CONTROL BASADO EN MODELOS DIFUSOS APLICADO A PROCESOS

INDUSTRIALES COMPLEJO

Miguel Angel Ramrez*. Eliezer Colina Morles.*

*Universidad de Los Andes, Facultad de Ingeniera, Complejo la Hechicera, Mrida, Venezuela (correos: ramirezmb@
pdvsa.com, ecolina@ula.ve).
Resumen: Este artculo trata sobre la revisin de los fundamentos tericos para el diseo de
controladores basados en modelos difusos para procesos dinmicos no lineales. En particular, se revisar
muy brevemente el algoritmo Fuzzy C-Means para la determinacin de modelos difusos del tipo Takagi-
Sugeno a partir de datos muestreados de un proceso determinado. Se revisarn en detalle las principales
estrategias para el diseo de controladores tomando en cuenta este tipo de modelos y especficamente se
describir y se implementar la inversa del modelo difuso para usarla como controlador usando la
arquitectura IMC (Control por modelo interno) tomando como caso de estudio el control de nivel de
petrleo de un gran separador (Slug Catcher) usado en una estacin de procesamiento de petrleo. Los
resultados de las simulaciones demuestran la gran versatilidad de sta metodologa de control.

1. INTRODUCCION
Existen varias metodologas de control basadas en modelos
difusos publicados por varios autores (Pedrycz,
1993)(Driankov et al.,1993)(Palm et al.,1997). Los modelos
difusos son normalmente determinados aplicando tcnicas de
agrupamiento difuso tales como el algoritmo Fuzzy C-Means
y Gustafson-Kessel entre otros para lo cual se debe tomar
como base los datos de histricos del proceso. Dichas
tcnicas de agrupamiento provienen de los algoritmos del
campo de reconocimiento de imgenes y patrones que se
revisan por ejemplo en (Duda et al., 2000). En esencia, este
tipo de modelacin permite a partir de datos de un proceso en
estudio construir un modelo difuso por lo general del tipo
Takagi-Sugeno (TS) con consecuentes lineales que
reproduzca el comportamiento del mismo y permita un
estudio en profundidad de los mecanismos que gobiernan el
proceso en cuestin. Es importante aclarar que la modelacin
difusa pertenece a la categora de modelado basado en
modelos locales ya que en esencia un modelo difuso de tipo
TS es considerado como un conjunto parametrizado de
modelos locales lo suficientemente preciso de un proceso no
lineal (Diez, 2003).

La gran mayora de las tcnicas de agrupamiento difuso exige
la aplicacin del conocimiento heurstico a priori en la fase
de definicin de la estructura del modelo, realizndose la
identificacin tan solo en el sentido de un ajuste fino de los
parmetros (Diez, 2003)(Diez, 2004). Este tipo de tcnicas
tiene como desventaja el cuello de botella que supone la
extraccin del conocimiento desde los operarios expertos en
la fase inicial del proceso de modelado.

Una vez obtenido y validado un modelo difuso asociado a
un determinado proceso, existen varios metodologas para la
construccin de controladores. Una de las opciones usadas
para el desarrollo de controladores basadas en modelos
locales es la que emplea la resolucin de LMIs (Linear
Matrix Inequalities) (Tanaka et al., 1992). Esta tcnica tiene
la ventaja de asegurar la estabilidad del sistema
independientemente de la idoneidad de las linealizaciones,
pero da resultados conservadores que pueden llevar a que un
conjunto de controladores apropiados no satisfagan las
condiciones de estabilidad..

Otro enfoque se basa en una metodologa llamada
planificacin de ganancia que es una de las tcnicas ms
habituales para el control de procesos no lineales y ha sido
aplicada satisfactoriamente desde hace muchos aos (Hunt et
al., 1997). A grande rasgos, la metodologa se basa en el
diseo de controladores para diferentes puntos de operacin e
interpolando dichos controladores para obtener un
controlador no lineal global (Diez, 2003)(Hunt et al., 1997).

Otra opcin interesante (Que es la que usaremos en este
artculo) consiste en calcular la inversa del modelo difuso y
usarla como controlador y bajo ciertas condiciones se puede
garantizar control estable para sistemas de fase mnima. En
general, los mecanismos de inversin considerados en
estructuras de control no lineal se pueden dividir en dos
reas: control linealizado retroalimentado y control por
modelo interno (Boukezzoula et al., 2007)(Boaming et al.,
2002)(Kang et al., 1998)(Kwanghee, 1998). Ambas
estrategias de control estn restringidas a una representacin
exacta de la planta no lineal.

