x = (r, ṙ, θ, θ̇).
En particular, los ejemplos para esta aplicación, sugieren el uso del controlador difuso de
tipo Sugeno debido a las limitaciones de implementación que presenta el controlador difuso
de tipo Mamdani8 . En contraste con esto el controlador difuso de tipo Sugeno sugiere ser
más eficiente en cálculos, implementación y en métodos de adaptación (learning) Jang [10].
Al igual que para los otros ejemplos mostrados en este capítulo, a continuación se analiza
paso a paso el diseño del controlador difuso jerárquico para el sistema riel-esfera en tiempo
real.
8
Esto es debido a que este tipo de controlador difuso es más de un arte y menos de un enfoque de ingeniería
[9]
4.4 Aplicación en tiempo real 67
F1
F3
F2
Figura 4.22: Estructura del jerárquica para el sistema barra-esfera en tiempo real.
Regla 1 : si r es A y ṙ es C y θ es E y θ̇ es G =⇒ u1 (4.29)
u1 = 1,015r + 2,234ṙ − 12,67θ − 1,046θ̇ + 0,02624
Regla 2 : si r es A y ṙ es C y θ es E y θ̇ es H =⇒ u2
u2 = 1,161r + 1,969ṙ − 9,396θ − 6,165θ̇ + 0,474
Regla 3 : si r es A y ṙ es C y θ es F y θ̇ es G =⇒ u3
u3 = 1,506r + 2,234ṙ − 12,99θ − 1,865θ̇ + 1,426
Regla 4 : Si r es A y ṙ es C y θ es F y θ̇ es H =⇒ u4
u4 = 0,7339r + 1,969ṙ − 9,381θ − 4,688θ̇ − 0,8804
68 Sistemas difusos jerárquicos vía mapeo de variables para control difuso
Regla 5 : si r es A y ṙ es D y θ es E y θ̇ es G =⇒ u5 (4.30)
u5 = 0,7343r + 2,234ṙ − 12,85θ − 6,11θ̇ − 1,034
Regla 6 : si r es A y ṙ es D y θ es E y θ̇ es H =⇒ u6
u6 = 1,413r + 1,969ṙ − 9,485θ − 6,592θ̇ + 1,159
Regla 7 : si r es A y ṙ es D y θ es F y θ̇ es G =⇒ u7
u7 = 1,225r + 2,234ṙ − 12,8θ − 3,929θ̇ + 0,3662
Regla 8 : si r es A y ṙ es D y θ es F y θ̇ es H =⇒ u8
u8 = 0,9853r + 1,969ṙ − 9,291θ − 5,115θ̇ − 0,195
Regla 9 : si r es B y ṙ es C y θ es E y θ̇ es G =⇒ u9 (4.31)
u9 = 0,9853r + 1,969ṙ − 9,291θ − 5,115θ̇ + 0,195
Regla 10 : si r es B y ṙ es C y θ es E y θ̇ es H =⇒ u10
u10 = 1,225r + 2,234ṙ − 12,8θ − 3,929θ̇ − 0,3662
Regla 11 : si r es B y ṙ es C y θ es F y θ̇ es G =⇒ u11
u11 = 1,413r + 1,969ṙ − 9,485θ − 6,592θ̇ − 1,159
Regla 12 : si r es B y ṙ es C y θ es F y θ̇ es H =⇒ u12
u12 = 0,7343r + 2,234ṙ − 12,85θ − 6,11θ̇ + 1,034
V
VI
VII
VIII
I II III VI
Figura 4.23: Reglas difusas para el ejemplo en tiempo real del sistema riel-esfera .
