SANTIAGO SUR INGENIERIA EN AUTOMATIZACION Y CONTROL INDUSTRIAL Laboratorio de Control 2

INFORME LOGICA FUZZY

Nombre de Alumnos: Bruno Reyes Christian Jara

Nombre Profesor:

Joel Vega

INDICE

Fecha: xx de Abril de 2010-04-24 1

1 Introduccin 2 Objetivos 3 Desarrollo del tema 4 Conclusiones 5 Bibliografa

1 INTRODUCCION
2

La Lgica Fuzzy trata de imitar como un ser humano se comporta en la toma de decisiones, con informacin variable, imprecisa, esta es la mayor caracterstica de este sistema de control comparndola con los sistemas clsicos que trabajan con informacin definida. La lgica Fuzzy se maneja a nivel computacional y permite definir de acuerdo a las entradas variables decisiones como caliente, fro, alto, bajo, blanco, negro con toda la gama intermedia. El concepto de Lgica Fuzzy fue inventado por el profesor Lofti Zadeh de la Universidad de California que investigaba los conjuntos clsicos que solo permiten dos opciones la pertenecia o no de un elemento de dicho conjunto. Inconforme con sus resultados presento una forma de procesar informacin con pertenecias parciales a unos conjuntos denominndolos Fuzzy Set ( conjuntos difusos). Este concepto fue expuesto por Zadeh en un Paper publicado en el ao 1965, Zadeh dice: la lgica difusa trata de copiar la forma en que los humanos toman decisiones lo curioso es que aunque baraja informacin imprecisa, esta lgica es en cierto modo muy precisa: se puede aparcar un aun coche en muy poco espacio sin darle al de ataras. Suena a paradoja pero es asi.

2 OBJETIVOS
_Implementar un ejemplo de control de temperatura de la asignatura Control Automtico 2 3

_Entender el concepto de Lgica Fuzzy

3 DESARROLLO DEL TEMA

Tenemos un lazo de control simple de un control de temperatura que lo vamos a controlar por lgica Fuzzy.

r (t)

e (t) Proceso

y (t)

r (t) = e (t) y (t)

3.1 Condiciones Entrada e (t) = Positivo, Indica que el proceso esta Fro respecto al Set Point e (t) = Negativo, Indica que el proceso esta Caliente respecto al Set Point e (t) = Zero (NC)
5

de (t) / d(t) = Positiva (Calentando) de (t) / d(t) = Negativa (Enfriando) de (t) / d(t) = Zero (NC) Condiciones Salida Out = Enfriando E
Calentando C Sin Cambio NC

3.2 En Matlab
En matlab se debe digitar la palabra FUZZY y luego enter En el inicio se pueden modificar los operadores lgicos and y or y los metodos de implicacin agregacin y defuzificacion. Se elige el modelo en este caso mamdani

Con las condiciones de entrada realizamos ahora las funciones de pertenencia.

3.3 Funcin de Pertenencia

Funcin De Pertenencia e(t)

Funcin De Pertenencia
7

de(t)

3.4 Matriz
El paso siguiente es realizar una Matriz que luego me servir para realizar una tabla matricial e (t) de(t) N N Z P Z P

enfra enfra enfra

calienta NC enfra

calienta calienta calienta

3.5 Sistema Difuso Mamdani Procesamiento General

En un sistema difuso tipo Mamdani se distinguen las siguientes partes:

Fuzzificador
La entrada de un sistema de lgica difusa tipo Mamdani normalmente es un valor numrico proveniente, por ejemplo, de un sensor; para que este valor pueda ser procesado por el sistema difuso se hace necesario convertirlo a un "lenguaje" que el mecanismos de infererencia pueda procesar. Esta es la funcin del fuzzificador, que toma los valores numricos provenientes del exterior y los convierte en valores "difusos" que pueden ser procesados por el mecanismo de inferencia. Estos valores difusos son los niveles de pertenencia de los valores de entrada a los diferentes conjuntos difusos en los cuales se ha dividido el universo de discurso de las diferentes variables de entrada al sistema.