La implementacin eficiente de la metodologa basada en la
inversa conlleva a un procedimiento que permita calcular la
misma de manera exacta. Este requerimiento representa una
desventaja en el uso de esta metodologa ya que las
soluciones inversas analticas en algunos casos no se pueden
determinar. Las causas que pueden originar esta
imposibilidad son: modelo de planta de fase no mnima,
modelo con retardo o necesidad de emplear lazos con
ganancia muy grande al usar la inversa de la planta




(Pedrycz,1993)(Driankov et al.,1993)(Palm et
al.,1997)(Sousa et al., 2002). Esto implica la bsqueda
basada en mtodos numricos de inversin que introduce
algunas dificultades inherentes a los algoritmos iterativos
(Inicializacin de valores, condiciones de convergencia,
errores mnimos, etc.). Estas limitaciones afectan en cierta
forma el uso de mtodos basados en la inversa en estrategias
de control no lineal. Para el caso de modelos difusos TS,
existen algunas estructuras que sern revisadas ms adelante
que permiten calcular la inversa de manera analtica.
El resto del artculo se organiza de la siguiente forma: en la
seccin 2 se describe brevemente los fundamentos de los
algoritmos de agrupamiento difuso. La seccin 3 describe el
planteamiento de la inversa en sistema dinmicos no lineales
expresado bajo la forma NARX (cuyas siglas del ingles
significan modelo no lineal auto regresivo con entradas
exgenas) para luego en la seccin 4 describir el modelo
difuso Takagi Sugeno usando la representacin NARX en
base a lo descrito en la seccin 3. En la seccin 5 se estudiar
propiamente la metodologa para calcular la inversa de
modelos difusos. La seccin 6 presenta un caso de estudio
relacionado con el diseo de un controlador difuso basado en
el modelo difuso de un separador de produccin de una
estacin de procesamiento de petrleo. Finalmente la
conclusiones de presentan en la seccin 7.

2. FUNDAMENTOS DE LOS ALGORITMOS DE
AGRUPAMIENTO DIFUSO
Las tcnicas de agrupamiento difuso son en su mayora
mtodos no supervisados que son usados para organizar datos
en grupos basados en similaridades. El objetivo es dividir un
conjunto de datos de tal manera que los objetos que
pertenezcan a un mismo grupo sean lo ms similar posible,
mientras que los objetos que pertenezcan a otros grupos sean
lo ms distinto posible (Nelles, 1999). El agrupamiento de
datos difusos tiene la particularidad de que un determinado
grupo de datos puede pertenecer a una o ms clases con un
valor de pertenencia que va en el rango [0,1].

El agrupamiento de datos difusos puede ser aplicado a datos
cualitativos o a una mezcla de ambos y por lo general dichos
datos estn referidos a datos observados de algn proceso en
particular (Kruse et al., 2007). Los datos observados son
recolectados en una matriz Z formada por la concatenacin
de la matriz de datos de entrada X y el vector de regresantes
Y expresados de la siguiente forma:

(1) [X,Y] , Z
y
.
.
.
y
y
, Y
x
.
.
.
x
x
X
T
N
2
1
T
N
T
2
T
1
=
(
(
(
(
(
(
(

=
(
(
(
(
(
(
(

=

Luego, la funcin objetivo de una gran familia de algoritmos
de agrupamiento difuso viene dada por:
( ) (2) ) , ; (
1 1
2

= =
=
c
i
N
k
A
i k
m
ik
v z V U Z J
En donde

| | (3) 1 1 ] 1 0 [ N k c, i , , U
ik
=
Es una matriz de particin difusa de Z,
| | (4) , ,..., ,
2 1
n
i c
v v v v V =
Es el vector de centroides prototipo a determinar,
(5) ) ( ) (
2
2
i k
T
i k
A
i k A ik
v z A v z v z D = =

Es una norma que viene determinada por la eleccin de la
matriz A. En caso de que la matriz A sea la identidad,
entonces la norma se convierte en la distancia eucldea.
Finalmente,

(6) ) , 1 ( m
Es un parmetro que determina la borrosidad de las clases
resultantes. A medida que m crece, ms difusas sern las
clases identificadas.