1 1 1 1 1
en donde A = 4, B = 4, C = 4, D = 4, E = 4,
1+| x+1,5
1,5 |
1+| x−1,5
1,5 |
1+| x−1,5
1,5 |
1+| x−1,5
1,5 |
1+| x+0,2
0,2 |
1 1 1
F = 4, G = 4 y H = 4 son las funciones de membresía para el
1+| x−0,2
0,2 |
1+| x+0,4
0,4 |
1+| x−0,4
0,4 |
Si r es A y ṙ es C, entonces ur es I (4.33)
Si r es A y ṙ es D, entonces ur es II
Si r es B y ṙ es D, entonces ur es III
Si r es B y ṙ es D, entonces ur es IV
Paso 3: De manera similar fije θ y θ̇, use nuevamente el método de mapeo L-HFS para
obtener el mapeo de las variables correspondientes y construya las reglas correspondientes
70 Sistemas difusos jerárquicos vía mapeo de variables para control difuso
Reglas para F1 o Fr
Reglas para F3 o Fu
Reglas para F2 o Fθ
Si r es E y ṙ es G, entonces ur es V (4.34)
Si r es E y ṙ es H, entonces ur es V I
Si r es F y ṙ es G, entonces ur es V II
Si r es F y ṙ es H, entonces ur es V III
Paso 1.2: Para redefinir el módulo Fu , Aplique el operador producto algebraico9 , figuras
4.25 y 4.26 respectivamente.
Paso 1.3: Para construir el módulo Fu : Utilice la figura 4.22 y determine la base de
reglas difusas de acuerdo al número de funciones de membresía definas para cada entrada,
asegurando que por cada entrada se utilice la función de membresía correspondiente al paso
1.2.
Paso 1.4: Por último defínase la base de reglas difusas y las salidas correspondientes
9
Vea [14] y [15] para más información acerca del operador.
72 Sistemas difusos jerárquicos vía mapeo de variables para control difuso
Grado de membresía
Grado de membresía
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
-6 -4 -2 0 2 4 6 -6 -4 -2 0 2 4 6
x x
0.25 0.25
Grado de membresía
Grado de membresía
0.2 0.2
0.15 0.15
0.1 0.1
0.05 0.05
0 0
-3 -2 -1 0 1 2 3 -3 -2 -1 0 1 2 3
x x
Figura 4.25: Tipos de funciones de membresía para el sistema barra esfera.(a) Membresías
de entrada para la variable r (b) Membresías de entrada para la variable ṙ (c) Producto
algebraico A∗ = A · B y (c) Producto algebraico B ∗ = C · D.
Grado de membresía
0.8 0.8
0.6 0.6
0.4 0.4
0.2 0.2
0 0
-1 -0.5 0 0.5 1 -1.5 -1 -0.5 0 0.5 1 1.5
x x
0.25 0.25
Grado de membresía
Grado de membresía
0.2 0.2
0.15 0.15
0.1 0.1
0.05 0.05
0 0
-1.5 -1 -0.5 0 0.5 1 1.5 -1.5 -1 -0.5 0 0.5 1 1.5
x x
Figura 4.26: Tipos de funciones de membresía para el sistema barra esfera.(a) Membresías
de entrada para la variable θ (b) Membresías de entrada para la variable θ̇ (c) Producto
algebraico C ∗ = E · F y (c) Producto algebraico D∗ = G · H.
4.4 Aplicación en tiempo real 73
para el módulo Fu :
Las reglas descritas por 4.35, 4.36 y 4.37 son lo que deseábamos para Fr , Fθ , y Fu respecti-
vamente.
A continuación para validar el desempeño de este sistemas difuso jerárquico en el sistema
riel esfera se presentan los resultados experimentales.
7 .7
Esfera
s+7 s+.7
Filtro 2 Filter3
Par
Posición de la esfera
Señal de control 1
Motor
s+1
Filtro 1
0
Sistema Ball-Beam Posición del motor
Constante
phi
Controlador
start stop remove
Señal de error
Figura 4.28: Diagrama a bloques en simulink para el controlador en tiempo real del sistema
riel-esfera usado por Ortiz [22].
1. Módulo Fr :
1 1 1 1
en donde A = 4, B= 4, C= 4 yD= 4.
1+| x+1,5
1,5 |
1+| x−1,5
1,5 |
1+| x−1,5
1,5 |
1+| x−1,5
1,5 |
4.4 Aplicación en tiempo real 75
2
r
du/dt
Módulo difuso Módulo difuso
Derivador Fr Fu
2.5 1
Par
Ganancia
1
phi
0.3
Constante du/dt
Módulo difuso
Derivador1 Fteta
Figura 4.29: Diagrama de bloques en simulink para el controlador en tiempo real del sistema
riel-esfera jerárquico.