Mecanismo de Inferencia Difusa

Teniendo los diferentes niveles de pertenencia arrojados por el fuzzificador, los mismos deben ser procesados para general una salida difusa. La tarea del sistema de inferencia es tomar los niveles de pertenencia y apoyado en la base de reglas generar la salida del sistema difuso.

Base de Reglas Difusas

La base de reglas son la manera que tiene el sistema difuso de guardar el conocimiento lingstico que le permiten resolver el problema para el cual ha sido diseado. Estas reglas son del tipo IF-THEN. Una regla de la base de reglas o base de conocimiento tiene dos partes, el antecedente y la conclusin como se observa en la siguiente figura: 9

Defuzzificador
La salida que genera el mecanismo de inferencia es una salida difusa, lo cual significa que no puede ser interpretada por un elemento externo (por ejemplo un controlador) que solo manipule informacin numrica. Para lograr que la salida del sistema difuso pueda ser interpretada por elementos que solo procesen informacin numrica, hay que convertir la salida difusa del mecanismos de inferencia; este proceso lo realiza el fuzzificador. Al realizar el ejercico sin MATLAB se deben dar valores de prueba en la funcion de pertenecia del e(t) y de(t), para ver como responde en la salida. Funcion de Pertenecia e(t)

e (k) = -1 valor de prueba en (-1) = 0.5 ez (-1) = 0.5 ep (-1) = 0

10

Funcion de Pertenecia de(t)

e (k) = -2.5 valor de prueba den (2.5) = 0 dez (2.5) = 0.5 dep (2.5) = 0.5
e < 0 = N Caliente e = 0 = Z NC e > 0 = P Frio de < 0 = N Enfria de = 0 = Z NC de > 0 = P Calienta

1 if e < 0 and de < 0 then out E (0,5 and 0 then 0) 2 if e = 0 and de < 0 then out C (0,5 and 0 then 0) 3 if e > 0 and de < 0 then out C (0 and 0 then 0) 4 if e < 0 and de = 0 then out E (0,5 and 0,5 then 0,5) 5 if e = 0 and de = 0 then out NC (0,5 and 0,5 then 0,5) 6 if e > 0 and de = 0 then out C (0 and 0,5 then 0) 7 if e < 0 and de > 0 then out E (0,5 and 0,5 then 0,5) 8 if e = 0 and de > 0 then out E (0,5 and 0,5 then 0,5) 9 if e > 0 and de > 0 then out C (0 and 0,5 then 0)

PONDERACION NEGATIVO (ENFRIA) = R1+R4+R7+R8 = 0+ (0,5)+(0,5)+(0,5) = 0,866 ZERO (NC) = (R5) = (0,5) = 0,5 POSITIVO (CALIENTA)= R2+R3+R6+R9 = 0 FUNCION MEMEBRESIA DE SALIDA CENTROIDE = f(x) (x)i/ f(x)i

= (-100 X 0,866 + 0 + 0,5 + 0 X 100) / (0,866+0,5+0) = -63,03

11

3.7 Visualizador de reglas

En matlab el visualizador de reglas nos permite observar que valor numerico tendr la salida segn puntos de prueba en las entradas del sistema

12

4 CONCLUSIONES
Se ha realizado un forma detallada el proceso de modelado difuso Mamdani en Matlab, se mencionan en el orden correcto las tareas a realizar para modelar un sistema difuso. Con la elaboracin de este trabajo se logr el objetivo de entender con ms precisin el funcionamiento del Modelo Difuso Mamdani. Se realizo el trabajo con Matlab y tambien en forma manual.

13

Los sistemas borrosos no son Redes Neuronales. Un sistema borroso procura encontrar la interseccin, la unin o el complemento de las variables borrosas del control. Mientras que esto es algo anlogo a las redes neuronales y a la programacin lineal, los sistemas borrosos se acercan a estos problemas de forma diferente.

5 BIBLIOGRAFIA
www.cienciasmisticas.com.ar/electronica/teoria/fuzzy/index.php www.it.uc3m.es/jvillena/irc/estudios/logica_difusa.pdf

14

15