Para deducir el algoritmo Fuzzy C-Means, se selecciona la
matriz A como la identidad. Luego, el siguiente paso es llevar
a cabo la minimizacin de (2) para lo cual hay que tomar en
cuenta las siguientes restricciones:

=
=
=
>
N
k
ik
c
i
ik
i
k
1
1
) (8 1
) (7 0

La restriccin (7) garantiza que ningn grupo o clase estar
vaco y la restriccin (8) garantiza que la suma de los grados
de pertenencias por cada conjunto de datos asociada a una
determinada variable (bien sea de entrada o de salida) es
igual uno. Los puntos estacionarios de la funcin objetivo (2)
se calculan aadiendo al ndice J la restriccin (8) mediante
los multiplicadores de Lagrange:

(9) 1
) ( ) , , ; (
1 1
1 1
2
A

= =
= =
|
|
.
|

\
|

+ =
N
k
c
i
ik k
c
i
N
k
ik
m
ik
D V U Z J



Los puntos estacionarios se obtendrn igualando a cero las
derivadas parciales de J respecto de U, V y . Se puede
demostrar que los puntos estacionarios se corresponden con:
(10) 1 y 1 ;
1
1
1
2
2
A
2
A
N k c i
D
D
c
j
m
jk
ik
ik

|
|
.
|

\
|
=

(11) 1 ;
) (
) (
1
2
1
2
c i
z
v
N
k
ik
k
N
k
ik
i
=

=
=

La ecuacin (11) da un valor para v
i
que normalmente se
interpreta como la media ponderada que pertenece a una clase
y cuyos pesos estn representados por el trmino
ik
. El
problema ms comn que se presenta en la aplicacin del
algoritmo Fuzzy C-Means para la identificacin de modelos
difusos radica en que las clases identificadas tienen forma
hiperelipsoidal, cuando lo deseable para una posterior
aplicacin de control es que dichas clases debieran tener una
estructura lineal.

3. INVERSA DE UN SISTEMA DINMICO NO LINEAL
Considrese la planta de una entrada y una salida (SISO) no
lineal bajo la estructura NARX (sistema no lineal
autoregresivo con entradas exgenas) expresada de la
siguiente forma:

(12) )] ( [ )] 1 (
),..., ( ), ( ),..., 1 ( [ ) 1 (


Z f m
y n y f y
= +
+ = +


En donde n y m es el orden de la salida y entrada
respectivamente, f es una funcin no lineal. En las
aplicaciones de control, el objetivo comn consiste en hacer
que la salida de la planta siga un valor de referencia deseado
r(), es decir, se debe determinar una accin de control u()
tal que y() (salida de la planta) converja a r(). Si el sistema
(12) es invertible, entonces existe una funcin g tal que la
entrada u() puede ser expresada de la siguiente forma:

(13) )] ( ), 1 ( [ )] 1 ( ...,
), 1 ( ), ( )..., 1 ( ), 1 ( [ ) (
1


Z y g m
y n y y g u
+ = +
+ + =


Donde Z
1
() = [y(-n+1),,y(), u(-1),,u(-m+1)]. En este
caso, dado que el objetivo de control es lograr que y(+1) sea
igual a r(+1), entonces la seal de control u() se puede
reescribir de la siguiente forma:

(14) )) ( ), 1 ( ( )) 1 ( ...,
), 1 ( ), ( )..., 1 ( ), 1 ( ( ) (
1


Z y g m
y n y r g u
+ = +
+ + =


Si el sistema bajo consideracin se puede expresar en una
forma afn respecto de la seal de control entonces se
obtendra la siguiente funcin:

(15) ) ( )] ( [ )] ( [ )) ( (
1 1
u Z Z Z f + =

En donde [Z
1
()] debe ser distinto de cero para Z1
n+m+1
, la funcin f es determinada fcilmente y el controlador
puede ser implementado usando la inversin analtica de (15)
obtenindose la siguiente expresin:

(16)
)] ( [
)] ( [ ) 1 (
) (
1
1

Z
Z r
u
+
=
No obstante, este mtodo simple no puede ser aplicado
directamente a sistemas de control no afn respecto a la seal
de control expresado en la forma general (12) an cuando la
dinmica de f resulte conocida. En realidad, la inversa
analtica de (12) no siempre es posible determinarla y para
ello se podra aplicar una tcnica de inversin numrica pero
esto conllevara a las limitaciones conocidas de los
algoritmos iterativos (inicializacin de valores, condiciones
de convergencia, errores de aproximacin, etc.).