2. Módulo Fθ
1 1 1 1
en donde E = 4, F = 4, G= 4 yH= 4.
1+| x+0,2
0,2 |
1+| x−0,2
0,2 |
1+| x+0,4
0,4 |
1+| x−0,4
0,4 |
3. Módulo Fu
1 1 1 1
en donde A∗ = 6, B∗ = 6, C∗ = 9 y D∗ = 9.
1+| x+0,5
0,5 |
1+| x−0,5
0,5 |
1+| x+0,5
0,4 |
1+| x−0,5
0,4 |
Al emplear el método L-HFS en el sistema riel-esfera, el número total de reglas difusas em-
pleadas es de 12 reglas, esto significa que existen 4 reglas difusas por cada bloque jerárquico.
Por otra parte, es fácil ver que el número de reglas difusas se han reducido cuando el sistema
76 Sistemas difusos jerárquicos vía mapeo de variables para control difuso
2
r
du/dt
Derivador
1 1
1 Par
Ganancia
phi Bloque difuso convencional
0.3
Constante
du/dt
Derivador 1
Figura 4.30: Diagrama de bloques en simulink para el controlador en tiempo real del sistema
riel-esfera de lógica convencional.
jerárquico, figura 4.29, es comparado con el sistema difuso convencional, figura 4.30, el cual
contiene 16 reglas difusas. Las figuras 4.31 y 4.32, muestran los resultados de la simulación
en tiempo real del sistema barra-esfera para el método difuso jerárquico (L-HFS) y el método
convencional de una sola capa. Como puede observarse en la figura 4.31, el desempeño logra-
do con el controlador difuso jerárquico de 12 reglas difusas es cualitativamente similar a los
obtenidos con el controlador difuso jerárquico de 16 reglas difusas, el controlador PD-difuso
y el controlador PD, figura 4.31(b), 4.33 y 4.34 respectivamente. Cuantitativamente los re-
sultados experimentales deseados en este trabajo son diferentes a los esperados, debido a que
el diseño de las reglas del controlador difuso convencional fueron construidas a través de un
modelo representativo de Matlab12 y en el cual no fueron modelados los efectos de la fricción
no lineal, saturación y zona muerta del sistema riel-esfera real. La figura 4.32 muestra los
efectos causados por la zona muerta y el cascabeleo mecánico en la unión de los engranes.
Para disminuir los efectos causados este tipo de perturbaciones mecánicas y dinámicas no
consideradas en el sistema riel-esfera, surgió la necesidad de realizar algunas modificaciones
al sistema de control propuesto por Ortiz y a la ganancia de salida del controlador difuso
jerárquico.
12
Sistema ball-beam.
4.4 Aplicación en tiempo real 77
(a ) S is te m a d ifu s o je rá rq u ic o
6
S e ñ a l d e s a lid a
4 R e fe re n c ia
P osición de la esfera
2
-2
-4
-6
0 20 40 60 80 100 120 140 160 180 200
tie m p o (s e g und o s )
(b ) S is te m a d ifu s o c o n v e n c io n a l d e u n a s o la c a p a
6
S e ñ a l d e s a lid a
4 R e fe re n c ia
P osición de la esfera
-2
-4
-6
0 20 40 60 80 100 120 140 160 180 200
tie m p o (s e g und o s )
Figura 4.31: Resultados de la aplicación en tiempo real del sistema barra-esfera. (a) Sistema
difuso jerárquico de 12 reglas y (b) sistema difuso convencional de una sola capa de 16 reglas.
(a ) S is te m a d ifu s o je rá rq u ic o
5
Señal de control
-5
(b ) S is te m a d ifu s o c o n v e n c io n a l d e u n a s o la c a p a
5
S eñal de control
-5
Figura 4.32: Señal de control (a) para el sistema difuso jerárquico y (b) para el sistema
convencional de la lógica difusa.