Ms aun, cuando la dinmica de (12) es desconocida, el
diseo del controlador es ms difcil an. Una alternativa til
consiste en representar la dinmica no lineal de una planta a
travs de un modelo difuso bien especfico de tal manera de
garantizar una inversin analtica no iterativa y exacta. En
realidad, los modelos difusos TS con consecuentes constantes
(Singleton) pueden ser fcilmente y exactamente invertidos
siempre y cuando (Como se ver ms adelante) los conjuntos
difusos asignados a las variables lingsticas de entradas usen
estrictamente particiones triangulares (Sousa et al.,
2002)(Boukezzoula et al., 2003)(Fang et al., 2000). El
formalismo asociado a los sistemas difusos Takagi-Sugeno
ser descrito en la siguiente seccin.
4. SISTEMAS DIFUSOS TAKAGI SUGENO

La principal ventaja de modelar una planta de manera difusa
radica en que el conocimiento preciso y el desarrollo de
modelos matemticos complejos no son necesarios. Por otro
lado, para la identificacin exitosa de un modelo difuso se
requiere de una cantidad significativa y confiable de datos de
procesos y es importante aclarar que la validacin de dichos
datos no es confiable con datos que estn fuera del rango de
valores usados para la construccin del modelo.

Sea entonces el modelo difuso Takagi-Sugeno de orden cero
(algunas veces llamado modelo Wang-Mendell) que
representa al sistema dinmico no lineal (16) cuya base de
reglas consiste de reglas con consecuentes constantes
expresado de la siguiente forma:
(17)
) 1 ( entonces es ) 1 (
y...y es ) ( y es ) 1 (
y...y es ) 1 ( y es ) (
,..., 1 , ,... 1
1
1
2
2
1
1
jm j in i
f
im
m
j in
n
i i
y B m u
B u A n y
A y A y Si

= + +
+


Donde A
p
ip
y B
q
jq
son trminos lingsticos asociado
respectivamente a las variables y(-p+1) y u(-q+1) y

i1,,in,j1,,jm
es una constante real. Dado que los sistemas
difusos son aproximadores universales de funciones, se puede
garantizar que mientras la planta evolucione dentro de un
rango completo de operacin, existir siempre un modelo
difuso de la forma (17) capaz de aproximar su mapeo
entrada-salida para cualquier nivel de tolerancia. Por
consiguiente mientras el sistema difuso TS en (17) sea
considerado, la salida real de la planta se podr expresar
como:





(18) ) 1 ( ) 1 ( ) 1 ( + + + = +
f
y y
Donde y
f
(+1) es la salida generada por el modelo difuso y
es el error de aproximacin difuso, el cual se asume acotado
por un
0
de tal forma que ||=
0
. Cuando se asume una
particin estricta de los diferentes universos de discursos de
entrada con funciones de membresas triangulares, en cada
instante de muestreo cualquier variable de entrada podr ser
descrita a lo sumo por dos trminos lingsticos, por lo que
en el caso de que se tenga un sistema de n+m entradas, a lo
sumo 2
n+m
reglas seran activadas para cualquier vector de
entrada. Esta propiedad brinda una buena eficiencia
computacional y ofrece ventajas sobre otros enfoques como
por ejemplo los sistemas neurodifusos.

El sistema global difuso puede ser visto como una coleccin
de subsistemas difusos elementales cuya activacin
depender de la variacin de los valores de las variables de
entradas. En realidad, de acuerdo al principio de
descomposicin descrito en (Fang et al., 2000), cuando se
considera N
p
y M
q
posibles trminos lingsticos para la
descripcin respectiva de las entradas y(-p+1) y u(-q+1),
i.e, i
p
I
p
= {1,2,,N
p
}, p =1,,n y j
q
Jq = {1,2,,M
q
},
q= 1,,m, el sistema difuso se descompone en una
coleccin de subsistemas dado por:
(19) ) 1 ( ) 1 (
1 1

= =
=
m
q
q
n
p
p
M N Ns
En donde cada subsistema es descrito por la activacin de
2
n+m
reglas. En este caso, en cada instante de muestreo, la
salida del modelo difuso global es igual a la salida generada
por el subsistema activo. De acuerdo a la propiedad de
multilinealidad de los sistemas difusos establecidos en
(Abonji et al., 2005)(Riid et al., 2005), la salida de un
subsistema difuso activo se puede expresar como:

(20) ) ( )] ( [ )] ( [ ) 1 (
1
) (
1
) (


u Z Z y
f
+ = +
En donde = {1,2,Ns}. En este caso, en cada instante de
muestreo, la salida de (21) viene dada por (24).