78 Sistemas difusos jerárquicos vía mapeo de variables para control difuso
1
Posición de la esfera
-1
-2
-3
0 10 20 30 40 50 60 70 80 90
tie m p o (s e g und o s )
P o s ic ió n d e la e s fe ra
3
S e ñ a l d e s a lid a
R e fe re n c ia
2
1
Posición
-1
-2
-3
0 1000 2000 3000 4000 5000 6000
T ie m p o (6 0 s )
Para la segunda fase de este trabajo, un sistema difuso jerárquico fue desarrollado para
el sistema barra-esfera a través del mapeo de variables intermedias. Aunque, los ejemplos
presentados en este trabajo fueron para sistemas de pocas variables, las ideas pueden ser
extendidas para sistemas difusos jerárquicos de mayor orden, como se ejemplifica en los dos
algoritmos propuestos para la construcción de sistemas jerárquicos.
Análisis de estabilidad del sistema, en particular para la planta riel-esfera, con el méto-
do de Lyapunov.
Modelado de las dinámicas no lineales del sistema barra-esfera, esto a fin de evitar
algunas perturbaciones no deseadas.
Investigar el efecto que tienen las variables de entradas a la salida de un sistema difuso
jerárquico.
Investigar el efecto en el orden de relación que tienen las variables de entradas en cada
bloque difuso.
84 Conclusiones y trabajos futuros
Bibliografía
[1] D. Abramovitch, Some Crisp Thoughts on Fuzzy Logic, In the Proceedings of the 1994
American Controls Conference in Baltimore, MD, June 1994.
[2] M. Brown, C.J Harris, Neurofuzzy Adaptive Modelling and Control, Prentice Hall: New
York, 1994.
[3] M. Brown, K.M Bossley, D.J. Mills and C.J. Harris, High Dimensional Neurofuzzy Sys-
tems: overcoming the curse of the dimensionality, Proc. IEEE International Conference,
1995, pp. 2139-2146.
[4] M.Y. Chen and D.A. Linkensm, A systematic neuro-fuzzy modeling framework with
aplication to material property prediction, IEEE Trans. Syst. Man, Cybern. B, Vol 13,
781-790, 2001.
[5] D.S. Chen and R.C Jain, A robust back propagation learning algorithm for function
approximation, IEEE Trans. Neural Networks, Vol.5, No.3, 1994.
[6] Fu-Lau Chung and Ji-Cheng Duan, On Multistage Fuzzy Neural Network Modeling,
IEEE Transactions on Fuzzy Systems, Vol. 8. No.2, 125-142, Abril 2000.
[7] J.H. Friedman, Multivariable adaptive regression splines, Ann. Statistics, Vol. 19, No.1,
pp. 1-141, 1991.
86 BIBLIOGRAFÍA
[8] S. Ferrari, M. Maggioni and N.A. Borghese, Multiscale Approximation with Hierarchical
Radial Basis Function Network, IEEE Transactions on Neural Networks, Vol. 15. No.1,
178-188, January 2004.
[9] Jang, J.-S. R. and N. Gulley, "Gain scheduling based fuzzy controller design,"Proc. of
the International Joint Conference of the North American Fuzzy Information Process-
ing Society Biannual Conference, the Industrial Fuzzy Control and Intelligent Systems
Conference, and the NASA Joint Technology Workshop on Neural Networks and Fuzzy
Logic, San Antonio, Texas, Dec. 1994.
[10] J.S. Roger Jang, ANFIS: Adaptive-network-based fuzzy inference system, IEEE Trans-
actions on Systems, Man and Cybernetics, Vol. 23, 665-685, 1993.
[11] Jyh-Shing R. J., Chuen-Tsai S. y Eiji M., Neuro-Fuzzy and Soft Computing: a computa-
tional approach to learning and machine intelligence ,Prentice-Hall, Inc, Upper Saddle
River: NJ, 1997
[12] M.G. Joo, J.S. Lee, Hierarchical fuzzy control scheme using Takagi-Sugeno type infer-
ence, Proc. IEEE Internat. Conf. on Fuzzy Systems,1999, pp. 78-83.
[13] Kaufman Arnold , Introduction to the Theory of fuzzy Subsets Vol.1,Academic Press
1975
[14] Kaufman Arnold , Madan M. Gupta, Fuzzy Mathematical models in engineering and
management science , North-Holland 1988.