5. INVERSA DE UN MODELO TAKAGI SUGENO

Dado un modelo Takagi-Sugeno tal y como se defini (20) el
calculo de su inversa se puede realizar de manera analtica
basndose en la inversin de los respectivo subsistemas
difusos locales. Por ende, en cada perodo de muestreo, si el
objetivo de control es alcanzar r() , la ley de control inversa
se expresar de la siguiente forma:

(21)
)] ( [
)] ( [ ) (
) (
1
) (
1
) (

Z
Z r
u

=

La existencia de la inversa depender del valor de
()
[Z
1
()].
Como ha sido analizado en (Boukezzoula et al., 2003),
cuando
()
[Z
1
()] = 0, se presentan dos casos que dependen
de los valores de r() y
()
[Z
1
()]. En particular, si r() es
distinto de
()
[Z
1
()], la ley de control inversa de (21) no
tiene solucin. Por el contrario, cuando la salida deseada r()
=
()
[Z
1
()], existen infinitas soluciones. Por ende, el
problema de la inversa requiere que
()
[Z
1
()] sea distinto de
cero, es decir, que no existan singularidades en el modelo
difuso.

Adicionalmente, la determinacin de la inversa de un modelo
difuso est relacionada con la estabilidad dinmica del cero.
Para un modelo difuso dado por (17), el comportamiento
dinmico del cero puede ser caracterizado por una secuencia
de control u
o
(), el cual es seleccionado para que r(),
y(),,y(-n+1) sean iguales a cero. En este caso, de acuerdo
a (21) la dinmica del cero viene dada por:

(22)
)]] 1 ( ),..., 1 ( , 0 ,..., 0 [[
)] 1 ( ),..., 1 ( , 0 ,..., 0 [
) (
+
+
=
m u u
m u u
u
o o
o o
o

Si el sistema difuso no tiene cero en su dinmica, las
variables u(-1),,u(-m+1) no son usadas por la inversa
difusa. En este caso, si
()
[Z
1
()] es distinto de cero, la
ecuacin (22) es estable y el modelo es siempre invertible. En
el caso de que modelo difuso tenga dinmica de cero, la seal
de control u() es dependiente no solamente de r(),
y(),,y(-n+1), sino tambin de los valores anteriores de
u(). Entonces el sistema es invertible si la ecuacin (22) es
estable. Un estudio muy detallado de todo lo concerniente a
este problema se encuentra en (Boukezzoula et al., 2003).

Ahora, se describir el procedimiento para calcular la inversa
de un modelo difuso TS de orden cero que usaremos para la
implementacin de las simulaciones. Para ello partiremos del
sistema ms sencillo que consiste en un modelo difuso de dos
entradas y una salida en donde cada entrada usa dos
funciones de membresa triangulares.



Fig.1 Modelo Difuso con su respectiva inversa





La figura 1 muestra un modelo difuso y su respectiva inversa.
Se asume el modelo difuso de la forma y
f
(+1) = f(u(),y()).
La salida del modelo difuso, tomando en cuenta la
implicacin por el producto y la desdifusificacin por la
media de centros, se expresa de la siguiente forma:

(23) )) ( ), ( ( / )) 4 )
21 22
21 ) (
)(
11 12
11 ) (
(
3 )
21 22
21 ) (
)(
11 12
11 ) (
1 (
2 )
21 22
21 ) (
1 )(
11 12
11 ) (
(
1 )
21 22
21 ) (
1 )(
11 12
11 ) (
1 (( ) 1 (

y u h y
x x
x y
x x
x u
y
x x
x y
x x
x u
y
x x
x y
x x
x u
y
x x
x y
x x
x u
y

= +

En donde h(u(),y()) viene dado por:

(24) )
21 22
21 ) (
)(
11 12
11 ) (
(
)
21 22
21 ) (
)(
11 12
11 ) (
1 (
)
21 22
21 ) (
1 )(
11 12
11 ) (
(
)
21 22
21 ) (
1 )(
11 12
11 ) (
1 ( )) ( ), ( (
x x
x y
x x
x u
x x
x y
x x
x u
x x
x y
x x
x u
x x
x y
x x
x u
y u h

=






Entonces partiendo del mismo principio aplicado
anteriormente (Implicacin por el producto y
desdifusificacin por la media de centros), es fcil demostrar
que la salida del modelo inverso difuso viene dada por:

(25) )) ( ), 1 ( ( / )) 4 )
21 22
21 ) (
)(
) 1 (
(
3 )
21 22
21 ) (
)(
) 1 (
1 (
2 )
21 22
21 ) (
1 )(
) 1 (
(
1 )
21 22
21 ) (
1 )(
) 1 (
1 (( ) (
min max
min
min max
min
min max
min
min max
min

y y j d
x x
x y
y y
y y
d
x x
x y
y y
y y
d
x x
x y
y y
y y
d
x x
x y
y y
y y
u
+

+
+

+
+

+
=


En donde j((u(),y()) viene dado por:
(26) )
21 22
21 ) (
)(
) 1 (
(
)
21 22
21 ) (
)(
) 1 (
1 (
)
21 22
21 ) (
1 )(
) 1 (
(
)
21 22
21 ) (
1 )(
) 1 (
1 ( )) ( ), 1 ( (
min max
min
min max
min
min max
min
min max
min
x x
x y
y y
y y
x x
x y
y y
y y
x x
x y
y y
y y
x x
x y
y y
y y
y y j