[15] Gorge J. Klir, Bo Yuan, Fuzzy sets and fuzzy logic “ Theory and applications”, Prentice
Hall Upper Saddle River, New Jersey, 1995
[16] C.T. Lin and G. Lee, Neural fuzzy systems: A neural-fuzzy synergism to intelligent
systems, Prentice Hall Inc, NJ, 1996.
[17] C.T. Lin, A neural fuzzy control system with structure and parameter learning, Fuzzy
Sets and Systems, Vol.70, 183-212, 1995.
BIBLIOGRAFÍA 87
[18] J. Lin, Hierarchical fuzzy logic controller for a flexible link robot arm performing con-
strained motion task, IEEE Proc.-Control Theory Appl, Vol. 150, No. 4 pp. 355-364,
July 2003.
[19] M.L. Lee, H.Y. Chung and F.M. Yu, Modeling of hierarchical fuzzy systems, Fuzzy sets
and systems, 138, 343-361, 2003.
[20] M.C. Mackey and L. Glass, Oscillation and chaos in physiological control systems, Sci.,
Vol. 197, pp. 287-289, Julio 1997.
[22] F.Ortiz, Modelado y control PD-difuso en tiempo real para el sistema barra-esfera. Msc.
thesis, Cinvestav-IPN, 2004.
[23] Kevin M. Passino, S. Yurkovich, Fuzzy Control , Addison Wesley Longman Inc. 1998.
[24] Marek J. Patyra, Janos L. Grantn and Kirby K. , Digital Fuzzy logic Controller: Design
and Implementation , IEEE Transactions on Fuzzy Systems, Vol.4, No.4, 439-459, Nov
1996.
[25] G.V.S. Raju, J. Zhou, Adaptive Hierarchical fuzzy control, IEEE Transactions on Sys-
tems, Man and Cybernetics, vol 23, No.4, pp 973-980, July/August 1993.
[26] W. Rattasiri and S.K. Halgamuge, Computationally Advantageous and Stable Hierar-
chical Fuzzy Systems for Active Suspension, IEEE Trans. on Industrial Electronics, Vol
50, 306-319, 1994.
[27] Shuwei G. and Liliane P., Design and Applications of an Analog Fuzzy Logic Controller,
IEEE Transactions on Fuzzy Systems, Vol.4, No.4, 429-438, Nov 1996.
[28] L.X. Wang, A course in fuzzy systems and control, Prentice Hall Inc., 1997.
[29] L.X. Wang, Analysis and Design of Hierarchical Fuzzy Systems, IEEE Transactions on
Fuzzy Systems, Vol. 7, No. 3, 671-624, 1999.
88 BIBLIOGRAFÍA
[30] C. Wei and L.X. Wang, A Note on Universal Approximation by Hierarchical Fuzzy
Systems, Information Sciences, Vol. 123, 241-248, 2000.
[31] Wen Yu and Xiaoou Li, Fuzzy identification using fuzzy neural networks with stable
learning algoritms, IEEE Transactions on Fuzzy Systems, Vol. 12, No.3, 411-420, 2004.
[32] Waratt Rattasiri and Saman K. Halgamuge, Computationally Advantageous and Stable
Hierarchical Fuzzy Systems for Active Suspension, IEEE Transactions on Industrial
Electronics, Vol. 50, No.1, 48-61, February 2003.
[33] S.Wu and M.J.Er, Dynamic fuzzy neural networks- a novel approach to function ap-
proximation, IEEE Trans. Syst., Man, Cybern. B, Vol.30, 358-364, 2000.
[34] R.R. Yager, “On the construction of Hierarchical Fuzzy Systems Models”, IEEE Trans.
Syst., Man, Cybern. C, Vol.28, 55-66, 1998.
[35] H. Ying and G. Chen, “Necessary conditions for some typical fuzzy systems as universal
approximators”, Automatica, vol. 33, no. 7, pp. 1333-1338, 1997.
[36] X.J. Zeng and M. G. Singh, “Approximation theory of fuzzy systems-MIMO case”,
IEEE Trans. Fuzzy Syst., vol.3, pp. 219-235, Nov. 1995.
[37] J. Zhou, G. V. S. Raju, and R.A Kisner, “Hierarchical Fuzzy Systems”, Int. J. Control,
Vol.54, No.5, pp. 1201-1216, 1991.