+
+

+
+

+
= +







Los parmetros y
min
y y
max
vienen dados por:

(27) ) 4 , 3 , 2 , 1 max( ); 4 , 3 , 2 , 1 min(
max min
y y y y y y y y y y = =

Finalmente, los parmetros d1, d2, d3 y d4 vienen expresados
respectivamente como:
(28)
3 4
11 ) 4 ( 12 ) 3 (
4
3 4
11 ) 4 ( 12 ) 3 (
3
2 1
11 ) 2 ( 12 ) 1 (
2
2 1
11 ) 2 ( 12 ) 1 (
1
max max
min min
max max
min min
y y
x y y x y y
d
y y
x y y x y y
d
y y
x y y x y y
d
y y
x y y x y y
d

+
=

+
=

+
=

+
=


6. CASO DE ESTUDIO

Consideraremos como caso de estudio, el control de nivel de
un gran separador de produccin conocido como Slug
Catcher que en esencia es un sistema que amortiza los
baches de crudo de petrleo que entran al mismo. Debido a
las caractersticas altamente no lineales presente en los
fluidos multifsicos de petrleo de algunas estaciones de
procesamiento de petrleo, ha surgido la necesidad de instalar
separadores de grandes dimensiones que permitan manejar
adems de los grandes volmenes de produccin, los cambios
bruscos de la velocidad de una de las fases del fluido. La
dinmica que describe el comportamiento del volumen de un
separador de estas dimensiones viene dado por:

( ) (29) ) ( 3 ) (
6
) (
cos 2
) (
cos 2
2
) (
2
1 1
2
t h r t h
R
t h R
sen
R
t h R L R
t V
L

+
(

|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
=

En donde h(t) es el nivel instantneo de crudo dentro del
separador, R y L son el radio y la longitud respectiva del
separador y r es el radio de las tapas internas del separador (
Usadas para facilitar el proceso de separacin gas-lquido).
Mas detalle sobre la deduccin de (33) se encuentran en
(Atalla et al., 2004)(Holland , 1984).

6.1 Inversa de un modelo Takagi-Sugeno
Siguiendo la misma metodologa aplicada en (Ramrez et al,,
2007), se parti de la base de un conjunto de 1700 registros
(las variables de entrada fueron el nivel de crudo en el
instante y la posicin de la vlvula en el instante y la
salida fue el nivel en el instante +1) muestreados cada 5
segundos para construir el modelo Takagi-Sugeno del
separador. La validacin se llevo a cabo con otro conjunto de
760 registros. Se uso MATLAB para desarrollar las
simulaciones.

La base de reglas consta de 25 reglas, en donde cada entrada
tiene asignada cinco variables lingsticas. Para el caso de la
seal de control u() las variables lingsticas son: Muy
Cerrada, Cerrada, Media Cerrada, Abierta y Muy
Abierta. Por otro lado el nivel instantneo y() las variables
lingsticas asignadas son: Muy Bajo, Bajo, Normal, Alto y




Muy Alto. Las funciones de membresa de cada variable
lingstica son particiones triangulares y son mostradas en la
figura 2.
El modelo difuso Takagi Sugeno de orden cero resultante se
muestra en la siguiente tabla:

Numero de Regla y() u() y
f
(+1)
1 Muy Bajo Muy
Abierta
10,012
2 Bajo Muy
Abierta
10,123
3 Normal Muy
Abierta
10,229
4 Alto Muy
Abierta
10,378
5 Muy Alto Muy
Abierta
10,423
6 Muy Bajo Abierta 10,099
7 Bajo Abierta 10,189
8 Normal Abierta 10,334
9 Alto Abierta 10,409
10 Muy Alto Abierta 10,489
11 Muy Bajo Media
Abierta
10,128
12 Bajo Media
Abierta
10,211
13 Normal Media
Abierta
10,389
14 Alto Media
Abierta
10,467
15 Muy Alto Media
Abierta
10,523
16 Muy Bajo Cerrada 10,178
17 Bajo Cerrada 10,245
18 Normal Cerrada 10,410
19 Alto Cerrada 10,512
20 Muy Alto Cerrada 10,576
21 Muy Bajo Muy
Cerrada
10,198
22 Bajo Muy
Cerrada
10,301
23 Normal Muy
Cerrada
10,430
24 Alto Muy
Cerrada
10,552
25 Muy Alto Muy
Cerrada
10,681


Fig. 2. Funciones de Pertenencias de las variables de entrada
del modelo difuso
La validacin del modelo fue realizada con un conjunto de
760 datos distinto al conjunto de 1500 datos para la
construccin del modelo. La figura 3 muestra los resultados
de la simulacin destacndose la excelente generalizacin del
modelo difuso.


Fig.3. Validacin del Modelo Difuso TS de orden cero
obtenido de las simulaciones

6.2 Implementacin del controlador difuso

Para la implementacin del controlador difuso se uso
SIMULINK especficamente los bloques de funciones S. Una
vez validado el modelo difuso TS de orden cero obtenido en
la seccin anterior, se procedi con la programacin de los
bloques funcionales S usando como base el algoritmo
descrito en la seccin 5. La figura 4 muestra en montaje en
SIMULINK usando la arquitectura CMI.

Fig.4. Implementacin del Controlador Difuso basado en
modelo difuso usando la arquitectura ICM

El modelo por control interno comprende en primer lugar el
modelo fsico de la planta (El proceso a controlar) que para
efectos de implementacin se llevo a cabo previamente una
linealizacin del sistema no lineal de (33) a travs del uso de
series de Taylor obtenindose un sistema de primer orden. En
paralelo al proceso, se encuentra el modelo del mismo que en
este caso es el modelo difuso TS de orden cero obtenido en la
seccin 6.1. En particular, la salida de modelo obtenido es
y
f
(+1) y esta pasa por el bloque de retardo z
-1
para obtener la
seal y
f
()


La salida del proceso y() es restada de la salida del modelo
difuso y
f
() y el resultado produce lo que se denomina error




de modelacin, el cual es retroalimentado y es usado por un
filtro digital que hace las veces de integrador. Finalmente, el
controlador es la inversa del modelo difuso. Es importante
destacar que existen tres propiedades fundamentales de la
metodologa ICM:

Propiedad 1: Si el controlador y la planta son estables y el
modelo de la planta es una representacin exacta de la
misma, entonces el sistema en lazo cerrado es estable.

Propiedad 2: Supngase que existe la inversa del operador
que describe la planta, que dicha inversa se utiliza como
controlador y que el sistema en lazo cerrado es estable con
dicho controlador. Entonces el control ser perfecto.

Propiedad 3: supngase que existe la inversa que describe el
modelo en estado estacionario de la planta, que el controlador
para el estado estacionario es igual a esa inversa y que con
este controlador el sistema en lazo cerrado es estable. Bajo
estas condiciones se obtiene un control sin error en estado
estacionario siempre y cuando las entradas sean
asintticamente constantes.

La figura 5 muestra los resultados de la simulacin del
sistema en lazo cerrado usando el software SIMULINK.



Fig. 5 Implementacin del Controlador Difuso basado en
modelo difuso usando la arquitectura ICM

7. CONCLUSIONES

En esta publicacin, luego de haber revisado los
fundamentos tericos de la modelacin difusa y del control
basado en modelos difusos, se implement un controlador
difuso construido a partir de la modelacin difusa de un
proceso industrial altamente no lineal como lo es el separador
de produccin usado en estaciones de procesamiento de
petrleo. La validacin de dicho modelo con datos de
entrenamiento demuestra la muy buena generalizacin que se
obtiene con esta metodologa de modelacin en procesos
dinmicos no lineales.
La implementacin del controlador difuso (La inversa del
modelo difuso calculada de manera exacta y no iterativa) se
llevo a cabo a travs de la arquitectura de control por modelo
interno. Dicho enfoque, como se mostr durante las
simulaciones computacionales, brinda una gran robustez ya
que el sistema de control en lazo cerrado es estable y con un
error en estado esttico prcticamente nulo ante la presencia
de perturbaciones.
REFERENCIAS

Pedrycz, W. (1993) Fuzzy Control and Fuzzy System, Second
edition, New York, John Wiley.
Driankov, D., Hellendoorn, H. and Reinfrank, M. (1993). "An
Introduction to Fuzzy Control". Berlin, Springer Verlag.
Palm, R., Driankov, D. and Hellendoorn, H. (1997) Model Based
Fuzzy Control, Berlin Springer Verlag.
Duda, R.O., Hart, P.E. and Stork, D.G. (2000) Pattern
Classification John Wiley & Sons, New York.
Diez, J.L. (2003) Tcnicas de Agrupamiento Difuso Para
Identificacin y Control Por Modelos Locales. Tesis
Doctoral, Universidad Politcnica de Valencia, Espaa.
Diez, J.L., Navarro J.L., Salas, A. (2004) Algoritmos de
Agrupamiento en la Identificacin de Modelos
Borrosos. Departamento de Ingeniera de Sistema y
Automtica, Universidad Politcnica de Valencia,
Espaa, pp. 1-6.
Tanaka, K and Sugeno, M. (1992). Stability Analysis and
Design of Fuzzy Control System. Fuzzy Sets and
Systems 45, 135-156.
Hunt, K.J. and Johansen, T.A. (1997) Design and Analysis
of Gain-Scheduled Control Using Local Controller
Networks. International Journal of Control 66, 639-651.
Sousa J., Kaymak U. (2002) "Fuzzy Decision Making in
Modelling and Control". World Scientific Series in
Robotics and Intelligent Systems, pp. 93-208.
Boukezzoula R., Galichet S., and Foulloy L. (2007) Fuzzy
Feedback Linearizing Controller And Its Equivalence
With Fuzzy Nonlinear Internal Model Control
Structure. Application of Mathematics and Computer
Science, University of Savoie, France, pp. 233-248.
Boaming G., Jingping J., Pengshen S., and Xiangheng W.
(2002). Nonlinear Internal-Model Control For Switched
Reluctance Drives. IEEE Transactions in Power
Electronic, Vol 17, No 3, pp. 379-388
Kang J., Kwon C., Lee H. and Park M. (1998). Robust
Stability Analysis and Design Method For The Fuzzy
Feedback Linearization Regulator IEEE Transactions
on Fuzzy Systems, Vol 6, No 4, pp. 464-472.
Kwanghee, N. (1999). Stabilization Of Feedback
Linearizable System Using A Radial Basis Function
Network IEEE Transactions in Automation And
Control, Vol 44, No5, pp. 1026-1031.
Babuska, R. (1998). Fuzzy Modeling For Control.
Dordrecht: Kluwer Academic Publishers.
Boukezzoula R., Galichet S. and Foulloy L. (2003).
Nonlinear Internal Model Control: Application Of
Inverse Model Based Fuzzy Control. IEEE Transactions
on Fuzzy System, Vol 11, No 6, pp. 814-829.




Fang W. and Rad A. (2000). Fuzzy Adaptive Internal Model
Control. IEEE Transactions on Fuzzy System, Vol 47,
No1, pp. 193-202.
Abonyi, J., Nagy L. and Szeifert F. (2005) Indirect Model
Based Control Using Fuzzy Model Inversion.
Department of Chemical Engineering, University of
Vezprem, Hungary.
Riid A., and Rustern E. (2005). Automatic linguistic
Inversion of Fuzzy Model.
Abonyi J., Babuska R., and Szeifert F. (2002). Fuzzy
Modeling With Multidimensional Memberships: Grey-
Box Identification and Control Design.
Abonyi J., Babuska R., Ayala M., Szeifert F. and Nagy L.
(2004). Identification and Control of Nonlinear System
Using Fuzzy Hammerstein Models. University of
Vezprem, Department of Process Engineering.
Garcia, C. and Morari, M. (1989). Internal Model Control:
A unifying review and some new results. Automatica,
25, pp. 335-348.
Economou C., Morari M. And Palsson B. (1986) Internal
Model Control: Extension to Nonlinear Systems
Institute of Chemical Engineers, Proc. Des. Dev, Vol 25,
No. 5. pp. 403-409.
Li H-X. and Deng H (2006) An Approximate Internal
Model-Based Neural Control For Unknown Nonlinear
Discrete Processes. IEEE Transactions on Neural
Network, Vol 17, No. 3, PP 659-670.
Atalla, F and Taylor J. (2004). Modelling of three-phase
gravity Separator in Oil Production Facilities. Cape
Breton University, Canada.
Holland, C (1984). Fundamental and Modeling of
Separation Processes: Absorption, Distillation,
Evaporation and Extraction. Englewood Cliffs, N.Y:
Prentice-Hall.
Ramirez M., Colina E. (2007) "Fuzzy Clustering Based
Models For Supervision of Industrial Processes".
Proceedings of the 6
th
WSEAS International Conference
on Mathematical and Computational Intelligence, Man-
Machine System & Cybernetics, Tenerife, Spain, pp. 2-6.
Nelles, O. (1999) "Nonlinear System Identification With
Local Linear Neuro-Fuzzy Models". PhD Dissertation,
Darmstad University of Technology, Germany, pp. 1-8.
Kruse, R., Doring C., Lesot, M. (2007) Fundamental of
Fuzzy Clustering. Department of knowledge processing
and language engineering, University of Magdeburg,
Germany, pp. 1-10.